Опыт применения больших языковых моделей для анализа социологических данных, полученных в результате интервью о восприятии студентами предпринимательской деятельности

В современном обществе наблюдается цифровая трансформация различных сфер, связанная с развитием искусственного интеллекта и больших данных. Внедрение больших языковых моделей (англ. large language model, далее – LLM) в научные исследования открывает новые возможности, но и ставит ряд вопросов, в связи с чем актуальным становится изучение особенностей их применения для качественного анализа данных в социологии. Цель – изучить, как большие языковые модели могут влиять на методологию и практику социологических исследований, выявить преимущества и недостатки их применения. Авторы опираются на использование большой языковой модели Calude-3 для качественного анализа эмпирических данных социологического исследования восприятия студентами предпринимательской деятельности. Раскрыты возможности LLM в анализе качественных данных: оценка тональности, построение логических выводов, классификация, кластеризация и формирование типологий. Показаны преимущества использования LLM: увеличение скорости обработки данных, экономия времени и ресурсов. Применение LLM становится инструментом для оптимизации исследовательского процесса в социологии, позволяя углубить анализ качественных данных, но имеет и ряд ограничений: социальная и политическая предвзятость, трудности с галлюцинациями. Необходимы повышение прозрачности моделей, улучшение их интерпретируемости и объяснимости и уменьшение их социальной, политической предвзятости, а также этическое и юридическое регулирование использования моделей LLM.

1. Алексеев Д.В. Использование генеративного ИИ при анализе данных веб-аналитики. Universum: технические науки. 2024;2(119):4–9. http://doi.org/10.32743/UniTech.2024.119.2.16815

2. Аржанова К.А., Писклакова Л.Д. Особенности использования искусственного интеллекта в маркетинговых коммуникациях компаний. Цифровая социология. 2023;6(4):4–12. https://doi.org/10.26425/2658-347X-2023-6-4-4-12

3. Джибилова Е.Г., Побываев Н.С. Анализ российского и зарубежного опыта применения ChatGPT и искусственного интеллекта в политике и социальной сфере. Социально-гуманитарные знания. 2024;1:64–69.

4. Коваль Е.А. Большие данные и большие вызовы социальному воображаемому. Социальные нормы и практики. 2023;3:54–63. http://doi.org/10.24412/2713-1033-2023-3-54-63

5. Кублик С., Сабу Ш. GPT-3. Руководство по использованию API Open AI. Перев. с англ. В.С. Яценкова. М.: ДМК Пресс; 2023. 172 с.

6. Летов О.В. Этические аспекты в области разработки искусственного интеллекта. Социальные и гуманитарные науки. Отечественная и зарубежная литература. Серия 3. Философия. 2024;1:34–44. http://doi.org/10.31249/rphil/2024.01.03

7. Раицкая Л.К., Ламбовска М.Р. Перспективы применения ChatGPT для высшего образования: обзор международных исследований. Интеграция образования. 2024;1(28):10–21. https://doi.org/10.15507/1991-9468.114.028.202401.010-021

8. Семенова В.В. Качественные методы: введение в гуманистическую социологию: учебное пособие для студентов вузов. М.: Добросвет; 1998. 292 с.

9. Середкина Е.В., Мезин Е.А. Как может повлиять ChatGPT на культуру диалога и образование? Науковедческие исследования. 2023;3:74–79. https://doi.org/10.31249/scis/2023.03.04

10. Старовойтов А.Г. Исследование возможностей чат-бота ChatGPT и оценка перспектив их практического применения специалистами службы управления персоналом. Journal of Monetary Economics and Management. 2024;1:22–29. https://doi.org/10.26118/2782-4586.2024.75.98.003

11. Татарова Г.Г., Бабич Н.С., Бессокирная Г.П., Кученкова А.В. Типологический анализ в социологии как диагностическая процедура: монография. М.: Федеральный научно-исследовательский социологический центр Российской академии наук; 2023. 358 с.

12. Шюц А. Обыденная и научная интерпретация человеческого действия. В кн.: Избранное. Мир, светящийся смыслом. Пер. с нем. и англ. В.Г. Николаева. М.: РОССПЭН; 2004. С. 7–50.

13. Ядов В.А. Стратегия социологического исследования. Описание, объяснение, понимание социальной реальности. 3е изд., перераб. и доп. М.: Омега-Л; 2007. 567 с.

14. Abid A., Farooqi M., Zou J. Large language models associate Muslims with violence. Nature Machine Intelligence. 2021;3:461–463. http://dx.doi.org/10.1038/s42256-021-00359-2

15. Dehouche N. Plagiarism in the age of massive generative pre-trained transformers (GPT-3). Ethics in Science and Environmental Politics. 2021;21:17–23. http://dx.doi.org/10.3354/esep00195

16. Durmus E., Nguyen K., Liao Th.I., Schiefer N., Askell A., Bakhtin A. et al. Towards measuring the representation of subjective global opinions in language models. ArXiv. 2024. https://doi.org/10.48550/arXiv.2306.16388

17. Eigner E., Händler Th. Determinants of LLM-assisted decision-making. ArXiv. 2024. https://doi.org/10.48550/arXiv.2402.17385

18. Krugmann J.O., Hartmann J. Sentiment analysis in the age of generative AI. Customer Needs and Solutions. 2024;11. http://dx.doi.org/10.1007/s40547-024-00143-4

19. Linegar M., Kocielnik R., Alvarez R.M. Large language models and political science. Frontiers in Political Science. 2023;5. http://dx.doi.org/10.3389/fpos.2023.1257092

20. Manning Ch.D. Human language understanding & reasoning. Daedalus. 2022;2(151):127–138. http://dx.doi.org/10.1162/daed_a_01905

21. Markowitz D.M. Can generative AI infer thinking style from language? Evaluating the utility of AI as a psychological text analysis tool. Behavior Research Methods. 2024;56:3548–3559. http://dx.doi.org/10.3758/s13428-024-02344-0

22. Motoki F., Neto V.P., Rodrigues V. More human than human: measuring ChatGPT political bias. Public Choice. 2024;198:3–23. http://dx.doi.org/10.1007/s11127-023-01097-2

23. Turner J.C., Reynolds K.J. Self-categorization theory. In: Handbook of theories of social psychology. Volume 2. New York: SAGE Publications; 2012. Pp. 399–417.