Научный архив: статьи

Обеспечение безопасности обучающихся является необходимым организационно-педагогическим условием в современной системе образования. Цель исследования - использование искусственного интеллекта для оценки и мониторинга деструктивных форм поведения студентов вуза.
Из пространства социальной сети «ВКонтакте» с помощью системы VK. BARKOV. NET и поисковой системы СЕУС были отобраны пользователи социальной сети ВКонтакте, указавшие в качестве места учебы ПГНИУ (80000 человек). Далее с помощью нейросети осуществлялся поиск информации о вовлеченности пользователей в социальные группы, характеризующиеся деструктивными формами поведения. С помощью системы искусственного интеллекта на основе анализа данных профиля, содержания публикаций и деструктивных групп был выявлен один пользователь, характеризующийся тяжелыми формами деструктивного и саморазрушительного поведения; три пользователя, у которых есть явные признаки склонности к деструктивному поведению средней тяжести. Сравнительный анализ результатов, полученных нейросетью, с результатами анализа маркеров, выделенных экспертами-психологами, показал, что нейросеть выявила четырех пользователей, в свою очередь методика на основе выделенных экспертами-психологами маркеров - пять пользователей. Различие в результатах объясняется тем, что методика, используемая искусственным интеллектом, фиксировала деструктивный контент, в то время как методика экспертов-психологов вместе с тем включала маркеры, связанные с психическим состоянием обучающихся. Описанный подход позволяет оценить потенциальные риски и деструктивные формы поведения у индивида на основе его цифрового следа в социальных сетях.

Рассматривается возможность применения больших языковых моделей для анализа социометрических данных. Авторы обсуждают теоретические основы социометрии, ее связь с сетевым подходом и традиционными методами анализа, а также потенциал больших языковых моделей в обработке и интерпретации социометрических данных. Исследование включает в себя апробацию больших языковых моделей на примере небольшого набора данных, демонстрируя высокую точность и скорость обработки, улучшенную интерпретацию результатов и способность формулировать качественные гипотезы. Полученные результаты свидетельствуют о значительных преимуществах использования больших языковых моделей, таких как эффективная обработка данных, улучшенная интерпретация, комплексный анализ и адаптивность к различным форматам данных. Анализ социальных связей выявил наличие центральных и периферийных групп, а также важность «мостов» между ними. Большие языковые модели также способствуют более точному выявлению лидеров и аутсайдеров, улучшая понимание групповой динамики и взаимодействий. Авторы делают вывод о том, что внедрение больших языковых моделей значительно расширяет аналитические возможности социометрии, открывая новые перспективы для развития количественных методов анализа межличностных отношений в социологии. Кроме того, использование больших языковых моделей позволяет улучшить прогнозирование изменений в социальных сетях и выявление скрытых паттернов, что важно для понимания эволюции социальных групп. Тем не менее подчеркивается необходимость валидации результатов и учета этических соображений при использовании искусственного интеллекта в анализе социальных отношений. Приведены примеры успешного применения больших языковых моделей. Показаны перспективы дальнейших исследований в данной области, а также интеграция с другими методами анализа социальных сетей и данных.