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


Pages:     | 1 || 3 | 4 |   ...   | 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 2 ] --

V социологическая Грушинская конференция «БОЛЬШАЯ СОЦИОЛОГИЯ: расширение пространства данных» Москва, 2015 URL: http://www.cnews.ru/reviews/index.shtml?2014/04/28/570141 (дата обращения: 01.02.2015).

3 Киселев Е. А. Анализ потребительского поведения в контексте стиля жизни современных российских предпринимателей // Известия высших учебных заведений. Поволжский регион. Общественные науки. 2013. № 2.

П. А. Лебедев, Д. А. Шурыгина

АНАЛИТИКА ДАННЫХ РЕЗЮМЕ И ВАКАНСИЙ

ЛЕБЕДЕВ Павел Андреевич – кандидат социологических наук, руководитель направления исследований портала «Superjob.ru» (г. Москва), p.lebedev@superjob.ru.

ШУРЫГИНА Дарья Алексеевна – старший аналитик портала «Superjob.ru» (г. Москва), d.shurygina@superjob.ru.

Исследовательский центр рекрутингового портала «SuperJob» занимается анализом тенденций на рынке труда с 2005 г. Основой для аналитических выкладок служит большой, постоянно пополняемый архив резюме (более 15 млн на январь 2015 г.) и вакансий (около 300 тысяч активных вакансий ежедневно).

Традиционно большая часть аналитики строится на базе четырёх базовых показателей:

предложение (резюме);

спрос (вакансии);

зарплатные предложения в вакансиях;

зарплатные ожидания в резюме.

Остальные показатели являются, чаще всего, или производными (например, конкуренция на рынке труда – соотношение числа резюме к количеству вакансий), или динамическими метриками.

Усреднённые данные на макроуровне мало интересуют как внутренних, так и внешних заказчиков. Более интересен региональный и/или отраслевой разрез. Эти параметры задаются пользователем в процессе создания резюме/вакансии – их необходимо привязать к городу и отрасли/сфере деятельности. На этом уровне мы имеем дело с данными «большими» только по объёму, а не по сложности структуры или скорости прироста.

Однако соискатель и работодатель мыслят категорией позиции/ должности, и задача аналитиков усложняется. В контексте внутренних бизнес задач наиболее значимым оказывается вопрос правильной классификации/ группировки должностей для того, чтобы реализовывать релевантную функцию поиска и всевозможных подсказок, а также для адекватного SEO-продвижения.

Для внешней аналитики разделение на должности необходимо при подготовке:

–  –  –

V социологическая Грушинская конференция «БОЛЬШАЯ СОЦИОЛОГИЯ: расширение пространства данных» Москва, 2015 Только на первый взгляд кажется, что название должности/позиции заполняется единообразно большинством пользователей. Синонимы, различные варианты написания и т. п.

приводят к тому, что массив данных становится слабоструктурированным, а необходимость постоянной актуализации и пересчёта данных в итоге определяют две других характеристики больших данных.

В рамках доклада будет на конкретных примерах, каким образом аналитические задачи решались вне парадигмы «Big Data» и как они начинают решаться в процессе внедрения парадигмы «Big Data».

На данный момент мы говорим о постепенном переходе «Superjob» от одной аналитической парадигмы к другой. Некоторые задачи уже решаются в парадигме «Big Data», другие находятся в стадии тестирования и пилотных проектов, третьи – только оформляются как идеи. Говоря об этом переходе, нельзя обойти стороной сложности и барьеры на пути внедрения. Большая часть этих сложностей традиционна для любого процесса внедрения инноваций на производстве. Об этом также пойдёт речь в докладе.

–  –  –

МИТРОФАНОВА Е. С. – магистр социальных наук, младший научный сотрудник Института демографии НИУ ВШЭ, научный сотрудник Института социального анализа и прогнозирования РАНХиГС. E-mail: mitrofanovy@yandex.ru.

АРТАМОНОВА А. В. – студентка НИУ ВШЭ, участник Научно-учебной группы НИУ ВШЭ «Изучение рождаемости, формирования, развития и распада семей на данных выборочных обследований». E-mail: alyona89152694371@yandex.ru.

V социологическая Грушинская конференция «БОЛЬШАЯ СОЦИОЛОГИЯ: расширение пространства данных» Москва, 2015 Большинство современных исследователей работает на стыке дисциплин, т. к. каждая научная область разрабатывает свой инструментарий, элементы которого могут представлять интерес для коллег из других сфер науки и практики. Так, анализ жизненных событий невозможно выполнить в рамках одной предметной области, ведь сама концепция жизненного пути является междисциплинарной с момента её основания: зародившись в психологии, она стала важной теоретической и методологической рамкой для социологов, антропологов, демографов [2, 8, 9].

Методы, которые используются для анализа жизненных событий, включают в себя наработки из таких дисциплин, как медицина, социология, демография, статистика, эконометрика, программирование. В данной работе мы уделим внимание наиболее продвинутым способам анализа событий жизненного пути: Event history analysis (Анализ наступления событий) [1, 6, 10] и Sequence analysis (Анализ последовательностей) [4, 5].

Фокусом нашего доклада будет не детальное описание непосредственной работы данными методами, которые можно найти в научных статьях, на форумах, в справочниках, а особенности подготовки данных, о которых большинство исследователей умалчивает.

Одна из главных причин, почему о подготовке данных к исследованию методами событийного и последовательного анализа говорится так мало, заключается в том, что этот процесс очень трудоёмок, требует нестандартных, творческих решений, хорошей подготовки в области программирования. Мы не претендуем на универсальность разработанных нами решений, но предлагаем их в качестве ориентира для тех коллег, которые в той или иной мере исследуют события жизненного пути. К событиям жизненного пути можно отнести демографические события (вступление в союзы, расставания, рождение детей, переезды), социо-экономические (трудоустройство, получение образования, отделение от родителей, взятие кредита) и другие.

Для того, чтобы анализировать события жизненного пути, нужны биографии индивидов, а значит, либо лонгитюдные, либо ретроспективные данные. Таким условиям удовлетворяет лишь несколько обследований, проведённых в России. Наиболее известные из них – панельное и ретроспективное обследование «Родители и дети, мужчины и женщины», проведённое в 2004, 2007 и 2011 гг. 1, и ретроспективное обследование «Человек, семья, общество», проведённое в 2013 г. [3].

После того, как панельные данные гармонизированы, а все расхождения между датами наступления событий в биографиях респондентов устранены, можно приступать к подготовке данных к анализу продвинутыми методами. Эта подготовка различается в зависимости от метода, который мы будем использовать. Для начала рассмотрим случай работы с Event history analysis.

Event history analysis (EHA)

Первое решение, которое предстоит принять – в каком статистическом пакете и с какой степенью детализации мы будем анализировать события. Если исследователь располагает ретроспективными данными или панельными данными, но за небольшой период, то можно осуществлять работу в SPSS. Также SPSS подойдёт в том случае, если не ставится цель очень специфицированной настройки моделей. Если же исследователь располагает панельными

Подробнее: http://www.socpol.ru/gender/RIDMIZ.shtml.

V социологическая Грушинская конференция «БОЛЬШАЯ СОЦИОЛОГИЯ: расширение пространства данных» Москва, 2015 данными за большой промежуток времени или ему нужен дополнительный функционал при анализе событий, больше подойдут такие статпакеты, как Stata или R.

В случае, если для работы выбран SPSS, никакой особой подготовки кроме создания специальной временной переменной и переменной-индикатора наступления искомого события, не требуется. Если выбраны Stata или R, появляется возможность углубить анализ за счёт использования данных не индивидуального уровня (Person-Level Data), а формата «индивид-период» (Person-Period Data). Различие между этими форматами в том, что в первом каждому респонденту соответствует по одной строке, где содержится вся информациия о нём (рис. 1), а во втором – у одного респондента может быть столько строк, сколько было волн опроса (рис. 2). Главное преимущество формата «индивид-период» в том, что в каждой новой строке мы можем фиксировать состояние индивида на момент каждой волны опроса. Это могут быть сопутствующие жизненные события, финансовое положение, ценностные установки и т. д.

Рисунок 1 – Данные индивидуального уровня (Person-Level Data)

Рисунок 2 – Данные в формате «индивид-период» (Person-Period Data) Ещё одно существенное отличие Stata и R от SPSS в том, что в последней реализована только регрессия Кокса, которая является полупараметрическим методом, т. е. не позволяет делать предположения относительно распределения данных кроме уже заложенного в данную модель – о пропорциональности рисков наступления событий. Stata и R позволяют работать со всеми типами методов, в т. ч. комбинировать разные распределения в рамках одной модели.

Sequence analysis (SA)

В отличие от EHA, который очень распространён в зарубежной социологии и демографии, а также стремительно завоевывает свою аудиторию в России, SA, ввиду трудоёмкости использования, всё ещё набирает популярность в России и мире. Поэтому если об особенностях работы методом EHA можно довольно легко найти информацию даже на русском V социологическая Грушинская конференция «БОЛЬШАЯ СОЦИОЛОГИЯ: расширение пространства данных» Москва, 2015 языке, то про SA написано ещё очень мало и, в основном, в медицине и биологии. Количество программ, в которых реализован SA, также невелико. Наиболее знакомый из них социологам и демографам – R. Для R разработан специальный пакет TraMineR 2, содержащий готовые функции для анализа последовательностей. Чтобы воспользоваться этим пакетом, работа с которым хорошо описана в англоязычном справочнике [7], необходимо осуществить целый ряд шагов по преобразованию данных.

В первую очередь необходимо учесть следующую особенность: для того, чтобы построить цепочку событий, нужно, чтобы для всех событий, про которые упомянул респондент, у нас имелась дата. Если на вопрос «Было ли у вас событие N?» респондент ответил утвердительно, но на следующий вопрос «Когда у вас наступило данное событие?» не дал ответа, данный респондент должен быть исключён из-под наблюдения. Ведь фактически данное событие произошло, но мы не можем разместить его на временной оси и сопоставить с остальными событиями жизни данного индивида, что внесёт искажение в общий анализ последовательностей.

Для того, чтобы построить фильтр для отсечения данных респондентов, нужно сопоставить ответы на оба вопроса – про факт наступления события и про дату. Особое внимание следует уделить неоднократным событиям (браки, рождения детей, образования разных уровней) и ситуации, когда приходится «собирать» фактологическую переменную сквозь несколько волн.

После того, как искомые респонденты удалены, наступает этап подготовки данных непосредственно к SA. Необходимо перейти от формата событий к формату статусов, т. е.

вместо даты наступления каждого события (левый прямоугольник на рис. 3) должны быть указаны статусы респондентов в каждый момент времени (правый прямоугольник на рис. 3). В качестве интервала можно взять месяцы или годы, а в качестве стартовой точки для анализа, например, взросления, 15-летие. Далее нужно определиться с «алфавитом» – набором буквенных сокращений для каждого события. Например, работа – Р, зарегистрированный союз

– С, дети – Д. И противоположные состояния: безработица – Б, холост/не замужем – Х, нет детей

– Н.

Рисунок 3 – Переход от формата событий к формату статусов

Произвести переход от формата событий к формату статусов не так просто. Сначала надо закодировать событие каждого типа, указав факт его наступления или не наступления, стартовую и конечную точку, а затем все эти события сгруппировать в статусы для каждого временного интервала и разместить по ячейкам. Если мы анализируем взросление и исследуем временное пространство между 15- и 30-летием с точностью до месяца, то нам понадобится 180 ячеек для каждого респондента.

Подробнее: http://mephisto.unige.ch/traminer/.

V социологическая Грушинская конференция «БОЛЬШАЯ СОЦИОЛОГИЯ: расширение пространства данных» Москва, 2015 Существует много нюансов при подготовке данных к анализу событий жизненного пути продвинутыми методами. Мы постарались упомянуть самые важные шаги, которые необходимо сделать при подготовке к работе методами событийного и последовательного анализа.

Литература 1 Бурдяк А. Я. Применение метода "Анализ наступления события (Event history analysis)" с помощью пакета SPSS // SPERO. 2007. Т. 6. С. 189–202.

2 Кон И. С. Социологическая психология. Воронеж: МОДЭК, 1999. С. 254–270.

3 Малева Т. М. и др. Разработка методологии и проведение первой пилотной волны регулярного общенационального репрезентативного обследования населения по изучению демографического, социального и экономического поведения, включая пенсионное поведение. М.: ФГБОУ ВПО Российская академия народного хозяйства и государственной службы при Президенте РФ, 2014.

4 Abbott A. Sequence Analysis: New Methods for Old Ideas // Annu. Rev. Sociol. 1995.

Т. 21. № 1. С. 93.

5 Billari F., Frnkranz J., Prskawetz A. Timing, Sequencing, and Quantum of Life Course Events: A Machine Learning Approach // Eur. J. Popul. 2006. Т. 22. № 1. С. 37–65.

6 Blossfeld H.-P., Rohwer G. Techniques of event history modeling: new approaches to causal analysis. New York: Lawrence Erlbaum Associates, 2002.

7 Gabadinho A. и др. Mining sequence data in R with the TraMineR package: A users guide for version 1.2 // Geneva Univ. Geneva, 2009.

8 Levy R. и др. Incitations for Interdisciplinarity in Life Course Research // Adv. Life Course Res. 2005. Т. 10. С. 361–391.

9 Levy R., Ghisletta P. Towards an interdisciplinary perspective on the Life course, 2005.

10 Mills M. Introducing survival and event history analysis. SAGE Publications, 2011.

–  –  –

МОСЯГИН Александр Борисович – доцент кафедры прикладных информационных технологий Института общественных наук РАНХиГС, кандидат технических наук. E-mail: albor99@mail.ru.

Сегодня в прикладных социологических исследованиях происходит настоящая революция, связанная с появлением принципиально новых источников данных, прежде всего основанных на т. н. объективной регистрации реального поведения людей. На основе новых информационных технологий различные субъекты (госорганы и бизнес-структуры) собирают огромные массивы данных (Big Data), которые используются в социальной диагностике и прикладных исследованиях. Радикально настроенные аналитики даже предрекают смерть традиционным методам социологических исследований, в большей мере основанным на субъективной информации, получаемой в ходе разного рода опросов.

Существует хорошее высказывание, что «За последние годы, когда, стремясь к повышению эффективности и прибыльности бизнеса, при создании БД все стали пользоваться средствами обработки цифровой информации, появился и побочный продукт этой активности V социологическая Грушинская конференция «БОЛЬШАЯ СОЦИОЛОГИЯ: расширение пространства данных» Москва, 2015

– горы собранных данных: И вот всё больше распространяется идея о том, что эти горы полны золота». В прошлом процесс добычи золота в горной промышленности состоял из выбора участка земли и дальнейшего её просеивания большое количество раз.

Термин «Data Mining» часто переводится как добыча данных, извлечение информации, раскопка данных, интеллектуальный анализ данных, средства поиска закономерностей, извлечение знаний, анализ шаблонов, раскопка знаний в базах данных. Понятие «обнаружение знаний в базах данных» (Knowledge Discovery in Databases, KDD) можно считать синонимом Data Mining [1].

Понятие «Data Mining», появившееся в 1978 г., приобрело высокую популярность в современной трактовке примерно с первой половины 1990-х годов. До этого времени обработка и анализ данных осуществлялись в рамках прикладной статистики, при этом в основном решались задачи обработки небольших баз данных.

Таким образом, методология Data Mining – это мультидисциплинарная область, возникшая и развивающаяся на базе таких наук, как прикладная статистика, распознавание образов, искусственный интеллект, теория баз данных и др. (рис. 1).

Возникновение и развитие Data Mining обусловлено различными факторами, основными среди которы х являются следующие [2]:

совершенствование аппаратного и программного обеспечения;

совершенствование технологий хранения и записи данных;

накопление большого количества ретроспективных данных;

совершенствование алгоритмов обработки информации.

Data Mining – это процесс поддержки принятия решений, основанный на поиске в данных скрытых закономерностей (шаблонов информации) [3], т. е. это процесс обнаружения в сырых данных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретаций знаний, необходимых для принятия решений в различных сферах человеческой деятельности.

Рисунок 1 – Data Mining как мультидисциплинарная область

V социологическая Грушинская конференция «БОЛЬШАЯ СОЦИОЛОГИЯ: расширение пространства данных» Москва, 2015 Суть и цель технологии Data Mining заключается в извлечении из больших объёмов данных неочевидных, объективных и полезных на практике закономерностей. Это значит, что найденные закономерности не обнаруживаются стандартными методами обработки информации или экспертным путём, они будут полностью соответствовать действительности и им можно найти практическое применение в социологии.

В основу технологии Data Mining положена концепция шаблонов (patterns), представляющим собой закономерности, свойственные выборкам данных, которые могут быть выражены в форме, понятной человеку. Цель поиска закономерностей – представление данных в виде, отражающем искомые процессы. Построение моделей прогнозирования также является целью поиска таких закономерностей. Чтобы максимально использовать мощность масштабируемых инструментов Data Mining, в социологических исследованиях необходимо выбрать, очистить и преобразовать данные, иногда интегрировать информацию, добытую из внешних источников, и установить специальную среду для работы Data Mining алгоритмов.

Результаты Data Mining в большой мере зависят от уровня подготовки данных, а не от «чудесных возможностей» некоего алгоритма или набора алгоритмов. Около 75% работы над Data Mining состоит в сборе данных, который совершается ещё до того, как запускаются сами инструменты. Прежде чем использовать технологию Data Mining, необходимо тщательно проанализировать её проблемы, ограничения и критические вопросы, с ней связанные, а также понять, чего эта технология не может. Например, Data Mining не может заменить аналитика, а всего лишь даёт ему мощный инструмент для облегчения и улучшения его работы.

Необходимы тщательный выбор модели и интерпретация зависимостей или шаблонов, которые обнаружены. Поэтому работа с такими средствами требует тесного сотрудничества между экспертом в предметной области и специалистом по инструментам Data Mining.

Построенные модели должны быть грамотно интегрированы в бизнес-процессы для возможности оценки и обновления моделей. В последнее время системы Data Mining поставляются как часть технологии хранилищ данных.

Средства Data Mining, в отличие от статистических, теоретически не требуют наличия строго определённого количества ретроспективных данных. Эта особенность может стать причиной обнаружения недостоверных, ложных моделей и, как результат, принятия на их основе неверных решений. Необходимо осуществлять контроль статистической значимости обнаруженных знаний.

Традиционные методы анализа данных (статистические методы) и OLAP в основном ориентированы на проверку заранее сформулированных гипотез (verification-driven data mining) и на «грубый» разведочный анализ, составляющий основу оперативной аналитической обработки данных (OnLine Analytical Processing, OLAP), в то время как одно из основных положений Data Mining – поиск неочевидных закономерностей. Инструменты Data Mining могут находить такие закономерности самостоятельно и также самостоятельно строить гипотезы о взаимосвязях. Поскольку именно формулировка гипотезы относительно зависимостей является самой сложной задачей, преимущество Data Mining по сравнению с другими методами анализа является очевидным [4].

Исследования отмечают, что существуют как успешные решения, использующие Data Mining, так и неудачный опыт применения этой технологии [5].

Области, где применение технологии Data Mining, скорее всего, будет успешным, имеют такие особенности:

–  –  –

V социологическая Грушинская конференция «БОЛЬШАЯ СОЦИОЛОГИЯ: расширение пространства данных» Москва, 2015 имеют изменяющуюся окружающую среду;

имеют доступные, достаточные и значимые данные;

обеспечивают высокие дивиденды от правильных решений.

И все эти характеристики присущи социологии.

Таким образом, технология Data Mining постоянно развивается, привлекает к себе всё больший интерес, как со стороны научного мира, так и со стороны применения достижений технологии в бизнесе, социологических исследованиях. С сентября 2014 г. в Институте общественных наук создана и успешно функционирует кафедра прикладных информационных технологий, состоящая из математиков-информатиков, обладающих большим опытом использования, разработки и внедрения информационных технологий в различные прикладные области. В т. ч. есть и специалисты, способные обучать и передавать знания методологии Data Mining, особенностей использования алгоритмов и инструментов программных приложений для обработки и анализа структурированных данных.

–  –  –

Одинцов Александр Владимирович – кандидат социологических наук, доцент РАНХиГС, начальник аналитического отдела ООО «АМК Вьюпоинт» (Волгоград). E-mail: yugrasil@yandex.ru.

Настоящий момент в методологии сбора и обработки социологических данных можно охарактеризовать как возвращение математической социологии. Главным образом это связано с бурным ростом информационных технологий и объёмов контента и трафика виртуальных социальных сетей.

Во многом наиболее заметным прорывом для социологии является применение новых систем автоматизации сбора социологической информации с помощью телефонных опросов (Computer Assisted Telephone Interviewing, CATI) или «планшетных» опросов (Computer Assisted Personal Interview, CAPI). Регистрация дополнительных параметров интервью в рамках CATI и CAPI (времени и длительности проведения, точки проведения, запись разговора и т. п.) позволяет существенно повысить чистоту сбора на полевом этапе исследования. Однако наибольшим опытом применения данных технологий обладают крупные международные V социологическая Грушинская конференция «БОЛЬШАЯ СОЦИОЛОГИЯ: расширение пространства данных» Москва, 2015 исследовательские кампании, специализирующиеся на сборе маркетинговой информации (например, TNS использует CAPI около 3 лет). Потенциально, более широкое применение данных технологий позволит существенно повысить качество научно-исследовательской регистрации данных об обществе.

Однако в настоящее время наиболее перспективным является внимание к «большим данным» («big data»), применение результатов обработки которых в потенциале существенным образом изменит потенциал социального прогнозирования (по мнению экспертов института МакКинзи). Наиболее известными и успешными проектами реализации анализа в «больших данных» являются проекты исследования живой клетки и генома человека [1]. В социальном прогнозировании один из проектов WalmartLabs по аналогии получил название «Social Genome».

Под «большими данными» здесь понимаются те объёмы информации, которые в значительной массе накоплены в ходе автоматизированной регистрации поведения людей, начиная от обычного перемещения по городу (GPS-координаты пользователей смартфонов [2]) до статистики поиска в интернете и сообщений в социальных сетях [3]. Для социологии плюсы использования «больших данных» очевидны – если значительная часть современной отечественной социологии представлена опросными методиками, то «большие данные»

фактически предлагают для исследования материалы наблюдения за социальной жизнью.

Причём данные эти нередко уже прошли математическую формализацию.

Хранение и сбор «больших данных» практически не являются проблемой, но возможности их корректного анализа и извлечения из них полезной информации всё ещё ограничены. В данной сфере, опираясь на подходы Apache Hadoop, почти пять лет реализует исследовательские проекты «Intel». Однако говорить о том, что вопрос методологии обработки закрыт, нельзя.

В данный момент существует множество открытых баз данных социологических исследований как за рубежом (как правило, по отдельным лонгитюдным исследованиям «American Communities Project», «American Housing Survey», «American Time Use Survey», «World Values Survey», «European Values Survey» и т. д.), так и в России (База данных ВЦИОМ, База данных СОФИСТ, база данных ИС РАН), которые могли бы составить основу социологических «Big Data». Кроме того, отдельными коллективами и исследователями собираются архивы данных академических исследований (Н. Ростегаева, А. В. Жаворонков, О. М. Маслова). Однако все они разнородны – их простое объединение в единый массив, в котором возможен анализ, нереально. Это связано с плюралистичностью применения социологических методик, фактическим отсутствием даже единого (консенсусного) подхода к социологическим шкалам (этими проблемами активно занимаются И. Ф. Девятко, В. А. Ядов, Ю. Н. Толстова, А. И. Орлов).

Заметным шагом к решению проблемы стала бы прикладная реализация идей Г. Г. Татаровой об интеграции методологического знания и единых представлений о математической формализации в прикладных исследованиях в социологии. Кроме того, существенным ограничением является то, что исследователи в гуманитарных науках (в отличие от тех же исследований генома человека) не стремятся открывать полученные ими базы данных [4–5].

На данный момент результаты социологических исследований являются в сущности дискретными и несопоставимыми.

Говоря вкратце, в социологии общественного мнения по существу нет «больших баз»

данных. Даже в случае реляционного объединения баз данных исследований общественного V социологическая Грушинская конференция «БОЛЬШАЯ СОЦИОЛОГИЯ: расширение пространства данных» Москва, 2015 мнения в один «супер-массив» от традиционных «больших данных» этот продукт социологии общественного мнения будет существенно отличаться следующими основными чертами:

1 отсутствием длительной истории наблюдений и/или большого объёма случаев наблюдения (исключение состоит в редких люнгитюдных исследованиях, но и их совокупные выборки существенно меньше чем в больших данных);

2 большие данные это результат наблюдения и собственно его регистрация, в социологии общественного мнения результатом сбора информации является набор установок/суждений (если действия человека относительно однообразны, то мнение о действии, т. е. действие и предполагаемый мотив сильно усложняют и «картинку» сбора информации, и интерпретацию полученных данных);

3 социология общественного мнения работает с «всечеловеком", т. е. с масштабной совокупностью единиц наблюдения (и единиц, относительно которых делается вывод). Эта совокупность воспринимается как относительно единый объект даже в том случае, если говорить лишь об отдельных социальных группах, т. к. предметом социологического наблюдения являются только группы, а не индивиды, действия которых регистрируются (как правило) в больших данных. Т. е. единицами наблюдения являются случаи ответов, а в больших данных конкретные действия конкретных людей, в больших массивах данных можно проследить историю поведения индивида, что и даёт существенные преимущества их применения.

Таким образом, вероятностные прогнозы в по-настоящему больших данных можно проверить простым продолжением наблюдения. В случае работы с большими данными мы делаем прогноз для индивидов, имея возможность отследить их дальнейшее поведение, что и даёт высокую (около 70%) достоверность прогнозирования по результатам их анализа.

Собственно, ключом здесь является то, что мы имеем возможность строить вероятностные прогнозы на результатах прямого невероятностного наблюдения. В случае общественного мнения мы строим вероятностный прогноз на вероятностном выборочном методе, а кроме того и на вероятности ошибки применения методики сбора данных, что заметно снижает прогностический потенциал социологии общественного мнения в сравнении с большими данными. Вместе с тем, есть и потенциальные возможности превращения результатов социологии общественного мнения в полноценный источник больших данных, о чём будет подробнее сообщено в докладе.

–  –  –

V социологическая Грушинская конференция «БОЛЬШАЯ СОЦИОЛОГИЯ: расширение пространства данных» Москва, 2015 4 Borgman C. L. Research data: Who will share what, with whom, when, and why? 2010.

URL:

http://works.bepress.com/borgman/238, http://www.nlc.gov.cn/yjfw/zm/index_en.

html.

5 Borgman C. L. The Conundrum of Sharing Research Data // Journal of the American society for information science and technology. 2012. N 63(6). Pp. 1059–1078/

–  –  –

РОМАНОВА Е. Ю. – к. п. н., доцент РГСУ. E-mail: rompm14@mail.ru.

БАЛАШОВА Н. А. – студентка, 4 курс, РГСУ. E-mail: nina.balashova.93@mail.ru.

Обзор IT-рынка позволяет сделать вывод, что формирование парадигмы «Big Data»

близко к завершению.

Анализ реализаций технологий «Big Data» показал, что наиболее популярным решением по осуществлению распределённых вычислений для обработки больших объёмов информации в настоящее время является проект «Hadoop Apache Software Foundation», представляющий собой сложную экосистему, дистрибутивы распространяются как под коммерческими, так и под свободными лицензиями. Из фреймворков традиционным стал «MapReduce» с ациклической моделью потоков данных, а требования поддержки аналитических приложений итерационной природы (обработка текстов, распознавание речи и образов, машинное обучение, извлечение информации из данных) обусловили создание движков «Apache Tez» и «Apache Spark».

В результате анализа рынка программного обеспечения установлено, что за несколько лет произошла эволюция инструментария аналитических систем от индивидуальных решений до интегрированных платформ с полной функциональностью для аналитики данных разных типов и ещё недавно казавшихся необъятными объёмов. Созданы индустриальные модели бизнес-процессов различных отраслей, которые помогают предприятиям и компаниям решать на основе «Big Data» аналитические задачи на качественно отличном от традиционного уровня.

В области операционного и стратегического менеджмента технологии «Big Data»

реализуются в системах поддержки принятия решений (СППР). СППР разделяются на две группы соответственно транзакционным и проектным задачам менеджмента. Для СППР первой группы характерна высокая степень автоматизации, работа в режиме потоковых данных и реального времени. Вторая группа СППР анализирует данные по запросам, используют методы «Data Mining», машинное обучение, BI и др. методики для интеллектуальных прогнозов и выявления закономерностей. Технологии СППР обоих типов, использующие большие данные, отличаются от традиционных объёмом охватываемых мультиструктурных данных, ресурсами и алгоритмами, как новыми, так и созданными давно, но время программной реализации которых наступило только теперь в связи с развитием IT.

В маркетинге анализ накопленных из внутренних и внешних источников данных позволяет классифицировать поведенческие паттерны, предлагать клиентам наиболее релевантный контент, оптимально управлять ценообразованием и распределением ресурсов.

В финансовом анализе исследуются актуальные и исторические данные о клиентах для выявления совершенных видов мошенничества или риска совершения таковых, прогноза V социологическая Грушинская конференция «БОЛЬШАЯ СОЦИОЛОГИЯ: расширение пространства данных» Москва, 2015 поведения клиентов, идентификации клиентов, мониторинга потоков клиентов, активов, операций. Перевод ЦОДов компаний, работающих на фондовых рынках, на многоядерные многопроцессорные серверы и высокоскоростные системы хранения данных способствует максимальному по эффективности исполнению транзакций.

В здравоохранении новая аналитика направлена на выявление причинно-следственных связей по базам операционных записей, описаниям медицинских процедур и назначений, на анализ закономерностей в разработке фармацевтических препаратов, в динамике инфекционных и эпидемиологических процессов.

Анализ СМИ и интернета делает возможным выявление тенденций, закономерностей и реакций общества, путей и скорости распространения информации, способствует качественному удовлетворению информационных потребностей, используется в конкурентной разведке.

Для российского образования направление «Big Data» имеет огромный потенциал, являясь областью реализации прогноза правительственного документа «Стратегия развития отрасли информационных технологий в Российской Федерации на 2014–2020 годы и на перспективу до 2025 года»: «Конкурентным преимуществом России... станет разработка программного обеспечения высокой сложности, где может использоваться инженерный и алгоритмический потенциал российских специалистов» в силу пока ещё существования сильной научной, в частности, математической школы. Технологии «Big Data», с одной стороны, индуцируют потребность в специалистах нового профиля «Data Scientist», способных извлекать из больших данных информационные ценности. С другой стороны, эти технологии предоставляют качественно новые условия для многоуровневой профессиональной подготовки специалистов путём интеграции технологий: анализа контента сайтов и форумов мировых онлайн-образовательных центров для координации учебных программ, мониторинга и квалиметрического сопровождения образовательных процессов, развития адаптивных систем профессионального образования и внедрения квалитативного управления ими.

Экономическая эффективность внедрения технологий «Big Data» в большой степени определяется отдачей от использования результатов аналитики; ведущие консалтинговые фирмы дают примерно одинаковый прогноз эффективности по отраслям: торговля 23%, финансы и страхование 13%, информация и коммуникации 6%, производство 22%, государственное управление 13%, здравоохранение и социальная сфера 5%.

Работа выполнена при финансовой поддержке государственного задания №2014/601 от 06.02.2014.

–  –  –

СМИРНОВ Владимир Алексеевич – доктор социологических наук, доцент, проректор по воспитательной и социальной работе ФГБОУ ВПО Костромской ГСХА. E-mail: kano_igt@mail.ru.

Сегодня любой развивающийся социолог находится в ситуации профессиональной фрустрации. Мир становится не просто «текучим», но ускользающим в своей текучести, стохастическим, подавляющим терабайтами ежедневной информации. Думается, что в этой V социологическая Грушинская конференция «БОЛЬШАЯ СОЦИОЛОГИЯ: расширение пространства данных» Москва, 2015 ситуации у исследователя есть две ключевые стратегии профессионального выживания. Первая

– «самолокализация», предполагающая жёсткое самоограничение в получаемых, обрабатываемых, используемых данных. Многие социологи, исповедующие философию «полевика-качественника» выбирают именно её, уходя в новые неизведанные миры case study.

При этом методологическая ориентация исследователя не является ключевым фактором при выборе данной стратегии, достаточно большое количество социологов, исповедующих принципы традиционной количественной социологии, также ориентированы на неё.

Ограничиваясь «узким» сегментом собранных лично ими, их коллегами данных, используя данные социологических исследований крупных научных и исследовательских центров, они также воспроизводят социологические практики «самолокализаторов». Характерная черта данной группы – это нежелание или неумение работать с «сырыми», «неопрятными» большими данными, заполонившими сегодня интернет-ресурсы и требующими владения инструментами их «огранки». Вторая стратегия – «погружение в данные», ориентирующая исследователя на постоянный поиск новых данных, релевантных его исследовательским интересам, поиск в этих безмерных объёмах породы «золотых крупиц» валидности и надёжности. Данная стратегия предполагает наличие у социолога не только широкого спектра собственно профессиональных компетенций, но и достаточно серьёзный запас компетенций надпрофессиональных, таких как кодинг, программирование, Data Mining, Big Data. Здесь мы сталкиваемся с интересным феноменом, который вскрывает механизм коллективной психологической защиты в профессиональном сообществе российских социологов, это – рационализация. Социолог говорит сам себе примерно следующее: «моя задача – анализ «хороших» данных, а собрать, обработать, адаптировать, сделать «опрятными» – это функция программиста, специалиста по ИКТ и т. д.». Такая позиция, безусловно, имеет право на существование и, вероятно, вполне приемлема для крупных исследовательских организаций и коллективов, но абсолютно не подходит для отдельных исследователей, небольших региональных групп. Другими словами, если у провинциальной количественной социологии и есть будущее, то оно тесным образом связано со стратегией «погружение в данные». При этом важен и тот факт, что сегодня рынок ПО предлагает широкий спектр бесплатных программ, сред программирования, освоение которых не требует серьёзной специальной подготовки. Любой социолог сегодня имеет возможность освоить ряд инструментов, позволяющих ему адаптировать имеющиеся открытые и большие данные под свои исследовательские задачи. В рамках данной статьи мы будем говорить о возможностях таких инструментов, как языки программирования «R» и «Python3».

Думается, что социолог, работающий сегодня в парадигме «погружение в данные», должен обладать тремя группами компетенций. Первая группа – это извлечение данных.

Современные тенденции таковы, что всё больше открытых данных в машиночитаемых форматах (например, csv) появляется на просторах Рунета. В то же время, исследователю зачастую может потребоваться самостоятельно извлечь данные с того или иного сайта и превратить их в машиночитаемый формат. Эту задачу вполне можно решить несколькими строками скрипта на языке программирования «Python». Специализированная библиотека языка «Beautiful Soup» позволяет получать код html и «вытаскивать» из него релевантные данные.

Вторая группа – обработка данных и придание им «опрятного» вида. Концепция «опрятных» данных (Tidy Data) сегодня активно разрабатывается сторонниками статистической среды «R», для чего в ней создано несколько «пакетов» (например, «tidyr»), позволяющих оптимизировать их [1].

Два наиболее важных свойства таких данных состоят в следующем:

V социологическая Грушинская конференция «БОЛЬШАЯ СОЦИОЛОГИЯ: расширение пространства данных» Москва, 2015 1 Каждый столбец в таблице соответствует одной переменной.

2 Каждая строка соответствует одному наблюдению.

Используя «опрятные» данные и соответствующие программные инструменты, исследователь тратит больше времени на изучения свойств данных, а не на их обработку [2].

Несмотря на наличие специализированных пакетов в среде «R», иногда возникает потребность решить ряд специфических и значимых для социолога задач. Здесь мы снова можем использовать преимущества и простоту «Python». Одна из важных задач, решаемых социологом

– это «расширение числа признаков объекта», «вытаскивание» из данных дополнительной информации. Так, например, имеется машиночитаемый список членов избирательных комиссий России всех уровней, включающий в себя ф.

и. о., должность, наименование политической или общественной организации, направившей члена комиссии. Общее число записей более 760000. Безусловно, представляет интерес гендерный анализ этого списка, анализ политического представительства, возможность проанализировать эти параметры применительно к отдельным регионам. Такое преобразование требует «расслоения» строк матрицы, вычленение из текста «Нетужилов Виктор Владимирович, Костромское региональное отделение партии Единая Россия» таких признаков, как пол, политическая идентичность, регион.

Обработать вручную такой массив данных – это работа десятков человек в течение нескольких дней. Скрипт на «Python» позволяет решить эту задачу в течение пяти минут. Чтобы продемонстрировать данный тезис, приведём пример скрипта, позволяющего определить пол члена избиркома и добавить его в качестве отдельного столбца в матрицу «объект-признак».

–  –  –

Как можно видеть, несколько простых строк кода позволяют существенно облегчить жизнь исследователю, повысив качество первоначальных данных.

Третья группа – визуализация данных. Сегодня, по всей видимости, можно уверенно констатировать тот факт, что время достаточно примитивных графических решений «Excel»

прошло. При этом ни SPSS, ни SAS, ни другие статистические пакеты с визуальным интерфейсом не позволяют создавать многофункциональные, «заточенные» под конкретные данные диаграммы, графики, рисунки. Высокой функциональностью в этом аспекте обладает среда «R», имеющая целый ряд специализированных графических пакетов, позволяющих превращать результаты социологического исследования не только в продукт для профессионального пользования, но и в контент, востребованный сообществами.

V социологическая Грушинская конференция «БОЛЬШАЯ СОЦИОЛОГИЯ: расширение пространства данных» Москва, 2015 Время «больших данных» формулирует целый ряд вызовов перед социологамиисследователями, ведёт к трансформации социологического сообщества, появлению групп исследователей, по-разному относящихся к необходимости использовать открытые, большие данные. Представляется, что сегодня, когда практически все развитые страны мира обучают кодингу, начиная с детского сада, рассматривая это как одну из ключевых компетенций, возникает потребность увидеть в освоении таких навыков потенциал для развития социологической науки, социологического образования, создав тем самым возможность для исследователя «собрать» данные, начиная с их извлечения до визуализации и публичного представления.

Язык программирования «Python» в связке со средой «R» является уникальным набором инструментов для извлечения, обработки и анализа социологических данных. Схожесть этих языков, особенно при функциональном программировании, известная простота освоения их базовых, необходимых для исследователя структур, дают социологу возможность быть эффективным исследователем в эпоху «больших данных».

–  –  –

.

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

СОЦИAЛЬНЫЕ СЕТИ И ОНЛАЙН СООБЩЕСТВА

КАК ИСТОЧНИК ДАННЫХ О СОЦИАЛЬНОМ ПОВЕДЕНИИ

–  –  –

АБРАМОВ М. В. – аспирант Санкт-Петербургского государственного университета. Лаборантисследователь лаборатории математического моделирования социальных процессов Института гуманитарных технологий в сфере социального компьютинга МГГУ им. М. А.

Шолохова. Младший научный сотрудник лаборатории ТиМПИ СПИИРАН. E-mail: mva16@list.ru.

ВЕНЕРИНА О. Г. – заведующая лабораторией «Оценки достоверности информации» Института нейронаук и когнитивных исследований, Московский государственный гуманитарный университет им. М. А. Шолохова, г. Москва. E-mail: olga.venerina@gmail.com.

В связи с интенсивным ростом социальных сетей сегодня можно констатировать формирование полноценной виртуальной среды эффективных коммуникаций между людьми.

Многие учёные сегодня делают попытки проводить исследования этой среды. С ноября 2013 г.

исследовательская группа МГГУ им. М. А. Шолохова занималась мониторингом социальных сетей Украины. Исследование выявило, что большая часть контента, который имеет значительный охват, генерируется малой группой пользователей. Пользователей социальных сетей можно условно разделить на две группы – модераторы (генераторы) и потребители контента. В статье подробнее рассмотрены представители группы модераторов контента, распространяющие свою точку зрения на политические новости среди украинских пользователей социальных сетей.

Среди генераторов контента выделим относительно малочисленную группу лидеров общественного мнения в социальных медиа. Понятие «лидер мнения» впервые было введено американским социологом Полом Лазарсфельдом в 1955 г. [2]. Согласно его терминологии, лидер мнения — это индивид, активно распространяющий свою точку зрения, которая может воздействовать на мнение окружающих. Пол Лазарсфельд с группой исследователей разработал модель двухуровневой коммуникации, согласно которой в обществе существуют восприимчивые к воздействию политической пропаганды «лидеры общественного мнения», распространяющие политическую информацию по каналам межличностного общения.

Лидер общественного мнения в социальных медиа — это персонализированная страница в сети интернет, на которой с высокой периодичностью (2–3 раза в день) размещается контент, вызывающий интерес локально значимого количества пользователей социальных медиа, выражающийся в следующих действиях: отметки «Нравится», репост или написание комментария к записи.

В социальных медиа каждый день генерируются и распространяются огромные массивы информации, для хранения и обработки которой требуются мощные ресурсы. Методология выявления лидеров общественного мнения в социальных медиа позволит значительно сократить исследуемое поле, что приведёт к понижению ресурсозатратности.

Для первичного выделения пользователей социальных медиа, претендующих на роль лидера общественного мнения, проводился мониторинг социальных медиа с помощью V социологическая Грушинская конференция «БОЛЬШАЯ СОЦИОЛОГИЯ: расширение пространства данных» Москва, 2015 функционала онлайн интернет-сервиса «IQBuzz» [1]. С помощью него был получен набор документов, опубликованных в социальных медиа в период кризисных событий на Украине, удовлетворяющих критериям поиска и релевантных запросу «Майдан|Евромайдан|євромайдан|Ukraine». Полученный массив документов был очищен от дублей, а затем отсортирован, на первом этапе — по количеству лайков, на втором этапе — по количеству репостов, на третьем этапе — по охвату. Все описанные действия были сделаны посредством основного функционала «IQBuzz». Далее на каждом этапе были выбраны по 100 документов, после чего страницы авторов этих постов были просмотрены экспертами и из них выделены 50 наиболее активных. Также с помощью базового функционала «IQBuzz» были выделены 10 пользователей, опубликовавших наибольшее количество документов, признанных релевантными заданному поисковому критерию. После этого страницы пользователей объединённого списка наиболее активных авторов анализировались экспертами вручную на предмет выделения общих особенностей.

В ходе мониторинга была выделена следующая система маркеров:

–  –  –

Количество подписчиков на странице. На основании проведённых наблюдений было выявлено, что количество подписчиков на страницах пользователей, которые впоследствии стали лидерами общественного мнения в социальных медиа, составляло не более 500 человек до начала активного размещения на данных страницах протестного контента. При нарастании протестной активности вне интернета (офлайн) или накануне этих событий количество подписчиков таких аккаунтов интенсивно увеличивалось. Спустя пять дней, как правило, количество интересующихся публикуемым на странице контентом возрастало в 20–40 раз по отношению к начальным значениям.

Интенсивная накрутка количества лайков и репостов публикуемых сообщений.

Сообщения, публикуемые лидерами общественного мнения в социальных медиа, набирают, как правило, более 1000 лайков и 500 репостов в первые 5 минут. Также активность проявляется в написании односложных одобрительных комментариев: «молодец», «отлично», «согласен» и др. Постоянные темпы роста количественных показателей записей не зависят от времени суток и прочих факторов. На основании этого была выдвинута гипотеза о возможной «накрутке» 3 рейтинга подобных сообщений.

Перекрёстные ссылки между лидерами общественного мнения в социальных медиа.

Лидеры общественного мнения в социальных медиа часто ссылаются друг на друга. В основном подобные ссылки носят характер одобрения тех или иных высказываний других лидеров общественного мнения, в то же время, происходит оппонирование в несущественных вопросах, не связанных с базовой идеологической основой, содержащейся на страницах лидеров общественного мнения. Таким образом, создаётся видимость наличия разных точек Накрутка — это процесс искусственного наращивания численных характеристик сообщений, публикуемых в социальных медиа, таких как количество лайков, репостов и комментариев.



Pages:     | 1 || 3 | 4 |   ...   | 28 |

Похожие работы:

«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...»

«Геннадий Вас а й сильевич Дыльнов е ло САРАТОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ИМЕНИ Н.Г. ЧЕРНЫШЕВСКОГО Социологический факультет МАТЕРИАЛЫ МЕЖДУНАРОДНОЙ НАУЧНО-ПРАКТИЧЕСКОЙ КОНФЕРЕНЦИИ ДЫЛЬНОВСКИЕ ЧТЕНИЯ «РОССИЙСКАЯ ИДЕНТИЧНОСТЬ: СОСТОЯНИЕ И ПЕРСПЕКТИВЫ» 12 ФЕВРАЛЯ 2015 ГОДА ИЗДАТЕЛЬСТВО «САРАТОВСКИЙ ИСТОЧНИК» УДК 316.3 (470+571)(082) ББК 60.5 я43 М34 М 34 Материалы научно-практической конференции Дыльновские чтения «Российская идентичность: состояние и перспективы»: Саратов: Издательство...»

«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...»

«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...»

«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....»

«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...»

«частный фонд «фонд первого президента республики казахстан – лидера нации» совет молодых ученых инновационное развитие и востребованность науки в современном казахстане V международная научная конференция сборник статей (часть 2) общественные и гуманитарные науки алматы УДК 001 ББК 73 И 6 ответственный редактор: мухамедЖанов б.г. Исполнительный директор ЧФ «Фонд Первого Президента Республики Казахстан – Лидера Нации» абдирайымова г.с. Председатель Совета молодых ученых при ЧФ «Фонд Первого...»

«Геннадий Вас а й сильевич Дыльнов е ло САРАТОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ИМЕНИ Н.Г. ЧЕРНЫШЕВСКОГО Социологический факультет МАТЕРИАЛЫ МЕЖДУНАРОДНОЙ НАУЧНО-ПРАКТИЧЕСКОЙ КОНФЕРЕНЦИИ ДЫЛЬНОВСКИЕ ЧТЕНИЯ «РОССИЙСКАЯ ИДЕНТИЧНОСТЬ: СОСТОЯНИЕ И ПЕРСПЕКТИВЫ» 12 ФЕВРАЛЯ 2015 ГОДА ИЗДАТЕЛЬСТВО «САРАТОВСКИЙ ИСТОЧНИК» УДК 316.3 (470+571)(082) ББК 60.5 я43 М34 М 34 Материалы научно-практической конференции Дыльновские чтения «Российская идентичность: состояние и перспективы»: Саратов: Издательство...»

«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...»

«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...»

«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...»

«Санкт-Петербургский государственный университет Факультет социологии Социологическое общество им. М.М.Ковалевского Четвертые Ковалевские чтения Материалы научно-практической конференции С.-Петербург, 12-13 ноября 2009 года Санкт-Петербург ББК 60.Редакционная коллегия: А.О.Бороноев, зав. кафедрой ф-та социологии СПбГУ, докт. филос. н., проф., Ю.В.Веселов, зав. кафедрой ф-та социологии СПбГУ, докт. экон. н., проф., В.Д.Виноградов, зав. кафедрой ф-та социологии СПбГУ, докт. социол. н., проф.,...»

«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...»







 
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.