Количественная и качественая методология в эмпирической социологии

Возможно это связано с большим количеством исследователей, которые придерживаются количественных методов.Перспективы объединения качественной и количественной методологииЕдинство количественного и качественного анализа наглядно проявляется при разработке математических моделей. Анализ общества как очень сложной динамической, вероятностной системы предполагает в принципе построение целого комплекса моделей социальных процессов, без которых невозможны обоснованные рекомендации для целей управления. Обычно он становится возможным на довольно высоких ступенях познания, когда основные взаимосвязи, взаимозависимости явлений, тенденции их развития достаточно глубоко изучены.Вся история развития и совершенствования методов (количественного и качественного) этих двух направлений приходит к закономерному этапу – попытке соединить достоинства обоих методов и избежать (или, по крайней мере, свести к минимуму) недостатков. Тем более что прогресс научных технологий последних десятилетий позволяет это сделать.Наиболее с этой точки зрения перспективными, по нашему мнению, являются методы интеллектуального анализа данных, в частности, средства DataMining, в которые входят и более известные в научной литературе искусственные нейронные сети (ИНС). Среди других средств DataMining можно отметить деревья решений (decisiontrees) и самоорганизующиеся карты Кохонена (Cohonenself-organizingmaps). Средства DataMining позволяют одновременно анализировать разнородные (количественные и качественные) данные, неполные (“непредставительные” с точки зрения статистических методов) выборки, анализировать сильно нелинейные связи. За рубежом эти методы уже более десятилетия применяются в экономике, финансах, страховом деле. В последнее время и в России появились работы, направленные на использование средств DataMining при построении моделей экономических систем.Как нам представляется, применение средств DataMining является логичным шагом в развитии методов анализа социальной информации. Известный математик Г. Пятецкий-Шапиро предложил такое определение: «DataMining – это процесс обнаружения в сырых данных ранее не известных, не тривиальных, практически полезных и доступных для интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности». Средства DataMining все чаще стали входить в пакеты статистических программ (например, SPSS и STATA включили их в свои последние версии). Большой удачей российской науки стало создание собственных прикладных программных пакетов средств DataMining для организации исследований, одним из представителей которых является система Deductor (Дедуктор). Deductor – аналитическая платформа, позволяющая создавать законченные прикладные решения. Реализованные в Deductor средства DataMining позволяют на базе единой архитектуры пройти все этапы построения аналитической системы: от создания данных до автоматического построения моделей изучаемого явления и визуализации полученных результатов.Deductor предоставляет аналитикам средства, необходимые для решения самых разнообразных аналитических задач: сегментация, поиск закономерностей, создание вычислительных моделей явления, прогнозирование.В последнее время многие российские ученые прямо указывают на преимущества использования средств DataMining применительно к анализу социальных процессов, но до сих пор в нашей стране крайне мало публикаций по этой тематике, исследования с применением этих технологий – единичны. В качестве примеров исследований социальных систем с помощью средств DataMining авторы могут привести одну из собственных работ, которая посвящена построению количественных моделей семейных отношений, позволяющих прогнозировать продолжительность брака как существующих, так и только образующихся или планируемых семей. Эти модели позволяют вырабатывать также управляющие решения, способствующие увеличению (в общем случае – изменению) продолжительности брака. Работа выполнена при поддержке Российского фонда фундаментальных исследований, сайт проекта находится по адресу. Об уникальных возможностях ИНС при решении различного рода физических задач можно узнать на этом сайте (раздел презентации), а также в работах одного из авторов данной статьи.ЗаключениеПоследнее столетие принесло научному миру достаточно большое количество открытый, которые пошли на благо многих наук, в том числе и социологии. Качественные изменения в разработке различных методов исследования, из применения, сбора данных и анализ приводят к укреплению социологии, как науки. Использование методов, которые обеспечивают наибольшую достоверность данных позволяют социологии позиционировать себя как достаточно точную науку. Здесь не маловажную роль играет и математика, с помощью которой строятся статистические и математические модели, позволяющие подтверждать достоверность данных, полученных в ходе социологического исследования.Количественные и качественные ветви анализа социальной информации развивались параллельно, но в современном мире ни одной из них нельзя отдать приоритет, т.к. и количественный и качественные методы имеют как сильные стороны, так и ограничения. Например, существенным ограничением любой статистической программы является невозможность «внятного» прогнозирования социального процесса. Срез социальной информации достаточно жестко фиксирован в определенный момент времени в прошлом. Любые предсказания останутся на совести аналитика, впрочем, так же как и интерпретация данных статистических расчетов. Наличие неоднородных и сложных взаимосвязей, неизбежно присутствующих в социальных явлениях, нельзя раскрыть с помощью чисто статистических подходов, основанных, главным образом, на концепции усреднения по выборке, которая к тому же должна быть представительной, что не всегда возможно. Статистические методы не позволяют использовать качественную информацию, если ее невозможно строго формализовать. Формализованная же информация неизбежно теряет эмпирическую контрастность. В свою очередь, качественные данные не могут дать целостную картину рассматриваемого явления, уходя от массовости и сосредоточиваясь на отдельном случае или интересуемой группе событий, конкретном аспекте. Возможности лаконичности выражения выводов в этом случае весьма ограничены и это есть ограничения, налагаемые самим методологическим подходом. Вся история развития и совершенствования методов этих двух направлений приходит к закономерному этапу – попытке соединить достоинства обоих методов и избежать (или, по крайней мере, свести к минимуму) недостатков. Тем более что прогресс научных технологий последних десятилетий позволяет это сделать.Список литературыАбруков В.С., Николаева Я.Г. и др. Разработка моделей социальных явлений с помощью средств “DataMining”. В кн.: Социологический диагноз культуры российского общества второй половины XIX – начала XXI вв.: Материалы Всероссийской конференции “Третьи чтения по истории российской социологии” (20–21 июня 2008 г., Санкт-Петербург) / Под ред. В.В. Козловского. СПб.:Интерсоцис, 2008. С. 49–55.Андреева, Г.М. Современная буржуазная социология. – М: Наука, 2015. – 283 с.Барсегян А.А., Куприянов М.С., Степаненко В.В., Холод И.И. Технологии анализа данных: DataMining, VisualMining. TextMining. OLAP. – СПб.: БХВ-Петербург, 2016.Грин Ф. Б. Измерение установки. Математические методы в современной буржуазной социологии. – М.: Прогресс, 2017. – 341 с.Гуттман, Л. Основные компоненты шкального анализа. – СПб.: Питер, 2015. – 102 с.Количественные методы в социологии / Ред. колл. АТ. Аганбегян, Г.В. Осипов, В.Н. Шубкин. М.: Наука, 2016. – 284 с.Круглов В.В., Дли М.И. Применение аппарата нейронных сетей для анализа социологических данных // Социологические исследования. – 2011. – № 9. – С. 112–114.Лазерсфельд, П. Логические и математические основания латентно-структурного анализа. Математические методы в современной буржуазной социологии. – М.: Прогресс, 2017. – 341 с.Лафарг, П. Воспоминания о Марксе. – М.: Дашков и Ко, 2016. – 276 с.Макаров В.Л., Бахтизин А.Р., Бахтизина Н.В. GGE – модель социально-экономической системы России со встроенными нейронными сетями. – М.: ЦЭМИ РАН, 2015.Маркс, К., Энгельс, Ф. Сочинения. Т. 20. – М.: АСТ, 2016. – 492 с.Паниотто В.И., Максименко В.С. Количественные методы в социологических исследованиях. – М.: Просвещение, 2014. – 310 с.Abrukov V.S. and other. Application of Artificial Neural Networks for Solution of Scientifi c and Applied Problems for Combustion of Energetic Materials. In Book “Advancements in Energetic Materials and Chemical Propulsion” / Ed. by Kenneth K. Kuoand Juan Dios Rivera. USA, Connecticut: Begell House, Inc. of Redding, 2007. P. 268–283.Abrukov V.S. and other. Artificial Neural Networks and Inverse Problems of Optical Diagnostics / Proceedings of the 6th International Conference of Intelligent System Design and Applications, Jinan Nanjiao Hotel, Jinan, China October 16–18, 2006. P. 850–855.Bainbridge W. Neural Network Models of Religious Belief // Sociological Perspectives, 1995. Vol. 38, N 4. P. 483–496.Garson G. Neural Networks: An Introductory Guide for Social Scientists. N.C.: North Carolina Publ. 1998Miller J. Survival analysis. New York: Wiley, 1981.Rossi P.H., Berk R.A., Lenihan K.J. Money, work, and crime: Experimental evidence. New York: Academic Press. 1980.http://www.basegroup.ru/http://www.cessi.ruhttp://www.cpc.unc.edu/rlmshttp://www/chuvsu.ru/2008/proekt/htmlhttp:/www.maxqda.com/about/history