WWW.KONF.X-PDF.RU
БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА - Авторефераты, диссертации, конференции
 


Pages:   || 2 | 3 | 4 | 5 |   ...   | 28 |

«СОЦИОЛОГИЯ И BIG DATA КОНЦЕПЦИЯ БАЗ ДАННЫХ И ОБЛАЧНЫЕ ТЕХНОЛОГИИ В Большакова Ю. М. СТРАТЕГИИ ПРОДВИЖЕНИЯ ИНТЕГРИРОВАННЫХ КОММУНИКАЦИЙ БИЗНЕСА Васянин М. С. ВЗАИМОДЕЙСТВИЕ СОЦИОЛОГИИ И ...»

-- [ Страница 1 ] --

V социологическая Грушинская конференция

«БОЛЬШАЯ СОЦИОЛОГИЯ: расширение пространства данных»

12–13 марта 2015 г., МОСКВА

МАТЕРИАЛЫ КОНФЕРЕНЦИИ

СОЦИОЛОГИЯ И BIG DATA

КОНЦЕПЦИЯ БАЗ ДАННЫХ И ОБЛАЧНЫЕ ТЕХНОЛОГИИ В

Большакова Ю. М. СТРАТЕГИИ ПРОДВИЖЕНИЯ ИНТЕГРИРОВАННЫХ

КОММУНИКАЦИЙ БИЗНЕСА

Васянин М. С. ВЗАИМОДЕЙСТВИЕ СОЦИОЛОГИИ И БОЛЬШИХ ДАННЫХ

СЕТЕВОЙ ИНФОРМАЦИОННЫЙ РЕСУРС «ФОМОГРАФ»: ОТ

Галицкий Е. Б. АНАЛИЗА ДАННЫХ ОПРОСА К НАКОПЛЕНИЮ ЗНАНИЙ О ГРУППАХ

РЕСУРСНОЙ ТИПОЛОГИИ

Дмитриев А. ЧТО ТАКОЕ BIG DATA И ОСНОВНЫЕ СФЕРЫ ПРИМЕНЕНИЯ Колесниченко О. Ю.,

БОЛЬШИЕ ДАННЫЕ: СОЦИАЛЬНЫЕ ВЫЗОВЫ

Смородин Г. Н.

Константинов А. О.,

ОБ ИСПОЛЬЗОВАНИИ BIG DATA В СОЦИОЛОГИИ

Швецова Т. С.

Киселев Е. А. BIGDATA В ИССЛЕДОВАНИИ ПОТРЕБИТЕЛЬСКОГО ПОВЕДЕНИЯ.

Лебедев П. А., Шурыгина Д. А. АНАЛИТИКА ДАННЫХ РЕЗЮМЕ И ВАКАНСИЙ

ОСОБЕННОСТИ ПОДГОТОВКИ ДАННЫХ О СОБЫТИЯХ

Митрофанова Е. С.,

ЖИЗНЕННОГО ПУТИ К АНАЛИЗУ ПРОДВИНУТЫМИ

Артамонова А. В.

СТАТИСТИЧЕСКИМИ МЕТОДАМИ

ИСПОЛЬЗОВАНИЕ МЕТОДОЛОГИИ DATA MINING ПРИ РЕШЕНИИ

Мосягин А. Б.

ЗАДАЧ ОБРАБОТКИ СОЦИАЛЬНЫХ ДАННЫХ

Одинцов А. В. СОЦИОЛОГИЯ ОБЩЕСТВЕННОГО МНЕНИЯ И БОЛЬШИЕ ДАННЫЕ 41 Романова Е. Ю., ТЕХНОЛОГИИ И СТРАТЕГИИ ПРИМЕНЕНИЯ «BIG DATA»: ВЗГЛЯД Балашова Н. А. БИЗНЕС-ИНФОРМАТИКА

R+PYTHON, ИЛИ ЧТО ДОЛЖЕН УМЕТЬ ДЕЛАТЬ СОЦИОЛОГ С

Смирнов В. А. 45

ДАННЫМИ В ЭПОХУ «BIG DATA»

СОЦИAЛЬНЫЕ СЕТИ И ОНЛАЙН СООБЩЕСТВА КАК ИСТОЧНИК ДАННЫХ О СОЦИАЛЬНОМ

ПОВЕДЕНИИ

ВЫЯВЛЕНИЕ ЛИДЕРОВ ОБЩЕСТВЕННОГО МНЕНИЯ В

Абрамов М. В., Венерина О. Г. 49

СОЦИАЛЬНЫХ СЕТЯХ

ИССЛЕДОВАНИЯ РАЗЛИЧНЫХ ПРОЯВЛЕНИЙ РЕЛИГИОЗНОСТИ В

СО

–  –  –

V социологическая Грушинская конференция «БОЛЬШАЯ СОЦИОЛОГИЯ: расширение пространства данных» Москва, 2015 Степанова Е. И., ВОСПРИЯТИЕ СОВЕТСКОГО ПЕРИОДА И ДВАДЦАТИЛЕТИЯ Саганенко Г. И., Чупахина Ю. РОССИЙСКОЙ РЕАЛЬНОСТИ РАЗНЫМИ ПОКОЛЕНИЯМИ Тенишева К. А., (РАС)СОГЛАСОВАНИЕ РОДИТЕЛЬСКИХ И ДЕТСКИХ ВЗГЛЯДОВ НА

–  –  –

БОЛЬШАКОВА Ю. М. – к. п. н., доцент Санкт-Петербургского государственного экономического университета.

Процесс масштабирования ИТ-инфраструктуры бизнеса, расположенной на площадке предприятия, может быть медленным, и организациям часто не удаётся достичь оптимального уровня использования ИТ-инфраструктуры.

Облачные технологии – это смена парадигмы, которая обеспечивает поддержку вычислений с использованием интернета. Сервис облачных вычислений состоит из высоко оптимизированных и виртуализированных центров обработки данных, обеспечивающих предоставление различных программных, аппаратных и информационных ресурсов, когда их использование оказывается необходимым [1].

Бизнес может подключаться к вычислительному облаку, чтобы использовать доступные ресурсы и оплачивать только фактически потребляемый объём услуг. Это помогает компаниям избегать капитальных затрат на установку дополнительных элементов инфраструктуры на своих площадках, а также мгновенно увеличивать или уменьшать объём используемых вычислительных ресурсов согласно своим бизнес-требованиям [2]. Гибридная облачная среда представляет собой сочетание частной и общедоступной моделей интегрированных коммуникаций. В гибридной облачной среде отдельные ресурсы выполняются или используются в общедоступной облачной среде, а другие – на площадке заказчика, в частной облачной среде. Это обеспечивает повышение эффективности.

Нефтяная отрасль, индустрия путешествий являются достаточно изменчивыми отраслями экономики, зачастую сталкивающиеся с глобальными вызовами, бизнес трактует это как: «вся эта затея – игра с очень высокими ставками», «отличительная особенность нашего бизнеса – это технологии, которые мы используем», «нам нужен способ продвижения в этом направлении и быстрого развёртывания подобной системы».

В каждом из этих случаев залогом успеха интегрированных коммуникаций было использование облачных вычислений, а именно – общедоступной облачной среды, новой парадигмы разработки приложений и обработки больших объёмов данных.

Рассмотрим данные влияния облачных услуг на IT-бюджет фирмы (рис. 1) по результатам социологического опроса «The hidden truth about cloud spending», опубликованного в 2011г.

[1]: 55% респондентов отметили, что затраты выросли – на виртуализацию данных; 51% – на обеспечение IT-безопасности; 50% – на соответствие стандартам и управление, сетевое оборудование; 44% – на использования серверов; 43% опрошенных подчеркнули, что затраты выросли на сетевое программное обеспечение (ПО), хранение данных, серверное обслуживание ПО; 32% респондентов отметили, что затраты уменьшились за счёт внедрения облачных услуг в направлении серверного обслуживания, 20% отметили снижение затрат за счёт использования серверного ПО, 19% – за счёт использования коммерческого ПО, 18% V социологическая Грушинская конференция «БОЛЬШАЯ СОЦИОЛОГИЯ: расширение пространства данных» Москва, 2015 респондентов отметили, что затраты уменьшились за счёт внедрения программ повышения производительности ПК.

–  –  –

Существует несколько серьёзных стратегических установок для переноса бизнеса любой компании в облачную среду.

Первая причина – масштабирование, когда бизнес может свободно масштабировать используемые ресурсы.

Вторая причина – эластичность, организация получает возможность использовать невероятный набор инструментов для выполнения анализа данных, обработки графики, потокового вещания видео и решения любых других задач.

И третья – доступ бизнеса к базам данных и расчётам в реальном времени. На вашем устройстве всё происходит в реальном времени, что позволяет вам принимать решения.

Последняя причина носит принципиальный характер, речь идёт о переходе от приобретения ИТоборудования для проектов с целью последующего использования на своих площадках – к модели, в которой вы приобретаете услугу по мере её использования. Пользователь имеет доступ по мере необходимости, и это обеспечивает большую гибкость с точки зрения прибыли и убытков – такова модель операционной деятельности многих компаний во всём мире.

Рассмотрим практику интегрированных коммуникаций для использования цифровых услуг в современном мире (рис. 2); так, в 2010 г. бизнес в основном использовал не облачные технологии в объёме 22 зетабайт.

–  –  –

Рисунок 2 – Анализ использования цифровых услуг в современном мире, 2014 г. [cм. 1] Рассматривая расходы современного бизнеса на IT-безопасность, следует отметить, что с 2008 по 2012 гг. они увеличились на 74%; по данным компании «SG Cross Assert Research», основные статьи расходов на безопасность – это обеспечение защиты на уровне пользователя (5,4 млрд долл. США в 2012 г.), корпоративная безопасность (4,4 млрд долл. США в 2012 г.) резервное хранение и восстановление данных (4,4 млрд долл. США в 2012 г.), см. подробные данные на рис. 3.

–  –  –

V социологическая Грушинская конференция «БОЛЬШАЯ СОЦИОЛОГИЯ: расширение пространства данных» Москва, 2015 Самое последнее новшество – это социальные сети. Можно утверждать со всей определённостью, что социальные сети с течением времени могут стать крупнейшим или одним из крупнейших трендов в интегрированных коммуникациях, поскольку они дают возможность людям объединяться в группы, обмениваться информацией и совместно работать над решением различных задач. Обеспечение более эффективных возможностей для обмена данными между людьми и их совместной работы всегда служило фактором эволюции технологий во всем мире, а социальные сети – это нечто совсем новое. Облачная среда предоставляет множество возможностей и преимуществ для решения проблемы злоумышленников.

Компании «Microsoft», «Google», «Salesforce» и другие поставщики услуг доступа к облачным средам могут реализовать множество сервисов и технологий безопасности, сконцентрировать для этой цели усилия лучших сотрудников на всей планете. Компании, подробные «Google», «Microsoft» и «Salesforce», способны предоставлять услуги защиты данных своим клиентам, которые используют Gmail и Документы Google. Важнее всего то, что эти компании имеют мотивацию обеспечивать более высокий уровень открытости при появлении проблем, которые они могут обсудить друг с другом и клиентами, чтобы понять суть возникших проблем и возможные способы их решения.

–  –  –

ВАСЯНИН М. С. – кандидат социологических наук

, доцент кафедры «Социология и управление персоналом» ФГБОУ ВПО «Пензенский государственный университет».

E-mail:

mihail.vasyanin@gmail.com.

Считается, что термин «Big Data» впервые использовал главный научный сотрудник компании «Silicon Graphics Inc.» Джон Мэши на конференции USENIX Association в 1998 г., но интерес к данному понятию резко повысился только после публикаций в журнале «Nature» в сентябре 2008 г., где обсуждались проблемы, вызванные ростом объёмов данных, получаемых в процессе проведения современных научных экспериментов. Однако содержательные истоки Big Data можно проследить ещё в 1940-е годы, когда отмечалось, что фонд университетских библиотек рос с невероятной скоростью, удваиваясь каждые шестнадцать лет [1].

За прошедшие с этого момента годы данный термин стал использоваться с такой невероятной интенсивностью, что, ещё, не будучи достаточно понят, стал вызывать негативную эмоциональную реакцию у некоторых специалистов. Как отмечает компания «Gartner Inc.», изучая популярность различных технологических терминов, сначала происходит довольно резкий всплеск шума вокруг новой технологии, потом столь же резкое падение интереса и V социологическая Грушинская конференция «БОЛЬШАЯ СОЦИОЛОГИЯ: расширение пространства данных» Москва, 2015 разочарование. И только потом возможно начинается реальное массовое внедрение. Так вот сейчас термин «Big Data» находится на пике популярности. А это значит, что через 5–10 лет эти разработки, возможно, будут массово распространяться [2].

Вместе с тем, до сих пор нет единого понятия термина «Big Data», который к тому же часто называют новым подходом в получении знаний. Отмечается, что слово «big» в названии подхода не совсем корректное, т. к. данные не бывают «большими» (big), а бывают лишь «длинными» (long) и «широкими» (wide)». «Длина» данных определяется количеством доступных для анализа наблюдений конкретного фактора. «Ширина» же данных говорит о количестве функциональных зависимостей, существующих между различными факторами.

Эти две характеристики, определяющие, насколько «большими» данными располагает исследователь, работают прямо противоположно. Чем «длиннее» данные, тем лучше – тем точнее алгоритм будет предсказывать значимость конкретного фактора. «Ширина» же данных приводит к серьёзным проблемам с вычислением. Поэтому ограничивать «ширину»

предлагается экспертам из числа людей [3].

Big Data можно определить как подход в получении нового знания через анализ больших массивов данных. Уже сейчас данный подход используется в различных отраслях для прогнозирования будущего.

Но нас интересует взаимодействие социологии и Big Data, а именно то, как повлияет новый подход на получение социальных знаний. Виктор Майер Шенбергер и Кеннет Кукьер отмечают, что «в мире больших данных мы можем проанализировать огромное количество данных, а в некоторых случаях – обработать все данные, касающиеся того или иного явления, а не полагаться на случайные выборки… Используя все данные, мы получаем более точный результат и можем увидеть нюансы, недоступные при ограничении небольшим объёмом данных. Большие данные дают особенно чёткое представление о деталях подкатегорий и сегментов, которые невозможно оценить с помощью выборки».

Второй особенностью нового подхода, по мнению авторов, является то, что можно снизить претензии к точности, на которую был сделан упор в анализе «малых данных». «В мире больших данных строгая точность невозможна, а порой и нежелательна. Если мы оперируем данными, большинство которых постоянно меняется, абсолютная точность уходит на второй план».

И, наконец, новый подход приводит к отказу от поиска причинности. «В мире больших данных мы больше не обязаны цепляться за причинность. Вместо этого мы можем находить корреляции между данными, которые открывают перед нами новые неоценимые знания.

Корреляции не могут сказать нам точно, почему происходит то или иное событие, зато предупреждают о том, какого оно рода. И в большинстве случаев этого вполне достаточно» [4].

В книге авторов «Большие данные. Революция, которая изменит то, как мы живем, работаем и мыслим» приводится много примеров в доказательство изложенных принципов нового подхода.

Из примеров российского опыта использования подхода «Big Data» в прогнозировании будущего социального поведения можно привести пример того, как был предсказан победитель шоу «Голос» на Первом канале российского телевидения с помощью анализа упоминаний того или иного участника в сети Интернет обычными пользователями. При этом здесь была построена гипотеза о том, что «лидер по итогам голосования, окажется и лидером по количеству обсуждений в социальных медиа». Таким образом, даже субъективные мнения, которые часто мы получаем в ходе опросов, можно анализировать с помощью подхода «Big Data», хотя до сих V социологическая Грушинская конференция «БОЛЬШАЯ СОЦИОЛОГИЯ: расширение пространства данных» Москва, 2015 пор встречаются мнения об обязательной объективности данных, используемых в новом подходе [5].

Таким образом, использование подхода «Big Data» при анализе субъективных мнений будет возрастать с уменьшением количества людей, которые не пользуются интернетом.

Сейчас, единственное ограничение в использовании Big Data накладывается на выявление мнений старшего поколения, но уже через одно-два поколения всё население так или иначе будет пользоваться социальными медиа. Именно, социальные медиа дают нам богатый материал для анализа поведения людей. Как итог, теперь главным становится не столько умение строить выборку и выбирать правильный метод, сколько знание того, как собрать и обработать объективные данные. А это уже скорее дело не столько социолога, сколько программиста. Уже сейчас анализировать социологические данные исследователям помогают различного рода программные продукты. В скором же времени предстоит наладить получение этих данных без помощи социологов.

Так что же остаётся делать социологам, если в будущем их профессия может встать в один ряд с исчезнувшими в один миг профессиями машинисток и чертёжников? Ответ может заключаться в том, что социологи будут выступать в роли экспертов, ограничивающих «ширину данных», о которой мы говорили выше. Но скорее всего это задача статистов, которые и сейчас занимаются практически тем же самым.

Главное заблуждение, как нам кажется, состоит в том, что теперь, по словам Виктора Майера Шенбергера и Кеннета Кукьера, становится неважным анализ причинно-следственных связей. Цель познания как раз и состоит в том, чтобы понять, почему происходит то или иной действие, и оно тесно связано с человеческой психикой, которое будет стремиться найти эту причинно-следственную связь. Ведь существуют в математике теоремы, которые не доказаны и многими используются, но, как мы можем наблюдать, время от времени пытливый ум старается и не безуспешно доказать их. Хотя, стоит признать, это скорее исключение, нежели правило. А для выявления причинности в социальных явлениях не обойтись без использования качественных методов социологии. Ещё более важным условием выдвижения на первый план в социологии качественных методов станет то, что для получения нового знания, по мнению многих, теперь не нужно строить гипотез. Анализ «Big Data» будет давать нам такие связи, о которых мы раньше и не могли догадаться. Т. е. неимоверно возрастёт количество новых корреляций, которые социологам как раз и предстоит объяснить. По нашему же мнению, получение таких связей в свою очередь может привести к тому, что будет выдвигаться ещё больше гипотез, которые необходимо будет снова проверять.

Именно совершенствование использования качественных методов, как мы считаем, станет главной задачей социологов при анализе социального поведения людей.

Количественные же данные можно оставить для подхода «Big Data». Другой вопрос, от которого будет зависеть будущее практических социологов, состоит в том, насколько быстро будут распространяться алгоритмы, позволяющие анализировать большие данные. А это в свою очередь, будет зависеть от стоимости и от сложности использования подхода «Big Data». И скорее всего ещё долгое время данный подход будет соседствовать с традиционным сбором данных посредством построения выборки, проведения опроса и анализом ответов. Да к тому же, данные, получаемые в ходе опросов, уже сами по себе становятся «большими данными», к которым может быть применим подход «Big Data».

Литература

V социологическая Грушинская конференция «БОЛЬШАЯ СОЦИОЛОГИЯ: расширение пространства данных» Москва, 2015 1 Gil Press. A Very Short History of Big Data //Форбс.

URL:

http://www.forbes.com/sites/gilpress/2013/05/09/a-very-short-history-of-big-data/.

2 Шириков А. Big Data – самый надоевший термин 2013 года // Slon. URL:

http://slon.ru/biz/1026116/.

3 Карелов С. Долой Шерлока Холмса. Как победить на рынке BIG DATA // Slon. URL:

http://slon.ru/biz/1036183/.

4 Шенбергер В. М., Кукьер К. Большие данные. Революция, которая изменит то, как мы живем, работаем и мыслим. – М.: Манн, Иванов и Фербер, 2014.

5 Социальные сети как инструмент прогнозирования и оперативной социологии // Хабрахарб. URL: http://habrahabr.ru/sandbox/56991/.

–  –  –

ГАЛИЦКИЙ Е. Б. – кандидат экономических наук, доцент, начальник лаборатории анализа данных ООО инФОМ, доцент кафедры Маркетинга фирмы НИУ ВШЭ. E-mail: galitskiy@fom.ru.

Практически всегда, а в особенности – в периоды кризисов, многие компании остро нуждаются в готовой информации, которая помогла бы им сегментировать рынок, выбрать целевые группы и узнать их особенности, позволяющие разработать эффективную стратегию взаимодействия. Такая информация особенно необходима сегодня отечественным производителям. В условиях санкций и антисанкций для них открылись уникальные возможности по освоению российского рынка, но при этом права на ошибку у них нет.

Учитывая такую необходимость, ФОМ разместил на своём сайте в свободном доступе сетевой информационный ресурс «Фомограф» (http://fomograph.fom.ru/), содержащий обширную и постоянно пополняемую информацию о группах и подгруппах ресурсной ФОМтипологии – сегментации российского населения 18+ по объёму и структуре разного рода ресурсов. Мы сконцентрировали своё внимание, прежде всего, на ресурсной типологии россиян, поскольку согласно многим отечественным и зарубежным исследованиям, объём ресурсов – ключевой источник различий в образе жизни, взглядах, потребительских привычках и предпочтениях людей. Методика построения этой типологии, базирующаяся на специальном сочетании категориального метода главных компонент, методов кластерного анализа и деревьев классификации, подробно описана в журнале «СОЦИС», эта публикация [1] признана лучшей статьёй журнала в разделе «Методические проблемы социологии» за 2012 г (см.: http://www.isras.ru/socis_best_2012.html). В ней, в частности, приведены данные о том, на сколько баллов перемещается человек по 100-балльной шкале комплексного ресурса, если устраивается работать на ту или иную должность предприятия той или иной отрасли, если получает диплом об окончании вуза, если переезжает жить в другой населённый пункт и т. д.

Особенностью ресурсной ФОМ-типологии является то, что пять её групп («A. Высокоресурсные работники», «B. Среднересурсные работники», «C. Низкоресурсные работники», «D. Среднересурсные пенсионеры» и «E. Низкоресурсные пенсионеры») складываются из 15-ти подгрупп, каждую из которых отличает определённое сочетание V социологическая Грушинская конференция «БОЛЬШАЯ СОЦИОЛОГИЯ: расширение пространства данных» Москва, 2015 нескольких ресурсных переменных, оказавшихся в данном случае ключевыми. Например, группа B состоит из пяти подгрупп. Четвёртая из них (подгруппа b 4 ) - называется «Обеспеченные и малообеспеченные городские рабочие, служащие, и неработающие из необразованных семей». Её представители обладают одновременно четырьмя признаками. Проживают они либо в городах, либо в посёлках городского типа, но не в сёлах. Высшего образования нет не только у них самих, но и у членов их семей. По роду занятости это либо рабочие, либо служащие, либо не работающие (но не пенсионеры). Материальное положение их семей достаточно для покупки, по крайней мере, одежды и обуви.

Наличие такого рода простых и однозначных правил распределения между подгруппами ФОМ-типологии позволяет говорить о своего рода мозаичной структуре взрослого населения страны. Благодаря этому практически каждый очередной опрос ФОМ вносит свой вклад в копилку знаний о группах и подгруппах ресурсной ФОМ-типологии. А в сочетании с данными государственной статистики о численности взрослого населения страны и регионов можно оценить число представителей той или иной группы и подгруппы как в стране в целом, так и в каждом субъекте Российской Федерации.

Объём знаний о группах и подгруппах ресурсной ФОМ-типологии еженедельно пополняется с 2010 г. данными репрезентативных опросов ФОМ. Благодаря удобному webинтерфейсу пользователь может в удалённом режиме найти в списке тем и вопросов базы интересующий его показатель (например, склонность приобретать определённые товары), выбрать в качестве целевых одну или несколько подгрупп с наибольшим значением этого показателя в абсолютном или относительном измерении, а затем ознакомиться с кратким описанием этих подгрупп, с её наиболее важными и статистически значимыми особенностями, а также оценить их долю и численность в каждом субъекте Российской Федерации.

Ресурсная ФОМ-типология разработана автором совместно со старшим специалистом ООО инФОМ С. А. Рапопорт при участии к. ф. н., управляющего директора ФОМ Е. С. Петренко, комплексная методика многомерного анализа данных создана совместно с начальником отдела обработки и анализа данных ООО инФОМ, доцентом кафедры маркетинга фирмы НИУ ВШЭ Е. Г. Галицкой. Программная реализация web-приложения «Фомограф» разработана специалистом ООО инФОМ И. В. Черновой. На сегодняшний день доступен онлайн-анализ данных по 76 темам, база содержит сведения об ответах респондентов на 871 вопрос, по многим из которых демонстрируется динамика. Таким образом, современные информационные технологии делают зрение исследователя и практика многомерным, позволяют ему перейти от анализа данных одного социологического опроса, специально спроектированного под решение тех или иных задач, к изучению самых разных сторон жизни выбранных им социальных групп населения, численность и расселение которых становятся известны, благодаря сочетанию данных репрезентативных опросов с данными государственной статистики.

–  –  –

«ФОМография» и ресурсная дифференциация российского общества // СОЦИС.

2012. № 10. С. 131–142.

URL: http://www.isras.ru/files/File/Socis/2012_10/Galitskaya.pdf.

–  –  –

ДМИТРИЕВ Александр Станиславович – Ведущий Системный Архитектор IBM, MBA, Warwick University (Warwick Business School). E-mail: admitriev@ru.ibm.com mexican2000@mail.ru.

–  –  –

Big Data – новый, не устоявшийся ещё термин в сфере информационных технологий.

Мнемонически принято считать Big Data обладающим четырьмя особенностями, на английском – 4V: Volume, Velocity, Variety, Value, т. е. большими объёмами, скоростью их возникновения, разнообразием и внутренним ценным смыслом.

Тема «Big Data» напрямую связана с появлением таких объёмов данных, для обработки которых в настоящее время нет адекватного инструментария.

Вторым важным моментом является не то, что такого инструментария нет в принципе, важно, что для той или иной отрасли, фирмы, конкретного случая такой инструментарий может отсутствовать, либо на его приобретение/создание нужны недоступные в конкретном случае ресурсы.

Таким образом, задача по решению проблемы «Big Data» сводится к следующим положениям:

1 обработка больших массивов данных в режиме, соответствующем скорости бизнес-процесса 2 полученные результаты должны иметь практическое для бизнеса значение и давать при принятии решений конкретные конкурентные преимущества, Итак, речь идёт о создании новых рынков сбыта и новой индустрии производства.

–  –  –

Решения для рынка и возможности в них для социологии

Рассмотрим три важных направления:

V социологическая Грушинская конференция «БОЛЬШАЯ СОЦИОЛОГИЯ: расширение пространства данных» Москва, 2015 1 маркетинг (формирование предложений на основе учёта вкусов, предпочтений и персональной истории клиента/групп клиентов, 2 финансовый сектор (отслеживание кредитной истории, обоснование выделений финансовых ресурсов, борьба с мошенничеством), 3 социальный сектор (отслеживание предпочтений тех или иных групп населения, отслеживание формирования новых социальных образований, возможность влияния на эти группы).

Что касается маркетинга, это задача, связанная с отслеживанием предпочтений потенциальных клиентов и их персональной истории.

Остаются открытыми следующие вопросы:

–  –  –

Есть и более сложные проблемы, в первую очередь речь идёт о правильной постановке задачи техническим исполнителям, создателям инструментария для обследования.

Классическому социологу необходимо разбираться не только в статистических методах, но и в методах получения, обработки и анализа данных, равно как и механизмов ИТ-индустрии вообще. Наиболее важным, видимо, будет понимание модели «облачных решений», как одной из перспективных форм предоставления сервисов, в ходе реализации которых могут собираться данные о респондентах.

Проблемой является также искажение результатов (или проблемы интерпретации).

Методологически определение «поправки» на интернет-искажение (назовём это так) – весьма сложная задача, которая пока так же не решена.

3. Общая архитектура решения Big Data При работе с традиционными массивами данных заранее известно, в каких единицах измеряются наши данные, что из себя представляют, что мы хотим из них извлечь. При работе с Big Data заранее неизвестно, какие зависимости будут обнаружены в многоформатном, постоянно поступающем в реальном времени массиве данных. Это различие в подходах в литературе называется обычно «Information Architecture Paradigm Shift».

Вторым принципиальным отличием является то, что в традиционных массивах данные как бы «загружались» в аналитический инструментарий для их анализа, а в Big Data аналитический инструментарий «приближается» к данным, встраивается непосредственно в механизмы получения и обработки информации таким образом, чтобы обрабатывать их «на лету», максимально быстро.

Типы данных для обработки при работе с Big Data подразделяются на целый ряд отличающихся категорий, в которых необходимо разбираться.

4.Необходимые технологические элементы: вычислительные ресурсы, "датчики" для сбора данных, каналы передачи информации, обрабатывающие программы, инструменты передачи обратной связи (порталы, целевая рассылка и пр.) В этом разделе дается описание элементов компьютерной системы, работающей с большими данными, собираемыми в реальном режиме времени.

V социологическая Грушинская конференция «БОЛЬШАЯ СОЦИОЛОГИЯ: расширение пространства данных» Москва, 2015

5. Поддерживающие механизмы (облачная инфраструктура, необходимый сервис) В этом разделе рассматриваются варианты «облачных» решений для понимания того, с кем и когда придётся сотрудничать социологам при работе в подобных проектах.

Рисунок 1 – Роли в поддержке облачного решения. Жизненный цикл решения.

Материалы IBM На разных этапах создания «облачного» решения им занимаются разные люди, либо одни и те же люди, выступающие в разных ролях.

При составлении опросников, либо вариантов получения обратной связи в другой форме, необходимо будет ставить задачи разработчикам решения, тесно общаться с теми, кто будет, собственно, получать эти данные. Не понимая суть процесса получить положительный результат затруднительно.

Между источником данных и социологом-рецепиентом, если можно так выразиться, пролегает огромная технологическая структура. Принципы её организации и работы желательно понимать, чтобы не получить искаженных результатов.

6. Дополнительные необходимые аспекты: обеспечение очистки данных и соблюдение единства форматов Понимание форматов данных, существующих при работе с «Big Data», а также типов программного обеспечения для работы с ними, может существенно облегчить задачу их V социологическая Грушинская конференция «БОЛЬШАЯ СОЦИОЛОГИЯ: расширение пространства данных» Москва, 2015 очистки, трансформации, анализа. В этом разделе даются общепринятые типы/форматы данных и программного обеспечения, работающего с ними.

Категоризация и понимание форматов данных является важнейшим условиям обеспечения правильного методологического подхода при социологических исследованиях.

7. Обеспечение защиты (надёжность, непрерывность и т. д.), в т. ч. шифрации данных, этические аспекты Вопросы обеспечения защиты данных, которыми обычно занимаются ИТ-специалисты в области безопасности, а также специалисты по построению защищённых от различных воздействий (катастроф, сбоев электропитания, человеческих ошибок и т. д.), касаются и социологов при работе с «большими данными».

Одной из основных проблем является обеспечение защиты полученных данных, а также результатов анализа. Соблюдение режима анонимности при определённых исследованиях обязательно для социологов, особенно если это касается возможных негативных последствий для респондента. Последствия же неверного решения могут быть весьма печальными.

Резюме:

Так называемые решения в области «больших данных» (Big Data) являются качественным скачком в возможностях работы с данными. В первую очередь появилась возможность получения в режиме реального или близкого к реальному времени огромного количества разнообразных данных об окружающей нас реальности и извлечения из этого потока неожиданно полезной информации. Однако эти новые возможности ставят целый ряд достаточно сложных задач, связанных как с техническими особенностями проведения исследований на основании сложных компьютеризированных систем, так и с этическими аспектами.

Основные рекомендации для успешного решения выдвигаемых задач – это тесное сотрудничество с техническими специалистами по сложным системам и сочетания так называемых «инновационных» и традиционных методов социологии для контроля полученных результатов.

–  –  –

КОЛЕСНИЧЕНКО О. Ю. – PhD, главный редактор электронного Бюллетеня «Анализ безопасности».

СМОРОДИН Г. Н. – PhD, MBA, hуководитель Академического партнёрства ЕМС в России и СНГ.

V социологическая Грушинская конференция «БОЛЬШАЯ СОЦИОЛОГИЯ: расширение пространства данных» Москва, 2015 Феномен больших данных – Big Data – является новым явлением в истории цивилизации и, в частности, социальных наук. До достижения в инновационном цикле по кривой Гартнера плато предельной продуктивности «Big Data» с точки зрения ИТ-специалистов осталось 5–10 лет [1]. На данном этапе по кривой Гартнера феномен «Big Data» уже прошел пик сверх ожиданий.

Однако, по мнению исследователей феномена «Big Data» [2], это правомерно с точки зрения технологий хранения и обработки данных, но не с точки зрения взаимодействия феномена «Big Data» с социумом. Обладать набором ИТ-инструментов для анализа Big Data – это только первый шаг.

Можно выделить три фундаментальные проблемы, связанные с Big Data:

1 Недостаток воображения;

2 Непонимание применения;

3 Морально-этические проблемы.

Даже если вы владеете самыми современными ИТ-программами, остаются вопросы – насколько ваше воображение позволяет вам взглянуть на Big Data с нужного уровня понимания проблемы, как вы можете применить новые знания и какие моральные и этические аспекты жизни человека это затронет?

Любая социальная тема, которая будет подвергаться изучению в масштабе Big Data, неизбежно будет носить черты пространственно-временной структуры. Хотя именно эта базовая характеристика Big Data – пространственно-временная структура – до сих пор мало изучается. В большинстве случаев от анализа Big Data ожидают выявления новых закономерностей, которые раньше было невозможно обнаружить. А также, возлагают большие надежды на построение точных прогнозов для любых сфер жизнедеятельности человека, говоря о критической важности скорости обработки больших данных – Fast Data.

Феномен «Big Data» как явление информационной глобализации можно считать фактором, который будет менять мировоззренческие установки в социуме [3]. Но, остаётся открытым вопрос – наше понимание социальных процессов будет меняться из-за того, что мы сможем больше узнать и рассмотреть более масштабную картину благодаря Big Data, или же наше понимание социальных процессов будет меняться в тесной зависимости от интеграции информационных технологий в жизнь социума? Ведь «информационная тень» или «информационные следы», которые в наши дни каждый человек оставляет за собой, становятся всё больше и больше. И это не только всё более подробные данные о каждом человеке, записанные на серверы, но и высказывания, мнения, предпочтения и т. п., индуцированные влиянием ИТ-технологий.

Анализируя Big Data, мы столкнёмся в будущем с необходимостью внедрения такого понятия, как «Big Frame» – большая структурно-функциональная организация любых изучаемых систем. Big Frame будет представлять собой оптимальную организацию той или иной системы (из разных сфер жизнедеятельности социума), которая имеет функции, определяемые только в масштабе большой структуры.

Человек является биологической системой, а социум по сути также относится к категории биологической системы. Любая биологическая система наделена качеством стремиться к оптимальности, а также может подвергаться трансформации и стрессу. Соответственно, говоря о Big Frame в рамках социума, следует ожидать выявления таких характеристик большой структуры, как Optimal Frame (эталонная большая структурно-функциональная организация V социологическая Грушинская конференция «БОЛЬШАЯ СОЦИОЛОГИЯ: расширение пространства данных» Москва, 2015 изучаемой социальной системы и критерии её оптимальности), Frame Transformation (процессы и векторы её трансформации), Frame Stress (характеристики большой структурнофункциональной организации изучаемой социальной системы в условиях стрессовых нагрузок и нестабильности), Frame Adaptation (её постстрессовое адаптированное состояние и последствия этого явления).

С другой стороны, мы будем выявлять такие пространственно-временные Big Frame, функциональное значение которых для социума нам будет непонятно. И в этом кроется главная интрига феномена «Big Data». Это касается особенно таких явлений, как агрегация в рамках того или иного социального процесса, хранение информации о пространственно-временной конфигурации и нелинейное групповое взаимодействие.

Такие явления в биологии не считаются простой суммой поведения индивидов, а они обусловлены сложными взаимодействиями, как внешними, так и внутренними, суть которых не всегда понятна и раскрыта. Также надо учитывать, что сама по себе глобальная информационная среда оказывает сильное трансформирующее воздействие на все социальные процессы, что отразится на любой выявленной Big Frame. Т. е., анализируя Big Data, мы не изучаем социум отдельно от информационной среды, а изучаем социум в процессе его слияния с информационными технологиями [4].

Информационная эра меняет рынок труда и запрос на подготовку востребованных специалистов [5]. Информационные технологии применяются для экономического и политического давления на те или иные государства [6, 7]. В связи с этим благополучие социума становится полностью зависимым от эволюции информационной эры. Необходимо понимание, как социум интегрируется с ИТ-технологиями, какие при этом формируются Big Frame, как определять стабильность или нестабильность той или иной сферы жизнедеятельности социума и как противодействовать вызовам и угрозам.

Таким образом, можно обозначить сущность Big Data с точки зрения социальных наук – это отражение в информационных системах разных сфер жизнедеятельности социума с учётом влияния ИТ-технологий на социум (фактически, это отражение влияния ИТ-технологий на социум в ИТ-системах). Функции Big Data однозначно описать на данном начальном этапе развития информационной глобализации представляется сложным.

Но, предварительно можно выделить основные:

–  –  –

V социологическая Грушинская конференция «БОЛЬШАЯ СОЦИОЛОГИЯ: расширение пространства данных» Москва, 2015 Функция интеграции социума и ИТ-технологий.

–  –  –

Развитие компьютерных технологий и внедрение их в повседневную жизнь открыли не только множество возможностей перед человечеством, но и поставили ряд проблем, для которых требуется найти решение. Лавинообразно растущие объёмы данных, которые ежедневно генерируются, требуют обработки. При этом обработка должна быть не только точной и качественной, учитывающей модель данных и их структуру, но и быстрой.

Особую актуальность представляют вопросы использования сравнительно новой технологии сбора и обработки данных «Big Data». Однако для начала следует показать основные различия между реляционными (традиционными) базами данных и этой технологией обработки данных, а также те условия, которыми было вызвано создание Big Data.

Реляционные базы данных, которые используются в различных компьютерных системах начиная с конца 1960-х годов, поддерживали качественный уровень обработки данных – они строго формализованы и нормализованы, обеспечивают связность данных и их атомарность.

Недостатком реляционных баз данных на данный момент является растущее время сортировки при больших объёмах данных. Сортировка (а значит, и поиск конкретной записи) реляционных таблиц размером в сотни гигабайт занимает непозволительно много времени для различных задач.

V социологическая Грушинская конференция «БОЛЬШАЯ СОЦИОЛОГИЯ: расширение пространства данных» Москва, 2015 Начиная с 2005 г., компании «Amazon» и «Google» начали разработку принципиально новой модели базы данных, которая обеспечивала бы возможность распределённой обработки. Требование на распределённую обработку исключительно экономическое – некоторое количество далеко не самых мощных компьютеров дешевле суперкомпьютеров.

Однако, по теореме CAP, распределённая база данных может обеспечивать лишь два из трёх свойств: согласованность данных, их доступность или устойчивость к разделению. Таким образом, мы должны пожертвовать или непротиворечивостью данных, или их присутствием в выборке, или возможностью разделить базу данных на несколько частей.

Чаще всего большие данные используются в интернет-коммерции и телекоммуникациях:

для анализа общения в сотовых сетях, интересов при поисковых запросах и при общении в интернет-сетях. На основании полученных результатов пользователь получает рекомендации по интересному контенту, либо операторы связи получают возможность составлять тарифные планы с большей доходностью.

Можно отметить, что использование методов обработки Big Data при анализе научных данных в естественно-научных исследованиях не всегда оправдано: данные, получаемые с источников (датчиков, детекторов), структурированы, изначально имеют строго определённую структуру, и преобразовывать их в неформализованную структуру (н-р Big Data) неуместно.

Время, в течение которого могут обрабатываться данные, достаточно большое. Использование реляционных баз данных в данной ситуации оправдано. Данные для анализа при ЧС чаще всего так же получаются электронными источниками и имеют меньший объём, поэтому даже обработка в режиме текущего времени не является сложной задачей. Таким образом, актуальной и коммерчески оправданной сферой применения методов Big Data остаётся анализ поведения пользователя в социальных сетях и сетях связи.

Но и здесь возникают сомнения. Задачи, решаемые в коммерческой области, не являются критичными, в том смысле, что ответ на запрос в базу данных может быть получен не на основе всех имеющихся данных. Т. е., в коммерческих продуктах оправдано использование разреженных данных (spread data). Однако, использование в целях научного анализа объективного поведения людей и получения методологически обоснованных результатов может давать недостаточно точные (корректные) результаты. Фактически, большинство использованных моделей больших данных применяют отказ от согласованности данных, что означает, что несколько одинаковых запросов могут дать разные данные на выходе.

При использовании методов Big Data в силу рассогласованности и разреженности данных доля корректных записей по отдельным запросам может снижаться до нуля.

Таким образом, по нашему мнению, Big Data не может использоваться в научных проектах, вплоть до того времени, когда решится указанная нами проблема. С другой стороны, применение этой технологии в маркетинге может быть обоснованно, но с учётом больших погрешностей.

–  –  –

КИСЕЛЕВ Е. А. – кандидат социологических наук, старший преподаватель кафедры «Социология и управление персоналом» Пензенского государственного университета.

E-mail:

kis2008.88@gmail.com.

V социологическая Грушинская конференция «БОЛЬШАЯ СОЦИОЛОГИЯ: расширение пространства данных» Москва, 2015 Потребительское поведение как социально-экономическое явление претерпело существенные изменения в процессе эволюции общества. В соответствии с этим обстоятельством менялось и отношение со стороны исследователей, которые изначально фокусировали своё внимание исключительно на экономических особенностях потребления.

Однако с течением времени происходит смена приоритетов в изучении данного феномена, обусловленная переходом к постиндустриальному этапу развития общества, что способствовало возникновению социально-экономических, социально-психологических и других теорий потребления.

В современном обществе, где информационные технологии занимают ключевое место во всех общественных процессах, потребительское поведение рассматривается как совокупность количественных и качественных данных об индивидах.

Исходя из этого, сегодня можно говорить о наличии двух базовых тенденций в моделировании поведения потребителей [1]:

- Аналитической, в рамках которой строится более или менее обобщённая модель поведения потребителей, включающая в себя определённый набор факторов, и затем эта модель адаптируется к конкретной группе потребителей путём использования тех значений факторов, которые типичны для этой группы;

- Имитационной, где путём сбора огромного объёма статистической информации и его обработки (что стало возможным благодаря развитию технологии «Big Data») выявляются закономерности поведения, присущие определённым группам потребителей.

Стоит обратить внимание на то, что в последние годы происходят виртуализация и автоматизация бизнес-процессов, это приводит к формированию больших массивов информации в виде оцифрованных данных. Необходимость обработки этих массивов способствует не только взрывному росту вычислительных мощностей, но и требует от исследователей из разных областей науки поиска новых инструментов для их анализа.

Учитывая проблематику, рассматриваемую в данной работе, нас интересует подход, который предполагает анализ потребителя с использованием Big Data. Термин «Big Data» в последние годы стал одним из наиболее употребляемых как в научной, так и в деловой литературе, где «большие данные» (Big Data) представляют собой прежде всего совокупность подходов, инструментов и методов обработки больших массивов неоднородной сложноструктурированной информации о том или ином объекте или явлении.

В сфере ритейла инструменты Big Data используются уже более десяти лет.

Это стало возможным после того, как организации стали задействовать в своей деятельности «Систему управления взаимоотношениями с клиентами» (CRM, CRM-система, сокращение от англ.:

Customer Relationship Management), которая позволяет увеличить производительность за счёт автоматизации стратегий взаимодействия с заказчиками (клиентами), оптимизации маркетинга и улучшения обслуживания клиентов путём сохранения информации о клиентах, истории взаимоотношений с ними, установления и улучшения бизнес-процессов, а также последующего анализа данных. При этом источниками формирования больших данных о потребителях стали выступать различные сведения о социально-демографических характеристиках индивидов, совершающих приобретение товаров или услуг, история их покупок, детальная информация с каждого чека, сведения из социальных сетей, поисковые запросы в интернете.

V социологическая Грушинская конференция «БОЛЬШАЯ СОЦИОЛОГИЯ: расширение пространства данных» Москва, 2015 По мнению Сергея Нестеренко (руководителя отделения интеграции данных в департаменте аналитики IBS), можно считать достойным внимания пример применения аналитики больших данных в «Otto Group», одного из мировых лидеров в онлайн-торговле:

«Компания проанализировала поведение покупателей на сайте: виртуальный маршрут посетителей и продолжительность визита, случаи незавершённых покупок и те страницы, на которых происходит «потеря» клиента, чтобы оптимизировать ценообразование. Рассмотрев характеристики неконкурентоспособных товаров (цена, качество, доставка, цвет) и дополнив их сведениями из профиля клиента в соцсетях (количество друзей, количество подписчиков, «вес»

на графе связей в социальных сетях, частота твиттов), компания смогла в реальном времени выделить наиболее обсуждаемые товары, повысить удовлетворённость покупателей и получить более широкий охват аудитории в сети» [2].

Сегодня можно с уверенностью говорить о том, что использование Big Data позволяет организациям изучить потребителей своих товаров и услуг настолько хорошо, что во многих случаях они могут предсказать поведение клиентов с весьма высокой точностью.

Очевидно, что в современном обществе между потреблением товаров и принадлежностью к социальным группам существует тесная связь, обусловленная характером использования материальных ресурсов индивидами с различным социальным положением [3].

Использование Big Data в исследованиях потребительского поведения является необходимостью современного времени. Данный подход позволяет существенно расширить набор анализируемых признаков, а также дать более объективные данные. Основными направлениями исследований с использование Big Data в социологии могут стать: анализ закономерностей поведения индивидов, относящихся к определённым группам потребителей, а также выявление скрытых потребностей индивидов.

В современных эмпирических исследованиях широко применяется психографика как метод количественного описания жизненного стиля и личностных характеристик потребителей [3]. Сегодня одной из наиболее популярных систем мониторинга потребления, основанной на психографической сегментации, является «Индекс целевых групп» (TGI – Target Group Index). Его суть заключается в следующем: при помощи методов интервью и анкетного опроса собирается информация о потреблении товаров и услуг, медиапредпочтениях, социально-демографических характеристиках и стиле жизни, которые позволяют составить психографическую типологию потребителей. Стоит отметить, что TGI, а также его российский аналог R-TGI при интеграции с инструментами Big Data позволят наиболее объективно и целостно исследовать потребительское поведение индивидов уже в ближайшее время.

В завершении данной работы хотелось бы отметить, что несмотря на большие перспективы использования Big Data в социологии, на данный момент существует ряд нерешённых методологических проблем, которые существенным образом усложняют работу исследователям (отсутствие единства в понимании термина «Big Data»; проблемы, связанные с качеством сбора данных).

–  –  –



Pages:   || 2 | 3 | 4 | 5 |   ...   | 28 |

Похожие работы:

«Министерство образования и науки Российской Федерации ФГАОУ ВО «Белгородский государственный национальный исследовательский университет» Институт управления Кафедра социологии и организации работы с молодежью Российское общество социологов Российское объединение исследователей религии СОЦИОЛОГИЯ РЕЛИГИИ В ОБЩЕСТВЕ ПОЗДНЕГО МОДЕРНА Памяти Ю. Ю. Синелиной Материалы Третьей Международной научной конференции 13 сентября 2013 г. Белгород УДК: 215:172. ББК 86.210. С Редакционная коллегия: С.Д....»

«Об итогах проведения секция «Социология» XXII Международной конференции студентов, аспирантов и молодых учёных «Ломоносов -2015» C 13 по 17 апреля 2015 года в Московском государственном университете имени М.В.Ломоносова в 22 раз проходила традиционная Международная научная конференция студентов, аспирантов и молодых ученых «Ломоносов». Основными целями конференции являются развитие творческой активности студентов, аспирантов и молодых ученых, привлечение их к решению актуальных задач...»

«УДК 316.3/ ББК 60. Ф 3 Ответственный редактор: Президент Ассоциации социологов Казахстана, доктор социологических наук, профессор М.М. Тажин Редакционная коллегия: Исполнительный директор Фонда Первого Президента РК Б.Б. Мухамеджанов (председатель) Доктор социологических наук, профессор С.Т. Сейдуманов Доктор социологических наук, профессор З.К. Шаукенова Доктор социологических наук, профессор Г.С. Абдирайымова Доктор социологических наук, доцент С.А. Коновалов Кандидат социологических наук...»

«Санкт-Петербургский государственный университет Факультет социологии Московский государственный университет им. М.В. Ломоносова Социологический факультет Социологическое общество им. М.М.Ковалевского Российское общество социологов Сборник материалов IX Ковалевские чтения Социология и социологическое образование в России (к 25-летию социологического образования в России и Санкт-Петербургском государственном университете) 14-15 ноября 2014 года Санкт-Петербург ББК 60. УДК 31 Редакционная...»

«МЕДВЕДЕВА К.С. НАУЧНАЯ ЖИЗНЬ НАУЧНАЯ ЖИЗНЬ DOI: 10.14515/monitoring.2015.5.12 УДК 316.74:2(410) Правильная ссылка на статью: Медведева К.С. О социологии религии в Великобритании. Заметки с конференции // Мониторинг общественного мнения: экономические и социальные перемены. 2015. № 5. С. 177For citation: Medvedeva K.S. On sociology of religion in Great Britain. Conference notes // Monitoring of Public Opinion: Economic and Social Changes. 2015. № 5. P.177-182 К.С. МЕДВЕДЕВА О СОЦИОЛОГИИ РЕЛИГИИ...»

«СБОРНИК НАУЧНЫХ ТРУДОВ КОНФЕРЕНЦИИ СБОРНИК НАУЧНЫХ ТРУДОВ КОНФЕРЕНЦИИ УДК 316. ББК 71.05 Д4 Издано по заказу Комитета по науке и высшей школе Редакционная коллегия: доктор социологических наук, профессор Я. А. Маргулян кандидат социологических наук, доцент Г. К. Пуринова кандидат филологических наук, доцент Е. М. Меркулова Диалог культур — 2010: наука в обществе знания: сборник научных трудов Д международной научно-практической конференции. — СПб.: Издательство Санкт-Петербургской академии...»

«IV МЕЖДУНАРОДНАЯ СОЦИОЛОГИЧЕСКАЯ КОНФЕРЕНЦИЯ «ПРОДОЛЖАЯ ГРУШИНА». Краткий обзор 27-28 февраля 2014 г. в Москве по инициативе Всероссийского центра изучения общественного мнения (ВЦИОМ), Фонда содействия изучению общественного мнения «Vox Populi» и Российской академии народного хозяйства и государственной службы при Президенте Российской Федерации (РАНХиГС) состоялась Четвертая международная социологическая конференция «Продолжая Грушина». Конференция традиционно посвящена памяти выдающегося...»

«ФОНД ПЕРВОГО ПРЕЗИДЕНТА РЕСПУБЛИКИ КАЗАХСТАН СОВЕТ МОЛОДЫХ УЧЕНЫХ ИННОВАЦИОННОЕ РАЗВИТИЕ И ВОСТРЕБОВАННОСТЬ НАУКИ В СОВРЕМЕННОМ КАЗАХСТАНЕ III Международная научная конференция Сборник статей (часть 1) Общественные и гуманитарные науки Алматы – 2009 УДК 001:37 ББК 72.4:74. И 6 ОТВЕТСТВЕННЫЙ РЕДАКТОР: МУХАМЕДЖАНОВ Б.Г. – Исполнительный директор ОФ «Фонд Первого Президента Республики Казахстан» АБДИРАЙЫМОВА Г.С. – Председатель Совета молодых ученых при Фонде Первого Президента, доктор...»

«МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ИМЕНИ М.В. ЛОМОНОСОВА СОЦИОЛОГИЧЕСКИЙ ФАКУЛЬТЕТ IX МЕЖДУНАРОДНАЯ НАУЧНАЯ КОНФЕРЕНЦИЯ «СОРОКИНСКИЕ ЧТЕНИЯ» ПРИОРИТЕТНЫЕ НАПРАВЛЕНИЯ РАЗВИТИЯ СОЦИОЛОГИИ В XXI ВЕКЕ К 25-летию социологического образования в России СБОРНИК МАТЕРИАЛОВ ИЗДАТЕЛЬСТВО МОСКОВСКОГО УНИВЕРСИТЕТА УДК ББК 60. С С65 IX Международная научная конференция «Сорокинские чтения»: Приоритетные направления развития социологии в XXI веке: К 25-летию социологического образования в России. Сборник...»

«Министерство образования и науки РФ ФГАОУ ВО «Нижегородский государственный университет им. Н.И. Лобачевского» Научно-исследовательский комитет Российского общества социологов «Социология труда» Центр исследований социально-трудовой сферы Социологического института РАН Межрегиональная общественная организация «Академия Гуманитарных Наук» К 25-ЛЕТИЮ СОЦИОЛОГИЧЕСКОГО ОБРАЗОВАНИЯ В РОССИЙСКОЙ ФЕДЕРАЦИИ СОЦИАЛЬНЫЕ ИННОВАЦИИ В РАЗВИТИИ ТРУДОВЫХ ОТНОШЕНИЙ И ЗАНЯТОСТИ В XXI ВЕКЕ Нижний Новгород –– 20...»

«Министерство образования и науки РФ ФГАОУ ВО «Нижегородский государственный университет им. Н.И. Лобачевского» Национальный исследовательский университет Научно-исследовательский комитет Российского общества социологов «Социология труда» Центр исследований социально-трудовой сферы Социологического института РАН Межрегиональная общественная организация «Академия Гуманитарных Наук»К 100-ЛЕТИЮ НИЖЕГОРОДСКОГО ГОСУДАРСТВЕННОГО УНИВЕРСИТЕТА ИМ. Н.И. ЛОБАЧЕВСКОГО СПЕЦИФИКА ПРОФЕССИОНАЛЬНОЙ...»







 
2016 www.konf.x-pdf.ru - «Бесплатная электронная библиотека - Авторефераты, диссертации, конференции»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.