Известия Саратовского университета. Новая серия.

Серия: Cоциология. Политология

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


Для цитирования:

Горемыко М. С. Эвристический потенциал искусственного интеллекта в анализе социальных сетей // Известия Саратовского университета. Новая серия. Серия: Социология. Политология. 2024. Т. 24, вып. 2. С. 172-177. DOI: 10.18500/1818-9601-2024-24-2-172-177, EDN: VXGZTY

Статья опубликована на условиях лицензии Creative Commons Attribution 4.0 International (CC-BY 4.0).
Полный текст в формате PDF(Ru):
(загрузок: 0)
Язык публикации: 
русский
Тип статьи: 
Научная статья
УДК: 
316.4
EDN: 
VXGZTY

Эвристический потенциал искусственного интеллекта в анализе социальных сетей

Авторы: 
Горемыко Максим Сергеевич, Саратовский национальный исследовательский государственный университет имени Н. Г. Чернышевского
Аннотация: 

Искусственный интеллект – важная часть современной жизни. ИИ существует для того, чтобы улучшать жизнь и высвобождать время и ресурсы для задач, которые требуют продуманных усилий со стороны человека. Появление искусственного интеллекта (ИИ) создало новые возможности для анализа данных такого современного феномена, как социальные сети, предлагая анализ и понимание динамики онлайн-сообществ и настроений пользователей. Социальные сети – это область, в которой ИИ процветает. Интернет пользователи используют социальные сети для общения, поиска информации, покупок и даже работы. Соцсети также предоставляют огромный объем данных, который может быть использован для анализа социальных процессов и поведения людей. Однако объем данных так велик, что его обработка и анализ становится трудоемким и затратным процессом. Искусственный интеллект может помочь в решении этой проблемы. Статья посвящена исследованию роли искусственного интеллекта в анализе социальных сетей, освещаются возможности ИИ и проблемы, рассматриваются различные методы анализа и сбора данных, такие как социальное прослушивание, обработка естественного языка, а также система автоматической классификации контента. Использование эвристического подхода к данной проблематике, основанного на ИИ, помогает существенно ускорить процесс обработки данных и снизить затраты на анализ, который выполнялся бы ручным трудом. В результате установлено, что искусственный интеллект имеет большой эвристический потенциал в анализе социальных сетей. Его способность анализировать огромные объемы данных, распознавать паттерны и выявлять тенденции в данных, а также автоматизировать задачи управления социальными медиа делает его ценным инструментом для понимания тенденций и поведения пользователей в социальных сетях. 

Список источников: 
  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).
Поступила в редакцию: 
21.11.2023
Принята к публикации: 
07.02.2024
Опубликована онлайн: 
31.05.2024
Краткое содержание:
(загрузок: 0)