СОЦИОДИНАМИКА

Предметом исследования является использование синтетических фокус-групп (СФГ), создаваемых с помощью больших языковых моделей (LLM), в рамках цифровой трансформации социологического анализа. Объектом исследования выступают инновационные методы сбора и интерпретации качественных данных, ориентированные на моделирование групповой дискуссии без участия реальных респондентов. В статье рассматривается эвристический потенциал СФГ, возможности применения метода в условиях ограниченного доступа к респондентам, а также его релевантность для изучения отношения к искусственному интеллекту в сфере высшего образования. Особое внимание уделяется способам организации взаимодействия с языковыми моделями через систему промптов, формированию ролей участников и анализу полученных дискурсивных позиций. В статье также затрагиваются этические и методологические вызовы, возникающие при использовании синтетических участников в исследовательских целях. Методология сочетает теоретический анализ научных публикаций с практическим моделированием СФГ, реализованным с помощью последовательных промптов к языковым моделям и последующей интерпретацией генерируемых данных. Научная новизна работы заключается в апробации метода синтетических фокус-групп (СФГ) как инновационного инструмента сбора качественной информации с использованием генеративных языковых моделей (LLM), таких как Gemini, Qwen, Llama, Deepseek, и Mistral. В исследовании особое внимание уделено моделированию СФГ на основе пользовательских промптов, направленных на изучение отношения студентов и преподавателей к искусственному интеллекту в системе высшего образования. Все использованные модели подчеркивали методологические ограничения СФГ: возможность искажения данных, необходимость четко обозначать синтетическую природу участников и дополнять такие исследования традиционными методами. Подобные методы могут быть полезны в ситуациях, требующих быстрого генерирования гипотез, предварительного тестирования исследовательских сценариев, а также в образовательной и экспертной практике. Вместе с тем, подчеркивается необходимость критического подхода к использованию СФГ, особенно в контексте валидности и репрезентативности получаемых данных.

Современные платформы искусственного интеллекта (ИИ) оказывают значительное влияние на образование, они становятся полноценным инструментом профессиональной деятельности, способным оптимизировать процессы обучения и образовательного администрирования. Внедрение ИИ в сферу образования направлено на повышение эффективности, персонализацию подходов и автоматизацию рутинных задач. Предметом настоящего исследования является применение ИИ-платформ в образовании, их влияние на качество предоставляемых услуг и эффективность учебных процессов в контексте платформенной интеграции. В образовательной сфере рассматриваются ИИ-платформы, включая платформы адаптивного обучения Knewton, DreamBox Learning, Civitas Learning, IBM Watson Education, платформы прокторинга ProctorU, ExamSoft, платформы проверки качества письменных работ Turnitin, Grammarly, платформы оценки творческих работ Edsight и Automated Essay Scoring. В рамках исследования осуществляется обработка данных онлайн-опроса российских экспертов, представляющих ВУЗы из 8 федеральных округов и имеющих опыт работы с данными ИИ-платформами. Применяется метод сравнительного анализа, выявляющий общие и отличительные особенности ИИ-платформ на основе специальных критериев, интегральная оценка которых лежит в основе ранжирования платформ. Научная новизна данного исследования заключается в комплексном анализе применения ИИ-платформ в такой социально значимой области как образование. В отличие от системных подходов Кащук С. М. или Омодан Б., исследование охватывает специальные вопросы автоматизированного принятия решений и оценки его эффективности в реальных условиях. Важным вкладом данного исследования является анализ механизмов адаптации ИИ к индивидуальным потребностям пользователей, что является ключевым фактором успешной платформенной интеграции данных технологий. Экспертный опрос на основе анализа таких специальных критериев как адаптивность, интерактивность, функциональность, эффективность, доступность, интеграция и инновационность по шкале «низкая -умеренная - средняя - высокая» позволяет провести интегральную многокритериальную оценку платформ по совокупности всех критериев, построить рейтинг платформ, выявить наиболее перспективные ИИ-платформы (по интерактивности и инновационности - DreamBox Learning, по адаптивности и функциональности - Knewton), а также обозначить направления преодоления их ограничений.