Информационные технологии в прикладной социологии

Цели применения информационных технологий в социологии

Информационные технологии позволяют достичь следующих целей.

  • 1. Ускорение социологических исследований. Информационные технологии во многих случаях избавляют исследователей от части труда. Например, речь идет о применении методов математической статистики к результатам опроса, построении компьютерных моделей социальных процессов. Возможно даже отчасти автоматизировать проведение опросов.
  • 2. Получение данных, труднодоступных без информационных технологий. Например, при составлении некоторых математических моделей возникают уравнения и системы уравнений, которые почти не поддаются решению вручную. Для некоторых классов дифференциальных уравнений не имеется способов аналитического решения. Еще более заметен вклад информационных технологий, если построена очень реалистичная математическая модель некоторого процесса, включающая систему десятков или сотен дифференциальных уравнений. Очевидно, возможность решить такую систему без участия компьютера является чисто теоретической.

Некоторые сферы применения информационных технологий в социологии

Рассмотрим некоторые задачи, которые решаются с помощью информационных технологий при проведении социологических исследований.

Автоматизация проведения опросов

В настоящее время немалая часть опросов проводится с помощью веб-страниц. По сравнению с традиционным анкетированием это дает ряд преимуществ – анкетеру не требуется лично организовывать опрос и присутствовать на нем, а опрашиваемые могут чувствовать себя комфортнее из-за большей уверенности в анонимности и возможности корректировать ответы, возвращаться назад по тексту, делая исправления. Также имеется важное преимущество по сравнению с интервьюированием: отсутствие человека, задающего вопросы, создает ощущение большей защищенности ответов от постороннего глаза и, следовательно, повышает желание респондентов сообщать о себе сведения деликатного характера. Однако есть и недостатки по сравнению с традиционными технологиями опроса. Возможность сделать выборку и целенаправленно привлекать респондентов к участию в опросе при использовании сайтов и веб-страниц минимальна. Исследователь вынужден просто ждать данных, которые будут появляться в результате заполнения анкеты посетителем веб-сайта, повлиять на время сбора достаточного количества данных затруднительно. Помимо опросов на веб-страницах, существуют и другие варианты автоматизации социологических опросов. Например, одним из относительно новых методов социологических опросов сегодня является SMS-onpoc.

Компьютерное моделирование

При моделировании социальных процессов достаточно широкое распространение получает имитационное моделирование, при котором изучаемая система заменяется моделью, с достаточной точностью описывающей реальную систему, и с этой моделью проводятся эксперименты с целью получения информации о системе. Экспериментирование с такой моделью носит название имитации, которую можно определить как постижение сути и особенностей явления, процесса, системы без экспериментов на реальных объектах. Как правило, имитационная модель является стохастической, поэтому для получения достаточно точной статистики проводятся многократные испытания.

Фактически есть два основных пути создания имитационных моделей на ЭВМ. Первый состоит в программировании компьютерной модели, т.е. в создании программы, которая реализует именно данную модель. Второй заключается в использовании "общих" программных решений: сред моделирования (например, AnyLogic) или подсистем моделирования, встроенных в математические пакеты (например, подсистема Simulink пакета MATLAB).

Существуют следующие подходы к имитационному моделированию.

Системная динамика – это подход к пониманию поведения сложных систем в течение времени. С математической точки зрения модель системной динамики обычно описывается системой дифференциальных уравнений первого порядка, т.е. уравнений, связывающих параметры и их производные по времени. Системная динамика главным образом используется в долгосрочных, стратегических моделях и принимает высокий уровень абстракции. Люди, продукты, события и другие "неделимые" элементы представлены в моделях системной динамики как система в целом, а не как отдельные элементы. С математической точки зрения модель системной динамики обычно описывается системой дифференциальных уравнений первого порядка, т.е. уравнений, связывающих параметры и их производные по времени. С помощью моделей системной динамики можно построить модели бизнес-процессов, развития городов, производства, динамики численности населения. Исторически важнейшей моделью, существенно популяризовавшей системную динамику, является модель динамики городов Дж. Форрестера[1].

В 1960-х гг. Форрестер построил динамическую модель типичного американского города. В качестве подсистем он выделил население, жилой фонд и предприятия. Население было поделено на неполностью занятых, занятых и менеджеров, жилой фонд – на дешевый, доходный и сверхдоходный, предприятия – на новые, зрелые и пришедшие в упадок. Была построена сложная модель с многочисленными прямыми и обратными связями между этими полученными подсистемами. За счет такой модели появилась возможность прогнозировать развитие городов. Несмотря на неактуальность модели для значительной части современных городов, модель не утратила своего исторического значения. Примерно в тот же период – 1950–1960-е гг. – системная динамика продвинулась до уровня компьютерного моделирования, в частности, благодаря языку SIMPLE – первому языку моделирования методом системной динамики.

Дискретно-событийное моделирование – функционирование системы представляется как последовательность событий. Событие происходит в определенный момент времени и означает изменения состояния системы. Примеры событий – "в производство запущен новый продукт", "кандидат N победил на выборах мэра города", "мистер М пошел в супермаркет". Данный подход лучше всего подходит для ситуаций, где динамика системы представляется как последовательность операций.

Такой подход предполагает более высокий уровень детализации, нежели системная динамика. Основные сферы применения – бизнес-процессы, системы массового обслуживания, производство, логистика, здравоохранение. Основоположником подхода считается Дж. Гордон, в начале 1960-х гг. создавший систему GPSS – программный пакет моделирования дискретных систем.

Агентное моделирование – самый новый подход к имитационному моделированию, которое используется для исследования децентрализованных систем, функционирование которых определяется не глобальными правилами и законами, а наоборот, тем, что эти правила и законы являются результатом индивидуальной активности членов группы. В рамках данного подхода используется понятие агента – сущности, имеющей цель и правила принятия решений, обладающей автономным поведением, возможностью независимо действовать и принимать решения по взаимодействию с другими агентами, гибкостью и способностью самообучения с течением времени на основе собственного опыта, а иногда даже способностью изменять правила поведения на основе полученного опыта[2].

Один из первых примеров агентных моделей применительно к социальным процессам – предложенная в 1970-х гг. модель Т. Шеллинга для исследования проблемы расовой сегрегации в американских городах. Шеллинг выделил два класса агентов – черных и белых жителей, которые могут быть связаны отношением соседства. Основное правило состояло в том, что любой агент старается поселиться в окружении, где достаточно высока доля агентов того же цвета. Например, по Шеллингу агент, у которого трое- пятеро соседей, не переезжает, если хотя бы два соседа будут его цвета, а агент с единственным соседом останется на месте только если сосед того же цвета. Компьютерный эксперимент состоял в том, чтобы более-менее равномерно распределить черных и белых агентов, а дальше случайным образом удалить нескольких агентов, чтобы нарушить равновесие. Шеллинг заметил, что хотя у агентов довольно гибкая система предпочтений, допускающая, что далеко не 100% соседей будут того же цвета, со временем все более проявляется эффект сегрегации. Модель показала, что гетто могут появляться спонтанно – для этого нс требуется целенаправленной демографической политики властей городов[3].

Разумеется, приведенные подходы не являются исключающими друг друга и могут комбинироваться.

Информационные технологии используются не только при имитационном моделировании социальных процессов, но и других видах моделирования. Например, при математическом моделировании выполнение одного из основных этапов – построение математических моделей по экспериментальным данным – затруднительно без применения компьютера.

Статистическая обработка данных

С помощью современных программных продуктов можно выполнять самые разные процедуры статистической обработки – от простой группировки результатов опроса по заданным категориям до аппроксимации зависимостей по точечным экспериментальным данным. Значительная часть методов математической статистики трудоемка для ручных расчетов, и автоматизация расчетов существенно ускоряет работу исследователя.

  • [1] См.: Форрестер Дж. Динамика развития города. М.: Прогресс, 1974.
  • [2] Macal С., North M. Tutorial on agent-based modeling and simulation // Proceedings of the 2005 Winter Simulation Conference. Orlando, Florida, 2005.
  • [3] Каталевский Д. Ю. Системная динамика и агентное моделирование: необходимость комбинированного подхода // Устойчивое экономическое развитие: интеграция государства и бизнеса в современном обществе: материалы 14-й Междун. науч.-практ, конф. М.: ГОУВПО ГУУ, 2009.
 
< Пред   СОДЕРЖАНИЕ     След >