Izvestiya of Saratov University.

Sociology. Politology

ISSN 1818-9601 (Print)
ISSN 2541-8998 (Online)


For citation:

Goremyko M. S. Heuristic potential artificial intelligence in the analysis of social networks. Journal Izvestiya of Saratov University. Sociology. Politology, 2024, vol. 24, iss. 2, pp. 172-177. DOI: 10.18500/1818-9601-2024-24-2-172-177, EDN: VXGZTY

This is an open access article distributed under the terms of Creative Commons Attribution 4.0 International License (CC-BY 4.0).
Full text PDF(Ru):
Language: 
Russian
Article type: 
Article
UDC: 
316.4
EDN: 
VXGZTY

Heuristic potential artificial intelligence in the analysis of social networks

Autors: 
Goremyko Maksim S., Saratov State University
Abstract: 

Artifi cial intelligence is an important part of modern life. AI exists to improve lives and free up time and resources for the tasks that require thoughtful human action. The advent of artificial intelligence (AI) created new data analyzing the capabilities of the modern phenomenon of social networking, accurately analyzing and understanding the dynamics of online communities and users` sentiments. AI succeeds in such area as social media. Internet users use social media to communicate, search for information, buy things and even work. Social networks also have a high amount of data that can be used to analyze social processes and people's behavior. However, the amount of data is so large that so its processing and analysis can be a time-consuming process. Artifi cial intelligence can help to solve this problem. The article is devoted to the study of the role of artifi cial intelligence in the analysis of social networks, highlights the possibilities of AI and problems, considers various methods of analysis and data collection, such as social listening, natural language processing, as well as an automatic content classifi cation system. The use of a heuristic approach to this issue based on AI helps to signifi cantly speed up the process of data processing and reduce the cost of analysis that would be performed by manual labor. As a result, it was established that artifi cialintelligence has a great heuristic potential in the analysis of social networks. Its ability to analyze large amount of data, recognize patterns and identify data trends and also automate management tasks makes it a valuable tool for understanding social media trends and users` behavior.

Reference: 
  1. Смолин Д. В. Введение в искусственный интеллект: конспект лекций. М. : Физматлит, 2004. 208 с.
  2. Бруссард М. Искусственный интеллект. Пределы возможного. М. : Альпина нон-фикшн, 2020. 362 с.
  3. Эндрю М. Реальная жизнь и искусственный интеллект // Новости искусственного интеллекта. 2000. № 1–2. С. 93–101. EDN: CXIQTP
  4. Девятков В. В. Системы искусственного интеллекта : учеб. пособие для вузов. М. : Изд-во МГТУ им. Н. Э. Баумана, 2001. 352 с.
  5. Рассел С., Норвинг П. Искусственный интеллект. Современный подход / пер. с англ. и ред. К. А. Птицына. М. : ИД «Вильямс», 2006. 1408 с.
  6. Коршунов А., Белобородов И., Бузун Н., Аванесов В., Пастухов Р., Чихрадзе К., Козлов И., Гомзин А., Андрианов И., Сысоев А., Ипатов С., Филоненко И., Чуприна К., Турдаков Д., Кузнецов С. Анализ социальных сетей: методы и приложения // Труды Института системного программирования РАН. 2014. Т. 26, №. 1. С. 439–456. https://doi.org/10.15514/ ISPRAS-2014-26(1)-19
  7. Большие данные в социальных и гуманитарных науках : сб. обзоров и рефератов / отв. ред. Е. Г. Гребенщикова. М. : ИНИОН РАН, 2019. 194 с. (Наука, образование, технологии). EDN: OLWKKQ
  8. Маркус Г., Дэвис Э. Искусственный интеллект: Перезагрузка. Как создать машинный разум, которому действительно можно доверять : пер. с англ. М. : Интеллектуальная Литература, 2021. 304 с.
  9. Шадрина Л. Ю. Социологический мониторинг как средство информационного сопровождения оценки эффективности социальных технологий // Известия Российского государственного педагогического университета им. А. И. Герцена. 2010. № 126. С. 319–325. EDN: NDAMGP
  10. Стельмах М. А., Миснянкин В. Г., Кунац А. Ю., Костина А. В. Использование промежуточных языков представления для упрощения процесса перевода естественного языка в запросы к базе данных // IV Научно-техническая конференция с междунар. участием «Наука настоящего и будущего» для студентов, аспирантов и молодых ученых (СанктПетербург, 17–18 марта 2017 г.) : сб. материалов конф. СПб., 2017. С. 114–116.
  11. Юргель В. Ю. Сложности моделирования естественного языка // Вестник науки и образования. 2019. № 23 (77), ч. 1. С. 12–14.
  12. Емельянов В. В., Курейчик В. В., Курейчик В. М. Теория и практика эволюционного моделирования. М. : Физматлит, 2003. 432 с.
  13. Хотилин М. И., Благов А. В. Визуальное представление и кластерный анализ социальных сетей // Информационные технологии и нанотехнологии (ИТНТ-2016) : материалы Междунар. конф. и молод. школы (Самара, 17–19 мая 2916 г.). Самара : Самарский гос. аэрокосмический ун-т, 2016. С. 1067–1072. EDN: WMPYYR
  14. Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных : пер. с англ. М. : ДМК «Пресс», 2015. 400 с.
  15. Baker M. AI shows value and gains traction in HR // Gartner. URL: https://www.gartner.com/smarterwithgartner/ai-showsvalue-and-gains-tract... (дата обращения: 12.04.2020).
Received: 
21.11.2023
Accepted: 
07.02.2024
Available online: 
31.05.2024
Short text (in English):