Применение в качестве инструментального средства в области социологии аппарата искусственных нейронных сетей (ИНС) в сравнении с произведённым при помощи пакета SPSS первичным анализом данных исследования «Молодые преподаватели ПГУ». Было опрошено 195 респондентов, из которых 41,5% мужчин и 58,4% женщин. Результат сравнения показал преимущества и перспективные возможности нейронных сетей при управлении с эталонной моделью.
Ключевые слова: искусственный интеллект, нейронная сеть, прогноз, социологические исследования
Нейросетевые технологии предоставляют сегодня широкие возможности для решения задач прогнозирования, обработки сигналов и распознавания образов. По сравнению с традиционными методами математической статистики, классификации и аппроксимации эти технологии обеспечивают достаточно высокое качество решений при меньших затратах. Они позволяют выявлять нелинейные закономерности в сильно зашумленных неоднородных данных, дают хорошие результаты при большом числе входных параметров и обеспечивают адекватные решения при относительно небольших объемах данных. Сейчас уже накоплен богатый опыт успешного использования нейронных сетей в практических приложениях.
Общепризнано, что нейронные сети являются естественным дополнением классических методов анализа и применяются там, где стандартные процедуры не дают нужного эффекта. Нейросетевой подход свободен от модельных ограничений, он одинаково годится для линейных и сложных зависимостей и особенно эффективен в разведочном анализе данных, когда необходимо выяснить имеются ли вообще зависимости между переменными. Так, например, в работах С.К. Каргапольцева и Н.В. Лашука рассматривались вопросы применения искусственных нейронных сетей в задаче составления расписаний учебных занятий [2]. Д.А. Донской предлагает использование нейрокомпьютерных технологий в обучении информатике. Е.И. Горюшкин исследовал возможности использования искусственных нейронных сетей для создания систем тестирования знаний студентов, а исследования Ю.В.Фролова, П.К. Личко, О.Е. Булановой посвящены применению искусственных нейронных сетей для оценки психического состояния детей с отклонениями в развитии[4]. Нейронные сети привлекательны с интуитивной точки зрения (М.Г. Доррер, например, предлагает использовать искусственные нейронные сети для имитации интуиции) т. к. они основаны на биологической модели нервных систем. В будущем развитие таких нейробиологических моделей может привести к созданию действительно мыслящих компьютеров, которые смогут давать прогнозы на будущее в любой области деятельности человека.
Современные искусственные нейронные сети представляют собой устройства, использующие огромное число искусственных нейронов и связей между ними. Несмотря на то, что конечная цель разработки нейронных сетей – полное моделирование процесса мышления человека так и не была достигнута, уже сейчас они применяются для решения очень многих задач обработки разнородной информации. Основными видами нейронных сетей являются: сеть ART (AdaptiveResonanceTheoryNetwork), двунаправленная ассоциативная память (ДАП), обратное распространение и сеть Кохонена. В социологии наиболее часто используют сеть с обратным распространением. Самым главным отличием нейронных сетей от других методов, например, таких, как обработка данных статистическим пакетом SPSS, является то, что нейросети в принципе не нуждаются в заранее известной модели, а строят ее сами на основе предъявленной информации.
Основным преимуществом прогнозирования с помощью нейронных сетей является устойчивость к шумам входных данных, когда находятся большинство «шумовых» переменных , не надо делать их предварительный отсев, нейронная сеть сама определит их малопригодность для решения задачи и отбросит их. Как и решение задач при неизвестных закономерностях , нейронные сети более чувствительны и находят данные закономерности. Так же у нейронных сетей отсутствует проблема «проклятие размерности», что позволяет моделировать зависимости в случае большого числа переменных.
Появилась возможность проведения расширенных исследований с помощью метода нейронной сети. Широкий круг задач, решаемый нейронными сетями, не позволяет в настоящее время создавать универсальные, мощные сети, вынуждая разрабатывать специализированные нейронные сети, функционирующие по различным алгоритмам. Данный метод является одной из возможностей более глубоко строить прогнозы там, где, например, обычные социологические методы не дают результата или он не чётко выражен.
В качестве примера можно представить возможность анализа социологических данных при помощи метода нейронных сетей гораздо шире и больше, чем они используются в настоящее время. Нейросетевые технологии предоставляют сегодня широкие возможности для решения задач прогнозирования, обработки сигналов и распознавания образов. По сравнению с традиционными методами математической статистики, классификации и аппроксимации эти технологии обеспечивают достаточно высокое качество решений при меньших затратах. Они позволяют выявлять нелинейные закономерности в сильно зашумленных неоднородных данных , дают хорошие результаты при большом числе входных параметров и обеспечивают адекватные решения при относительно небольших объемах данных. Сейчас уже накоплен богатый опыт успешного использования нейронных сетей в практических приложениях.
Одной из первых попыток социологов использовать нейронные сети является построение нейросетевой модели религиозной веры, осуществленное в 1995 году. Начиная с этого времени, западные социологи периодически обращаются к нейронным сетям с целью моделирования и прогнозирования социальных явлений и процессов. Для социологов-практиков наибольшую ценность представляет возможность восстановления
неполных данных, которая заложена в основу нейросетевых технологий . В контексте электоральных исследований эта возможность реализуется не только для восстановления пробелов в данных, возникших из-за некачественного заполнения анкет, но и для «восстановления» мнений респондентов, которые, как им кажется, еще не определились с выбором [3].
Анализируя социологические данные необходимо учитывать, что большинство из них представляются при помощи шкал с уровнем измерения ниже интервального и требуют специальных методов исследования. В результате, при применении к материалам социологических опросов приемов и формул, разработанных для количественных переменных (например, регрессионного или дискриминантного анализов), достоверность получаемых выводов порой невысока. Указанные соображения делают весьма перспективным применение в качестве инструментального средства в области социологии аппарата искусственных нейронных сетей (ИНС), гораздо менее чувствительного, в частности, к нарушению вероятностных предпосылок разнотипности переменных. Разнообразие, большой объем и противоречивость различной анкетной информации выводят на передний план проблему поиска физических систем, способных к ее переработке. Решение этой комплексной задачи тесно связано с новыми информационными технологиями, важное место среди которых занимают нейронные сети.
Современный этап развития высшей школы характеризуется сменой образовательной парадигмы под воздействием целого ряда факторов, к основным из которых можно отнести процессы интеграции в международное образовательное пространство, формирование информационного общества и экономики, основанной на знаниях [1]. Молодой преподаватель является одной из ключевых фигур реформ образования, поэтому темпы и характер модернизации образования зависят в первую очередь от интеллектуального уровня, профессиональных и личностных качеств преподавательских кадров. В 2010 году социологами центра социологических исследований ПГУ было проведено методом анкетирования социологическое исследование «Молодые преподаватели ПГУ». Всего было опрошено 195 респондентов, из которых 41,5% мужчин и 58,4% женщин. В 2014 г. по предоставленному центром инструменту (анкета) и базе данных, был снова произведён с помощью пакета SPSS первичный анализ данных исследования «Молодые преподаватели ПГУ». Для анализа данных использовались статистический тест хи-квадрат, коэффициенты Гамма иV Крамера. Были выявлены статистически значимые связи между следующими переменными: жилищными условиями семьи и желанием перейти в другую организацию; удовлетворённостью выбранной профессией и желанием перейти в другую организацию; удовлетворённостью работой в ПГУ и желанием перейти в другую организацию; отношением к работе в ПГУ за последние 2 -3 года и желанием перейти в другую организацию; изменением условий работы в ПГУ в ближайшие 2-3 года и желанием перейти в другую организацию. Тогда же, в ходе экспериментального исследования, полученного в качестве технического задания к выпускной работе и выполненного студентом – социологом Я. Державским, была разработана и исследована при помощи методики[5] искусственная нейронная сеть по прогнозированию возможности перехода молодых преподавателей в другую организацию на основе данных исследования «Молодые преподаватели ПГУ». Вышеописанная эталонная модель социологических данных успешно прошла интеграцию с нейронной сетью.
В результате прогноза, осуществлённого с помощью ИНС, выявлено, что на желание перейти в другую организацию оказывают сильное влияние две переменные: удовлетворённость выбранной профессией, специальностью и удовлетворённость работой в ПГУ. Нейросеть также показала, каким образом другие переменные усиливают влияние удовлетворённости выбранной профессией, специальностью и степени удовлетворённости работой в ПГУ на желание перейти в другую организацию. Переменная «принадлежность помещения, в котором проживает семья», в нейронной сети влияет только при наличии второго фактора и имеет взаимовлияние со всеми переменными. Например, принадлежность помещения частному лицу, а ещё более предприятию, усиливает влияние степени удовлетворённости выбранной профессией, специальностью на желание преподавателей перейти работать в другую организацию. На желание перейти в другую организацию оказывают взаимовлияние следующие переменные:
В результате проведённого с помощью ИНС анализа данных исследования Молодые преподаватели ПГУ
выявились следующие тенденции:
Таким образом, экспериментальное сравнительное исследование, проведённое на одной и той же базе данных наглядно показало, что возможности нейронных сетей при управлении с эталонной моделью социологических данных в качестве инструментального средства весьма перспективны и несомненно, могут быть использованы в анализе результатов социологических исследований, а владение методом может быть для студентов – социологов новой возможностью познания действительности.