Интеллект это в обществознании: Доклад на тему: Интеллект и его виды
Что такое интеллект и что отражают тесты IQ?
Интеллект – это понятие, о котором говорят повсеместно. Его уровень измеряют у маленьких детей при поступлении в школу, тестируют в более старших классах, а иногда о показателе IQ (коэффициент интеллекта) даже спрашивают при приеме на работу. Но что же это такое? Что именно включается в понятие интеллекта? Стоит ли слепо доверять результатам тестов на интеллект? Сегодня мы попробуем разобраться в этих вопросах.
Об интеллекте
Традиционно под интеллектом понимаются ум или умственные способности человека. Иногда под ним подразумевается способность к обучению и усвоению новых знаний и умений. Но на самом деле это понятие гораздо шире.
Классическое определение трактует интеллект как внутреннюю структуру, которая помогает воспринимать, отбирать, обрабатывать и организовывать информацию, адаптироваться к окружающей среде, реагировать на изменения условий окружающей среды и обучаться.
Краткий обзор основных теорий интеллекта
На данный момент разработано большое количество самых различных теорий интеллекта. Психологи, изучающие это явления, старались рассмотреть его со всех сторон и предлагали собственные схемы. Давайте рассмотрим основные из них.
Теория Кэттелла
Этот психолог считал, что существует два типа интеллекта:
- Текучий (свободный). Он является наследственным, дается человеку от рождения и не зависит от культурных факторов. То есть это природные способности: ходить, обучаться действиям, петь и так далее.
- Кристаллизованный. Его можно также назвать искусственным, так как кристаллизованный интеллект приобретается в процессе овладения культурой, в процессе обучения. Сюда можно отнести умение читать, писать, решать математические задачи и так далее.
Теория Спирмена
Английский психолог Чарльз Спирмен создал иерархическую модель интеллекта. По его мнению, во главе всего стоит общий (главный) фактор – фактор G. Он общий для всех людей, но может иметь разные количественные показатели. В свою очередь фактор G делиться на арифметический, механический и лингвистический интеллект. Эти виды присутствуют у каждого человека, но имеют разную выраженность, которую можно определить с помощью теста интеллекта.
Теория Терстоуна
В ответ на теорию Спирмена этот американский психолог попытался выделить собственные факторы интеллекта и пришел к выводу, что не существует единого фактора G, а есть 9 основных факторов:
- Пространственные отношения
- Вербальные отношения (как понимание слов)
- Перцептивная скорость (скорость протекания умственных процессов)
- Операции с числами
- Беглость речи
- Память
- Индукция
- Механические способности (способности тела)
- Дедукция
Совокупность этих факторов обуславливает интеллект и его количественные показатели (выявляются при помощи тестов). При этом одни факторы у конкретного человека могут быть развиты лучше, чем другие.
Теория Гилфорда
Джой Гилфорд пошел еще дальше своих коллег и создал многофакторную модель интеллекта, которая включает в себя 120(!) факторов. Интеллект он представлял в виде:
- Содержания мышления
- Операций мышления
- Результатов мышления
Эти измерения независимы по отношению друг к другу и каждое может включать в себя несколько видов (4 для содержания, 5 для операций и 6 для результатов). Сочетания всех этих переменных (если их перемножить) как раз и дают 120 факторов.
Теория Гарднера
Говард Гарднер считал, что существует не один тип интеллекта, а несколько различных типов:
- Логико-математический (способности к математике и другим точным наукам)
- Словесно-лингвистический (владение словом в идеале, умение хорошо говорить, отлично понимать речь, писать книги)
- Визуально-пространственный (способность отлично ориентироваться в пространстве, создавать что-то своими руками, разбираться в схемах, чертежах и пр.
- Телесно-кинестетический (способность в идеале владеть собственным телом – заниматься спортом, танцами и т.д.)
- Музыкальный (абсолютный музыкальный слух, умению хорошо петь, писать музыку)
- Натуралистический (способность познавать окружающий мир, взаимодействовать с природой, обращаться с животными)
- Межличностный (умение взаимодействовать с другими людьми, понимать, чувствовать их)
- Внутриличностный (способности к самопознанию)
Как мы теперь знаем, существует много концепций интеллекта, но все они говорят о том, что интеллект – понятие многогранное и очень широкое. У каждого человека он индивидуален. Поэтому говорить о низком уровне интеллекте по отношению к детям, не отличающимся, например, успехами в школе, в корне неверно.
Тесты интеллекта и что такое IQ
Итак, теорий интеллекта много. Что же тогда измеряют тесты, на что они направлены и стоит ли доверять их результатам?
Первые тесты интеллекта появились в 1904 году и были созданы для того, чтобы распределять детей с разными способностями по разным классам и школам (например, обычные и коррекционные учебные заведения).
Пример задания из детского теста Векслера. Источник фото
Как правило, сегодня в детских садах и школах для диагностики интеллекта применяют тест Векслера (существует несколько вариантов для детей разного возраста, а также тест для взрослых). Он включает в себя 12 субтестов, направленных на измерение разных параметров (например, осведомленность, понятливость и другие). Результатом является количественная оценка – коэффициент интеллекта (IQ). Как правило, критерии оценки следующие:
- 90-110 баллов – норма, которую имеет большинство людей
- Более 110 баллов – одаренность
- Менее 90 баллов – умственная недостаточность (70 баллов – умственная отсталость)
Детские тесты интеллекта позволяют выявить наличие у ребенка запаса знаний, а также сформированность некоторых способностей (умение хорошо говорить и оперировать словами, находить сходства/различия). Однако следует учитывать, что результат – это лишь количественная, но не качественная оценка. Она не позволяет говорить о дальнейшем развитии ребенка и не дает разъяснения причин получения конкретных результатов. Правильная и качественная диагностика интеллекта детей должна включать в себя комплекс методик, которые проводит и интерпретирует квалифицированный специалист-психолог.
ПРИМЕЧАНИЕ! Тесты интеллекта, которые можно пройти онлайн в интернете, часто дают неверные результаты. Их оценки отличаются от нормативных и могут дезориентировать в отношении интеллектуальных способностей ребенка/взрослого.
Несколько рекомендаций по развитию интеллекта напоследок
Группа 1: Интеллект как способность к обучению и усвоению знаний
Для развития этого направления будет полезно:
- Повышать общую осведомленность ребенка. Маленьким детям читайте книги, рассказывайте интересные факты из физики, биологии, географии, астрономии истории и других наук.
- Решать головоломки и задачки. Это могут быть ребусы, математические и логические задачи, поиск отличий, рисование картинок по точкам, кроссворды и так далее. Выбор конкретных заданий зависит от возраста ребенка.
- Познавать и пробовать максимум нового. Ребенку нужно развиваться всесторонне. Поэтому ему необходимо просматривать познавательные фильмы и программы, ходить на выставки/в театр/в кино, посещать кружки, гулять во дворе и прочее.
Увлеченное чтение – один из способов развития интеллекта. Источник фото
Группа 2: Интеллект как способность к творчеству
По мнению ряда ученых, способности к музыке, рисованию и танцам также являются видами интеллекта. В развитии этого направления помогут:
- Кружки и секции
- Культурные походы (выставки, экспозиции, театры)
- Прослушивание классической музыки
- Регулярное рисование (на любом уровне, доступном ребенку)
- Создание чего-то своими руками (лепка, конструирование, вышивание, шитье, плетение, выжигание по дереву)
Группа 3: Интеллект как способность к адаптации и взаимодействию
Известны случаи, когда великие ученые, достигшие огромных успехов в определенной науке, оказывались абсолютно беспомощными в жизненных ситуациях или в ситуациях взаимодействия с другими людьми. Чтобы у вашего ребенка данная сторона интеллекта также была пропорционально развита, следует:
- Чаще общаться с ним, обсуждать самые различные области и стороны жизни
- Всячески поощрять общение ребенка с другими людьми, помогать ему в поиске друзей (во дворе, в школе, в кружке/секции, по переписке и т.д.)
- Задействовать детей в решении бытовых вопросов: просить помочь прибить гвоздь/сходить в магазин/помыть посуду
- Учить ребенка обращаться с деньгами, планировать бюджет
- Читать художественную литературу и обсуждать героев (их характеры, поступки, мысли, чувства)
Интеллект – это не только умение учиться, но и умение ладить с людьми. За развитие интеллекта у этих двоих точно можно быть спокойным.
Интеллект – вещь многогранная и во многих аспектах еще не познанная. Но ясно одно: интеллект – это не только способность обучаться в школе или вузе. У каждого человека он индивидуален и позволяет преуспеть в одних областях больше, чем в других. Развитие интеллекта у ребенка должно быть направлено на совершенствование всех его сторон, а также на выявление наиболее сильной стороны и ее продвижение.
Источник заглавной картинки
Понравилась статья? Поделитесь с друзьями:Мудрая сова 16 апреля 2015
Что такое эмоциональный интеллект и зачем он нужен?
Политика публикации отзывов
Приветствуем вас в сообществе читающих людей! Мы всегда рады вашим отзывам на наши книги, и предлагаем поделиться своими впечатлениями прямо на сайте издательства АСТ. На нашем сайте действует система премодерации отзывов: вы пишете отзыв, наша команда его читает, после чего он появляется на сайте. Чтобы отзыв был опубликован, он должен соответствовать нескольким простым правилам:
1. Мы хотим увидеть ваш уникальный опыт
На странице книги мы опубликуем уникальные отзывы, которые написали лично вы о конкретной прочитанной вами книге. Общие впечатления о работе издательства, авторах, книгах, сериях, а также замечания по технической стороне работы сайта вы можете оставить в наших социальных сетях или обратиться к нам по почте [email protected].
2. Мы за вежливость
Если книга вам не понравилась, аргументируйте, почему. Мы не публикуем отзывы, содержащие нецензурные, грубые, чисто эмоциональные выражения в адрес книги, автора, издательства или других пользователей сайта.
3. Ваш отзыв должно быть удобно читать
Пишите тексты кириллицей, без лишних пробелов или непонятных символов, необоснованного чередования строчных и прописных букв, старайтесь избегать орфографических и прочих ошибок.
4. Отзыв не должен содержать сторонние ссылки
Мы не принимаем к публикации отзывы, содержащие ссылки на любые сторонние ресурсы.
5. Для замечаний по качеству изданий есть кнопка «Жалобная книга»
Если вы купили книгу, в которой перепутаны местами страницы, страниц не хватает, встречаются ошибки и/или опечатки, пожалуйста, сообщите нам об этом на странице этой книги через форму «Дайте жалобную книгу».
Недовольны качеством издания?
Дайте жалобную книгу
Если вы столкнулись с отсутствием или нарушением порядка страниц, дефектом обложки или внутренней части книги, а также другими примерами типографского брака, вы можете вернуть книгу в магазин, где она была приобретена. У интернет-магазинов также есть опция возврата бракованного товара, подробную информацию уточняйте в соответствующих магазинах.
6. Отзыв – место для ваших впечатлений
Если у вас есть вопросы о том, когда выйдет продолжение интересующей вас книги, почему автор решил не заканчивать цикл, будут ли еще книги в этом оформлении, и другие похожие – задавайте их нам в социальных сетях или по почте [email protected].
7. Мы не отвечаем за работу розничных и интернет-магазинов.
В карточке книги вы можете узнать, в каком интернет-магазине книга в наличии, сколько она стоит и перейти к покупке. Информацию о том, где еще можно купить наши книги, вы найдете в разделе «Где купить». Если у вас есть вопросы, замечания и пожелания по работе и ценовой политике магазинов, где вы приобрели или хотите приобрести книгу, пожалуйста, направляйте их в соответствующий магазин.
8. Мы уважаем законы РФ
Запрещается публиковать любые материалы, которые нарушают или призывают к нарушению законодательства Российской Федерации.
«В любом применении искусственный интеллект будет инструментом учителя, а не заменой ему»
Когда мы выбирали, на какой задаче тестировать возможность искусственного интеллекта понимать смысл текстов (а это крайне важная с точки зрения науки область, прогресс в которой найдет массу применений в самых разных отраслях и индустриях), мы изучили большое количество задач, в которых необходимо анализировать не только орфографию и пунктуацию, но и смысл текста. Однако оказалось, что в большинстве случаев для такого анализа отсутствуют объективные критерии. Например, мы думали над очень актуальной сегодня задачей выявления fake news. Но в качественном фейке уже не допускают фактических искажений. Fake news дают неверную интерпретацию, преувеличивают значение каких-либо фактов и событий, но напрямую не врут читателю, поэтому такой фейк очень нелегко разоблачить.
Образование же отличается тем, что многолетняя практика учителей и регуляторов сформировала достаточно объективные критерии оценки текста. Любой проверяющий работу учитель знает, что его проверку могут апеллировать, и поэтому отталкивается от принятых критериев. Методика ЕГЭ обладает очень четкими критериями, поэтому разные учителя, даже если немного по-разному отмечают ошибки, всегда опираются на принятый стандарт. Это дает возможность использовать эти критерии и для искусственного интеллекта.
На самом деле в нашем конкурсе есть не только сочинения в рамках ЕГЭ — например, по русскому языку у нас есть также и сочинения из обычной школьной программы, с чуть более простыми критериями проверки. Просто именно в ЕГЭ критерии оказались наиболее однозначными, что позволяет нам провести объективные испытания.
Не менее важная причина заключается в том, что образование — это социально значимая область, в которой повышение качества работы учителя даже на доли процента даст колоссальный результат, с учетом того, что у нас в стране сотни тысяч педагогов и миллионы школьников и студентов. Наша задача — создать платформу для учителей и учеников, в рамках которой ИИ помогает учителю проверять работы быстрее и качественнее, а ученикам дает онлайн-тренажер, доступный круглосуточно из любой точки мира.
— Как ведется подготовка датасета для конкурса? Сколько эссе уже в него добавлено?
— Поясню, что датасет представляет собой сборник примеров школьных работ с разметкой, то есть промаркированными ошибками. На этих примерах участники конкурса могут тренировать свои алгоритмы. В датасет входят постоянно пополняющаяся обучающая выборка с отмеченными ошибками и тестовая выборка, для которой ошибки участникам неизвестны. На тестовой выборке проводится контрольное измерение качества решения.
Сейчас мы собираем датасет вместе с нашими партнерами: русскоязычный датасет помогает формировать «Школьная лига Роснано», которая проводит большое количество хороших образовательных программ по русскому языку и литературе. Английский датасет мы собираем совместно с Дальневосточным федеральным университетом, их подразделения — Школа цифровой экономики и Центр изучения иностранных языков — обладают отличным опытом, компетенциями и международными связями.
Подготовка датасета производится на специальной платформе, созданной для конкурса. Туда загружаются эссе и сочинения, а преподаватели-эксперты выделяют ошибки в соответствии с классификатором, который мы разработали совместно с лабораторией машинного интеллекта МФТИ и при участии сотен учителей и экспертов ЕГЭ. В том числе большой вклад сделали сотрудники МГПУ и московской школы №2086. В специальном интерфейсе эксперт видит текст эссе, выделяет мышкой фрагмент текста и выбирает из списка классификатора нужный тип ошибки и после этого, если это необходимо, пишет текстовый комментарий, который позволит ученику понять, в чем суть ошибки или как правильно написать текст.
Помимо ошибок эксперты выделяют смысловые блоки — так как одним из критериев хорошо написанной работы является обязательное наличие определенных типов таких блоков. Например, в работах по истории должно быть несколько исторических примеров. Фактически, если ошибки снижают оценку за работу, то правильное использование смысловых блоков ее, наоборот, повышает.
Пока что на сайте конкурса опубликована небольшая обучающая выборка, в ней около 350 размеченных сочинений. К концу августа их будет больше двух тысяч, а всего в течение конкурса наши эксперты разметят свыше 20 тысяч работ. Помимо собранных нами эссе в 2021 году мы откроем платформу для публичного использования — любой школьный учитель или репетитор сможет использовать ее для того, чтобы, с одной стороны, проверять работы своих учеников, а с другой стороны — помочь нам с краудсорсингом датасета. За счет него мы рассчитываем увеличить размер датасета в несколько раз.
— Сильно ли отличаются оценки, которые выставляют одним и тем же работам разные эксперты? Как вы решаете эту проблему?
— Дело даже не в оценках. Оценка, по большому счету, вычисляется по простой формуле, исходя из тех ошибок, которые найдены. Наоборот, фокус на оценке иногда приводит к искажению работы учителя — если сочинение «на троечку», иногда проверяющие ищут не все ошибки, какие в работе есть, а необходимое для обоснования оценки количество. Поэтому наших экспертов мы собственно оценку ставить не просим, ведь наша задача — научить ИИ понимать смысл текста и давать полезную обратную связь, а не просто ставить школьникам баллы.
Разметки разных экспертов отличаются значительно — разная локализация ошибок (начало и конец ошибки или фрагмента), иногда отличаются типы ошибок и почти всегда отличается текстовый комментарий. Не говоря уже о том, что один учитель иногда выделяет ошибку там, где другой ее не выделяет.
Как мы работаем с такими противоречиями? Во-первых, следуем тем алгоритмам, которые используются для проверки работ ЕГЭ. Каждый текст проверяет как минимум два преподавателя, а в случае, если расхождения между их разметками достаточно большие, — автоматически назначается третий эксперт. В отличие от первых двух экспертов, он видит оба варианта разметки и делает третий, результирующий вариант.
Во-вторых, задача участников конкурса не в том, чтобы повторить эталонную разметку — ведь эталона не существует, все учителя проверяют работы по-разному, несмотря на общие критерии. Задача ИИ — сделать такую проверку, чтобы она отличалась от разметок экспертов не сильнее, чем разметки экспертов отличаются друг от друга. Платформа автоматически рассчитывает степень сходства между разметками и сравнивает процент сходства разметок экспертов и разметки ИИ. Если процент сходства ИИ равен или выше процента сходства экспертов — задача решена.
Этот подход очень хорош своей гибкостью: разметки экспертов в ходе проверки простых эссе отличаются друг от друга незначительно, а значит, и ИИ должен очень близко их повторить. Но для сложных сочинений, в которых эксперты очень по-разному выделяют ошибки, расхождение может быть серьезным, поэтому и у ИИ есть широкий коридор допустимых вариантов. В том числе, если один эксперт ошибку выделил, а второй посчитал, что ошибки нет, то для ИИ будет корректно как выделить эту ошибку, так и не выделить.
Более того, для ошибок, которые выделил ИИ, но не заметили эксперты, мы будем проводить отдельную ручную проверку. Если выяснится, что ИИ ошибку нашел, а эксперты пропустили, то алгоритм получит дополнительные баллы. Это особенно важно в практическом смысле: если ИИ-ассистент будет помогать учителю не просто быстрее проверять работы, но и находить такие ошибки, которые учитель сам бы пропустил, то польза от такого помощника будет заметно больше.
— С какими еще сложностями вы столкнулись на этапе формирования датасета?
— Самый сложный момент был связан не с методикой проведения конкурса, а с этическими вопросами. Школьные учителя, с которыми мы консультировались, разделились на два лагеря: технопессимисты считают, что внедрение ИИ будет отбирать у учителя работу, приведет к дополнительным сокращениям штатов в школах и в целом негативно повлияет на качество образования. Оптимисты же, наоборот, отмечают, что учителям часто не хватает времени вчитываться в работы глубоко, и если появится ИИ, который хорошо выделяет по крайней мере простые ошибки, то учитель сможет потратить больше времени на объяснение сложных ошибок.
Моя личная позиция: любые технологии могут быть использованы как во благо системе и отдельным людям, так и во вред. В нашем случае, я думаю, что на первых этапах нельзя делать использование такой системы обязательным. Принудительное внедрение всегда вызывает перегибы. Возможно, правильным будет использование такого ИИ в первую очередь в системе дополнительного образования, в работе репетиторов и в школах, испытывающих кадровый дефицит, вдали от крупных городов. Если учитель перегружен, у него маленький стаж и нет никого, кто мог бы его поддержать, — то для него ИИ-ассистент однозначно будет благом.
Конечно, за пару лет оцифровать такой глубокий процесс, как оценка содержания работ школьников в масштабах страны, невозможно. Поэтому одной из задач всех, включенных в реформу образования, является проведение как можно более ранних экспериментов, пилотных внедрений и итеративное улучшение системы образования. Принципиально важно начинать этот процесс не с административного принуждения, а с того, чтобы разрешить эксперименты тем, кто на них готов.
Если мы пойдем по этому пути, то к моменту, когда технологии будут готовы к широкомасштабному внедрению, мы уже будем готовы отдать своих детей учителю, вооруженному не только бумажными учебниками и доской, но и ИИ-ассистентами.
— Что именно должен уметь искусственный интеллект, чтобы справляться с анализом текста на уровне специалиста?
— В конкурсе есть три группы метрик, по которым ИИ должен показать результат, сопоставимый с живым преподавателем-экспертом, чтобы претендовать на победу:
- Локализация ошибок и фрагментов, то есть нужно уметь находить те отрывки текста, на которые преподаватель должен обращать внимание при оценке работы, — как повышающие оценку фрагменты, так и понижающие ее ошибки.
- Классификация ошибок и фрагментов. В классификаторе есть более 50 разных типов ошибок, из которых часть — общая для всех предметов (например, фактические ошибки), а часть — специальные для отдельного предмета, который проверяется в конкурсе: русский язык, литература, обществознание, история и английский язык. Например, в сочинениях по истории ошибкой считаются рассуждения, не опирающиеся на исторические факты или мнения историков, а для сочинений по литературе такие рассуждения ошибкой не являются.
- Создание на естественном языке понятного школьнику комментария о том, как нужно было правильно написать и почему.
Во-вторых, ИИ должен работать быстро — на проверку одного эссе отводится в среднем 30 секунд (на сложную или длинную работу можно потратить и больше, но среднее значение нельзя превысить).
И, наконец, технические моменты. ИИ должен уметь скачать и загрузить эссе на платформу без ошибок в синтаксисе разметки. Каждое эссе на платформе — это txt-файл. Разметка осуществляется на похожем на markdown языке (грубо говоря — как теги в Википедии), очень простом, чтобы его было легко читать и машине, и человеку, открывшему файл в блокноте.
— Разработчики таких решений для английского языка сейчас ближе к преодолению технологического барьера, чем те, кто работает с русскоязычными текстами?
— На текущий момент для английского языка есть гораздо больше хороших решений, библиотек и языковых моделей, чем для русского языка, — в первую очередь из-за объема англоязычного рынка и количества ученых и инженеров, работающих над этими решениями.
В частности, есть очень хорошие языковые модели-трансформеры: GPT-3 (разработка OpenAI) и BERT (разработка Google). Это очень большие нейросети, которые никто не учил решать нашу конкурсную задачу, однако они обладают огромным количеством «общих» знаний о языке и мире. Одних этих сетей недостаточно для победы в конкурсе, но в целом работу командам они упростят — они уже довольно хорошо «знают» язык, поэтому научиться выполнять конкретную задачу проще.
Дополнительная образовательная программа «Живое обществознание»
Образовательная программа «Живое обществознание» предназначена для детей, проявляющих одарённость, высокие способности и мотивацию к изучению социологии, политологии, философии, права и других научных дисциплин, которые включает в себя курс обществознания. Иными словами, если Ты уже прекрасно ориентируешься в понятиях «социальное неравенство», «стратификация», «социальная мобильность» и хочешь узнать, что по этому поводу думали и писали в своих работах Карл Маркс, Макс Вебер, Питирим Сорокин, то Тебе к нам, в Центр «Интеллект», на программу «Живое обществознание». Ты спросишь, почему «живое»? Ответ простой: наши занятия – это не только теоретическое обществознание, но и работа с источниками, интерактивные семинары, дебаты и круглые столы. Ты не только получишь новые знания, но и прокачаешь важнейшие компетенции, которые позволят Тебе анализировать работы Альбера Камю, Жан-Поль Сартра, Герберта Маркузе и других мыслителей. Ты поймешь, что общего у Ханни Арендт и романа «1984» и почему его автор, Джордж Оруэлл, критикуя сталинизм, называл себя либертарным социалистом. Ты отточишь свои ораторские навыки на дебатах, а затем примешь участие в региональном форуме «Мысли», куда съедутся команды со всей Ленинградской области.
Твоими наставниками станут лучшие учителя Ленинградской области, аспиранты и преподаватели ведущих ВУЗов Санкт-Петербурга. Ты получишь массу незабываемых эмоций и сможешь подготовиться к творческим конкурсам, предметным олимпиадам по обществознанию и праву. Ну, а если ты проявишь себя как самый мотивированный и целеустремленный участник образовательной программы, то тебя ждет региональная олимпиадная сборная, ежемесячные тренинги, а также несколько поездок на учебу в образовательные центры Подмосковья и других регионов.
Если Ты учишься в 9-10 классе, и все то, о чем Ты сейчас прочитал, Тебе интересно, то мы ждем тебя у нас на образовательной программе «Живое обществознание».
Право, обществознание — МГПУ
Половникова Анастасия Владимировна
кандидат педагогических наук, доцент
Общий стаж: Трудовой стаж с 1991 года.
Научно-преподавательский стаж: В сфере науки и образования работает с 1991 года. В Московском городском педагогическом университете работает с 1999 года.
Профессор кафедры методики преподавания истории, обществознания и права МГПУ, работает на кафедре с 2014 года, кандидат педагогических наук, доцент.
С 1991 г. работает в системе общего и среднего профессионального образования. Прошла трудовой путь от учителя до заместителя директора школы. В 2008—2014 гг. работала директором Гуманитарно-правового колледжа МГПУ. Читала лекции в Московском государственном университете им. М.В. Ломоносова, Каршинском государственном университете Республики Узбекистан. Институте развития образовательных технологий.
Принимала участие в межведомственной рабочей группе по разработке Концепции преподавания обществознания в Российской Федерации (2016−2018 гг.). Эксперт международного исследования PISA в области финансовой грамотности. Старший эксперт ЕГЭ по обществознанию. С 2016 г. — член экспертного совета по финансовой грамотности Центрального Банка РФ.
Является председателем жюри Московской олимпиады школьников по обществознанию, заместителем председателя методической комиссии Московской олимпиады школьников по праву, членом жюри Московской олимпиады школьников по истории. Член жюри и апелляционной комиссии по обществознанию муниципального этапа и член городской предметно-методической комиссии по обществознанию Всероссийской олимпиады школьников. Эксперт национального этапа чемпионата «Молодые профессионалы (Ворлдскиллс Россия)» по компетенции «Преподавание в основной и средней школе».
Автор более 120 публикаций, среди которых: федеральные учебники «Обществознание. 8 класс» (Просвещение, 2021), «Обществознание. 10 класс» (Просвещение, 2021), «Право. 10 класс» (Просвещение, 2021), а также: «Азбука молодого гражданина» (Арди-Принт, 2014), «Общие тенденции и перспективы развития социально-гуманитарного образования в российской школе» (МГПУ, 2017), «Социально-гуманитарное образование в современном образовательном пространстве: реалии и тенденции» (Книгодел, 2018), «Финансовая грамотность. 1−4 классы» (Интеллект-Центр, 2018), «Право. 10−11 классы» (РГУП, 2020), «Социально-гуманитарное образование и модели организации социокультурной практики студентов» (Книгодел, 2021). Автор правовых квестов и викторин.
Научный руководитель магистерской программы «Теория и методика преподавания обществознания и истории».
Принимает активное участие в разнообразных научных работах, в том числе в рамках реализации мероприятий проекта «Содействие повышению уровня финансовой грамотности населения и развитию финансового образования в Российской Федерации», федерального проекта «Кадры для цифровой экономики» национальной программы «Цифровая экономика Российской Федерации», федерального проекта «Учитель будущего» национального проекта «Образование». Разработчик измерительных материалов по функциональной грамотности (проект Института стратегии образования Российской академии образования).
Ведет курс «Функциональная грамотность: развиваем в школе» на ресурсе «Я учитель».
Вот, как повторить весь материал к ЕГЭ 2022 по обществознанию
Вот, как повторить весь материал к ЕГЭ 2022 по обществознанию
Вот, как повторить весь материал к ЕГЭ 2022 по обществознанию
Всем доброго времени суток! На связи с Вами Андрей Пучков!
Время плавно приближается к тому моменту икс, когда вы окажетесь за партой и перед вами будет лежать экзаменационная работа ЕГЭ 2022 по обществознанию. Ладошки ваши моментально вспотеют, и я настоятельно рекомендую принести с собой платок, чтобы он впитывал пот с рук.
Но до этого момента еще есть золотое время, когда можно понять, в каких темах у вас пробелы, а в каких их нет. Недавно проводил вебинар с разбором типичных ошибок на обществе. Несколько вопросов меня просто поразили. Например, один из участников спросил, что такое межпоколенная социальная мобильность?
Я говорю вот именно о таких вещах: вы думаете, что, к примеру, знаете все о социальной стратификации и мобильности, а на самом деле оказывается, что это совсем не так!
Как «устаканить» знания
Мало кто понимает, что самое главное в подготовке к ЕГЭ — это работа с терминами и понятиями. Ведь и в первой, и во второй части тестируется знание понятий и определений: их характерных черт, признаков, умение их формулировать и использовать.
Для своих ребят на курсах я создал блок материалов, с помощью которого можно за несколько дней «устаканить» ВЕСЬ материал по обществознанию. Главное условие, чтобы вы до этого что-то еще учили. Вот три простых шага:
Шаг 1. Структура терминов
Повторяем все термины. Для своего Продвинутого Практикума ЕГЭ по обществознанию для каждого раздела я сделал структуру терминов по каждой сфере обществознания. В схеме вес просто: один термин органично вытекает из другого. И тут же даны мои определения понятий. В чем отличия моих определений от всех прочих? Во-первых, они коротки и лаконичны. В них есть: непосредственно определяющее словосочетания и необходимое дополнение. Мой опыт показал, что именно такие определения лучше всего запоминаются.
Шаг 2. Работа с кроссвордами
По каждой сфере у меня есть кроссворды, которые помогают наработать знание понятий и их определений. Все очень просто: кроссворд интерактивный. Кликаешь на пустое слово, появляется его определение, надо назвать термин, подходящий под данное определение.
Шаг 3. Смотрим как связаны термины в инфокартах
Для своих ребят с курсов я создал несколько крутейших полноформатных инфокарт по наиболее сложным темам. В них все понятно и наглядно. Бери и смотри связи в каждой теме. А потом устно расскажи тему по этой данной инфокарте. Для этого есть комплект тренингов к интеллект-картам.
Интеллект-карта, майнд-карта или инфокарта — это суть графический файл, в котором какая-то тема представлена доступно, понятно, а самое главное наглядно.
Как пользоваться такими картами? Во-первых, их надо закачать себе в телефон, планшет или на компьютер и при любом удобном случае их изучать. В интеллект-карте масса связей между понятиями, терминами. В хороших еще есть и графические элементы. Это все помогает усвоить теорию.
В чем особенность нашего комплекта:
- Представлено только то, что спрашивает ЕГЭ.
- Есть материал, которых нет в пособиях, но который спрашивается на ЕГЭ. Например, в пособии Баранова представлена типология политического участия по Максу Веберу. Но, во-первых, нигде не написано, что это его типология. А во-вторых, напрочь отсутствует современная классификация политического участия. А вот в наших интеллект-картах представлены обе классификации! И таких моментов десятки!
- Весь материал сопровождается примерами. То есть мы не просто подобрали картинки к темам. Мы оформили готовые примеры для усвоения тех или иных тем. Например, в интеллект-карте по социальной мобильности мы привели не только все ее виды, которые спрашивает ЕГЭ, но и графически отразили примеры!
- Примеры — это самое главное. Именно они позволяют связать теорию и общественную жизнь. Затрудняетесь подобрать примеры к ответу, или к сочинению? Не проблема — открываете нужную интеллект-карту и смотрите!
- Мобильность комплекта. Все карты залиты в онлайн-папку. После оплаты Вы получаете к ней доступ навсегда! Любые обновления интеллект-карт доступны Вам навсегда! Открывайте и пользуйтесь с любого устройства!
- В комплекте есть тренинги, которые проверяют, как Вы запомнили материал интеллект-карт!
Для кого комплект?
- Для ребят, которые хотят сдать ЕГЭ по обществознанию на максимальные баллы.
- Для преподавателей, репетиторов, которые готовят к ЕГЭ по обществознанию
Вот, какие темы отражены в интеллект-картах:
- Безработица и рынок труда
- Виды потребностей
- Виды семьи
- Глобальные проблемы
- Деньги как финансовый институт
- Объекты отраслей права
- Отклоняющееся поведение
- Политическая элита
- Политические процессы
- Политическое участие
- СМИ в политической системе
- Рынок труда
- Социальная группа
- Социальная мобильность
- Социальная роль
- Социальные процессы
- Социальная стратификация
- Финансовые институты. Банковская система
- Ценные бумаги
СКАЧАТЬ ОБРАЗЕЦ НОВОЙ ИНТЕЛЛЕКТ-КАРТЫ =>>
БОНУС : интеллект-карты из курса «Обществознание: ЕГЭ на 100 баллов»:
- Виды знаний и познание
- Идеологии
- Социальные институты
- Капитал
- Культура, искусство, наука
- Политика
- Системное строение общества
- Социальная структура
- Социальный статус
- Экономическая сфера
ВНИМАНИЕ ЕЩЕ ОДИН БОНУС: Мы подготовили комплект тренингов по новому комплекту интеллект-карт. Вот видеопрезентация тренинга.
СКАЧАТЬ ОБРАЗЦЫ ИНТЕЛЛЕКТ-КАРТ И ТРЕНИНГА МОЖНО ЗДЕСЬ=>>
Как получить комплект интеллект-карт?
Получить комплект может каждый желающий сразу после оплаты. Комплект интеллект-карт слит с полным комплектом материалов по обществознанию=>>
Поделиться в соц. сетях
Комплект новых интеллект-карт по обществознанию к ЕГЭ 2020: старт! | Hi-Tech
Всем доброго времени суток! На связи с Вами Андрей Пучков!
Итак, в ноябре я обещал новый Комплект интеллект-карт по обществознанию. И вот его старт! Но в начале пару слов, как шла работа над ним и вообще для кого он?
Итак, как только я сел на разработку Комплекта, я сразу понял, что 30 интеллект-карт никак не получается. Тем в Кодификаторе не резиновое число. Плюс, я уже создал 10 инфокарт для видеокурса «Обществознание: ЕГЭ на 100 баллов». Поэтому создал 19 интеллект-карт.
Интеллект-карта, майнд-карта или инфокарта — это суть графический файл, в котором какая-то тема представлена доступно, понятно, а самое главное наглядно.
Как пользоваться такими картами? Во-первых, их надо закачать себе в телефон, планшет или на компьютер и при любом удобном случае их изучать. В интеллект-карте масса связей между понятиями, терминами. В хороших еще есть и графические элементы. Это все помогает усвоить теорию.
В чем особенность нашего комплекта:
- Представлено только то, что спрашивает ЕГЭ.
- Есть материал, которых нет в пособиях, но который спрашивается на ЕГЭ. Например, в пособии Баранова представлена типология политического участия по Максу Веберу. Но, во-первых, нигде не написано, что это его типология. А во-вторых, напрочь отсутствует современная классификация политического участия. А вот в наших интеллект-картах представлены обе классификации! И таких моментов десятки!
- Весь материал сопровождается примерами. То есть мы не просто подобрали картинки к темам. Мы оформили готовые примеры для усвоения тех или иных тем. Например, в интеллект-карте по социальной мобильности мы привели не только все ее виды, которые спрашивает ЕГЭ, но и графически отразили примеры!
- Примеры — это самое главное. Именно они позволяют связать теорию и общественную жизнь. Затрудняетесь подобрать примеры к ответу, или к сочинению? Не проблема — открываете нужную интеллект-карту и смотрите!
- Мобильность комплекта. Все карты залиты в онлайн-папку. После оплаты Вы получаете к ней доступ навсегда! Любые обновления интеллект-карт доступны Вам навсегда! Открывайте и пользуйтесь с любого устройства!
Для кого комплект?
- Для ребят, которые хотят сдать ЕГЭ по обществознанию на максимальные баллы.
- Для преподавателей, репетиторов, которые готовят к ЕГЭ по обществознанию
Вот, какие темы отражены в интеллект-картах:
- Безработица и рынок труда
- Виды потребностей
- Виды семьи
- Глобальные проблемы
- Деньги как финансовый институт
- Объекты отраслей права
- Отклоняющееся поведение
- Политическая элита
- Политические процессы
- Политическое участие
- СМИ в политической системе
- Рынок труда
- Социальная группа
- Социальная мобильность
- Социальная роль
- Социальные процессы
- Социальная стратификация
- Финансовые институты. Банковская система
- Ценные бумаги
СКАЧАТЬ ОБРАЗЕЦ НОВОЙ ИНТЕЛЛЕКТ-КАРТЫ =>>
БОНУС только до 23 ноября (включительно): интеллект-карты из видеокурса «Обществознание: ЕГЭ на 100 баллов»:
- Виды знаний и познание
- Идеологии
- Социальные институты
- Капитал
- Культура, искусство, наука
- Политика
- Системное строение общества
- Социальная структура
- Социальный статус
- Экономическая сфера
ВНИМАНИЕ ЕЩЕ ОДИН БОНУС:
Мы подготовили комплект тренингов по новому комплекту интеллект-карт. Вот видеопрезентация тренинга:
СКАЧАТЬ ОБРАЗЦЫ ИНТЕЛЛЕКТ-КАРТ И ТРЕНИНГА МОЖНО ЗДЕСЬ=>>
Как получить комплект?
Получить комплект может каждый желающий сразу после оплаты. Предусмотрено два тарифа: пользовательский и ПРО. Первый — для выпускников, ребят, которые готовятся к ЕГЭ. Второй, ПРО, для преподавателей и репетиторов. В чем отличие, смотрите это видео:
Тариф Пользовательский
Доступ к обновляемой онлайн-папке с новым комплектом интеллект-карт и БОНУСОМ!
Плюсом Вы можете прибавить к заказу наши видеокурсы по обществу со скидкой 60 %. Это только до 23 ноября (включительно)!
(Вы получаете письмо со ссылкой на интеллект-карты сразу после оплаты. Если Вы не получили письмо в течение 3 минут, напишите нам в службу поддержки бы мигом продублируем письмо со ссылкой!)
Стоимость без скидки 1890 ₽
(стоимость со скидкой!)
Тариф ПРО
- Доступ к обновляемой онлайн-папке с новым комплектом интеллект-карт и БОНУСОМ!
- Доступ к Конструктору интеллект-карт и их исходникам с лицензией на использование в образовательной деятельности!
- Видеоуроки по редактированию интеллект-карт и преобразованию их в презентации.
- СПЕЦИАЛЬНЫЙ БОНУС ТОЛЬКО ДО 23 НОЯБРЯ (включительно): Дарим все наши медиа презентации по обществознанию (обычная стоимость 1900 р.)
- Плюсом Вы можете прибавить к заказу наши видеокурсы по обществу со скидкой 60 %. Это только до 23 ноября (включительно)!
Стоимость без скидки 4900 ₽
(стоимость со скидкой!)
Стартовые условия со всеми бонусами доступны только до 23 ноября (включительно)! Успевайте!
До конца стартовых условий осталось:
Как оплатить?
Вводите Ваше имя и E-mail
Выбираете выгодное предложение. Если не надо, нажимаете «Перейти в корзину
Зачем ИИ нужны социальные науки | Факультет искусств
Быстрый рост технологий искусственного интеллекта привел к возникновению этических вопросов, с которыми общества теперь могут столкнуться. Хотя о существовании умных машин и человекоподобных роботов фантазировали на протяжении десятилетий, мы видим, что то, что когда-то было строго научной фантастикой, стало реальностью. Ученые-компьютерщики и инженеры по обработке данных внедряют инновации в области искусственного интеллекта, которые скоро превзойдут человеческие способности принимать решения.Чтобы быть ясным, искусственный интеллект в широком смысле относится к системам, которые могут выполнять функции или выполнять задачи, которые в прошлом требовали человеческого интеллекта. По мере расширения технологий искусственного интеллекта будет расти и их влияние на ряд видов человеческой деятельности.
В нашем технологически ориентированном мире многие технологии искусственного интеллекта легко приветствуются в нашей жизни. Существует спешка, чтобы успевать за новейшими смартфонами, приложениями, устройствами помощи в доме и т. Д. Такие компании, как Facebook, Alphabet (т. Е. Холдинговая компания Google), Amazon и Apple, продолжают занимать лидирующие позиции на фондовом рынке США. четкое указание на аппетит нашего общества к технологиям.
Стремясь получить последнюю версию Alexa или Google Home, мы забываем о разрыве между тем, насколько мы знаем о технологиях на основе искусственного интеллекта, и частотой, с которой мы их внедряем и используем. Алгоритмы, лежащие в основе этих устройств, могут извлекать данные о самых сокровенных аспектах нашей повседневной жизни, но мы не знаем, как эта информация используется. Помимо личного использования, многие технологии на основе искусственного интеллекта теперь интегрированы в государственный сектор, правоохранительные органы, банковские и медицинские службы.Несмотря на неясность работы ИИ, он стал отвечать за определение кредитных рейтингов, информирование о решениях об освобождении под залог и постановку медицинских диагнозов.
Социологи и ученые-гуманитарии сейчас начинают размышлять о потенциальных последствиях такого технологического развития, и профессор философии Макгилла Эран Тал является одним из них. Хотя мы должны беспокоиться об ИИ, это не отменяет способности ИИ приносить огромное социальное благо. Как отметил профессор Таль, «искусственный интеллект может принести различные преимущества для нашего здоровья, безопасности и общего благополучия».Технологии искусственного интеллекта уже получили возможность обнаруживать ранние признаки рака, оказывать прямую помощь в усилиях по ликвидации последствий стихийных бедствий и предлагать помощь людям с нарушениями речи и слуха посредством чтения по губам. Однако при отсутствии тщательного мониторинга эти технологии также могут отрицательно повлиять на определенные группы населения.
Профессор Тал утверждает, что этические вопросы возникают, когда алгоритмы на базе искусственного интеллекта используются для принятия важных решений, таких как план лечения человека или его уголовное наказание. Ученые-информатики утверждают, что ИИ может предоставлять более сложные и точные знания, чем люди. Способность технологий искусственного интеллекта обрабатывать информацию быстрее, чем люди, также приводит к более рентабельному распределению ресурсов. Это основано на предположении, что машины нейтральны и менее подвержены ошибкам, чем их собратья-люди. Хотя ИИ может облегчить сбор и интерпретацию больших объемов информации, данные, на основе которых разрабатываются алгоритмы, могут быть окрашены человеческими предубеждениями, что может привести к этически проблематичным результатам.
Как подробно описал профессор Тал, машинная предвзятость может проявляться автоматически. Например, алгоритм, который объединяет данные, чтобы помочь судье решить, имеет ли обвиняемый право на освобождение под залог, может воспроизвести человеческие предубеждения. Черный обвиняемый из-за системных расовых различий в Соединенных Штатах имеет больше шансов получить отказ в просьбе об освобождении под залог, чем белый обвиняемый с аналогичной криминальной историей. Сама раса как переменная напрямую не принимается во внимание, но учитываются косвенные переменные, которые могут отражать расовую принадлежность человека, такую как район проживания, статус занятости, происхождение и социально-экономическое положение.Это может позволить расовому неравенству проникнуть в системы машинного обучения и создать петли обратной связи.
По словам профессора Тала, «в системах машинного обучения существует встроенная тенденция к сохранению предвзятости, если предвзятость самого набора данных». Для профессора Тала это поднимает вопросы не только о справедливости, но также о подотчетности и прозрачности, особенно в случаях ложноотрицательных результатов. Если сами разработчики искусственного интеллекта не могут точно определить, где машина пошла наперекосяк, возникает проблема.Можно представить себе катастрофические последствия получения ошибочного медицинского диагноза, основанного на алгоритме на базе искусственного интеллекта. Профессор Тал добавляет, что «технические сложности, такие как определение количества ошибок для алгоритмов, переплетаются с этическими сложностями». И социологи, и специалисты по этике должны будут сыграть свою роль в рассмотрении и разработке решений для устранения предвзятости и ошибок машин. Им также необходимо будет принять участие в более широком обсуждении эпистемических и этических ценностей в разработке алгоритмов.
Превосходство машин над человеческими возможностями — знакомая тенденция в истории человечества. Как философ науки профессор Тал предостерегает от наивного доверия к машинам. Он отмечает, что «историки играют важную роль в напоминании нам об этой тенденции рассматривать новые научные разработки как объективные». Профессор Таль приводит пример фотографии, которая в конце 19 и начале 20 гг. Рассматривалась некоторыми учеными как многообещающая механическая объективность и свобода от личных суждений.Однако фотографии чувствительны к выбору кадра, освещения и перспективы. Их чтение требует толкования и экспертной оценки. Как указывает профессор Тал, «все новые технологические разработки должны быть помещены в их исторический контекст».
Для профессора Тала существует четкая аналогия между ИИ и измерительными приборами: «Системы ИИ, анализируя данные для оценки и ранжирования людей, по сути, выполняют функции измерения». Но, в отличие от других научных процедур, мы полагаемся на системы машинного обучения, чтобы делать прогнозы, не всегда имея четких оснований полагать, что тенденции могут быть экстраполированы за пределы обучающего набора данных.Отсутствие теоретического обоснования результатов, получаемых системами ИИ, может поставить под угрозу их надежность и вызвать этические проблемы. В случаях, когда ИИ используется для обнаружения определенных заболеваний, реакции, измеряемые машинными системами, могут влиять на то, получают ли люди лечение.
Профессор Тал предлагает пример фибромиалгии, хронического болевого состояния, для которого не существует клинически установленных биомаркеров и процедура диагностики которого в значительной степени основывается на показаниях пациента. Ученые-информатики, анализируя данные о нейронной сигнатуре человека, пытаются разработать систему искусственного интеллекта для диагностики фибромиалгии. Как пояснил профессор Тал, «алгоритмы машинного обучения могут со временем стать« золотыми стандартами »для диагностики некоторых заболеваний, таких как фибромиалгия, которые трудно диагностировать традиционными способами. Рассмотрим пациента, которому на основании его самоотчета поставили бы диагноз фибромиалгия, но алгоритм дал отрицательный результат. Оставляя последнее слово за алгоритмом, мы можем причинить вред людям, которые ранее имели право на лечение, и искусственно ограничить категорию заболевания.«Медицинские антропологи, специалисты по этике и социологи могут предложить понимание справедливого и безопасного использования ИИ, а также того, какая регулирующая структура должна существовать при использовании результатов, полученных с помощью ИИ.
Для того, чтобы ИИ оказал положительное влияние на общество, потребуется опыт социологов из различных областей. Те, кто имеет опыт работы в гуманитарных и социальных науках, могут обнаружить потенциальные гнусные применения ИИ, рассматривая более широкие социальные последствия этих технологий. Такие люди могут быть особенно подготовлены для выявления проблем в ИИ, которые усугубляют давно укоренившиеся предрассудки и подвергают уязвимые группы риску. В этих беседах должны участвовать компьютерные ученые, но они также должны дополнять свой опыт знаниями социологов.
Превратить ИИ в позитивную коллективную силу в нашем будущем — непростая задача. Это потребует понимания и сотрудничества со стороны широкого круга участников, а не только из Кремниевой долины. Социологам следует признать свою способность играть ведущую роль в прокладывании пути.Такие люди, как профессор Тал, уже ломают голову и размышляют над более широкими этическими соображениями, связанными с этими новыми технологиями.
Искусственный интеллект тоже может привести к искусственной глупости. Как заявил Йошуа Бенжио, эксперт по искусственному интеллекту и научный директор Mila, Квебекского института искусственного интеллекта, «нынешние системы машинного обучения действительно глупы». Бенжио добавляет, что «они не понимают, как работают некоторые аспекты мира». Социологи и специалисты в области гуманитарных наук могут помочь предотвратить принятие интеллектуальными машинами безмозглых решений.
Насколько связаны ИИ и социальные науки?
ВведениеИскусственный интеллект (ИИ), который не был странным и незнакомым, а стал вездесущим, теперь используется во все более широком спектре человеческой деятельности. Однако следует отметить, что быстрый рост ИИ также помог решить ряд проблем, с которыми нам, как обществу, приходится иметь дело. Хотя присутствие человекоподобных роботов и умных машин — это то, о чем мы, люди, мечтали на протяжении десятилетий, сейчас мы наблюдаем превращение научной фантастики в реальность.Инновации в области искусственного интеллекта скоро превзойдут человеческие способности принимать решения.
Как ИИ меняет нашу жизньСтремясь использовать новейшие устройства, мы не осознаем разрыва между нашими знаниями о технологиях, основанных на искусственном интеллекте, и частотой, с которой мы пытаемся адаптироваться к таким технологиям. Алгоритмы, которые используют эти устройства, могут извлекать информацию о нашей частной жизни, и мы не знаем, как эта информация может быть использована. Различные ученые-гуманитарии и социологи теперь начинают думать о последствиях такого технологического развития.Однако у ИИ действительно есть способность создавать огромное социальное благо.
Проблемы, возникающие при использовании AIУченые-информатики заявляют, что ИИ может предоставить более точные и сложные знания, чем люди. Способность технологий искусственного интеллекта обрабатывать информацию быстрее, чем люди, также обеспечивает более экономичное распределение ресурсов. Здесь предполагается, что машины нейтральны с нулевым потенциалом совершения ошибок. Эти технологии искусственного интеллекта могут отрицательно повлиять на определенные группы населения, если их не контролировать.Хотя ИИ может интерпретировать и обрабатывать огромные массивы информации, разработанные алгоритмы могут быть искажены человеческими предубеждениями, что может привести к проблемным результатам. Например, косвенные переменные, такие как статус занятости, происхождение, район проживания, статус занятости и социально-экономическое положение, могут позволить расовым предубеждениям проникнуть в системы машинного обучения (ML) и создать петли обратной связи. Таким образом, у систем машинного обучения есть встроенная тенденция создавать предвзятость, если предвзято относится к самому набору данных.Поскольку технология искусственного интеллекта также широко используется в медицинских областях, пациенты также могут поддаться ошибочному диагнозу, разработанному системами искусственного интеллекта.
Насколько связаны ИИ и социальные науки?
Чтобы ИИ имел положительное влияние на общество, необходимы знания и квалификация различных социологов из самых разных областей. Люди с опытом работы в социальных и гуманитарных науках могут идентифицировать потенциально опасные применения ИИ, принимая во внимание более широкие социальные последствия таких технологий.Такие люди особенно хорошо умеют распознавать проблемы ИИ, которые усиливают предрассудки и подвергают риску уязвимые группы населения. Социологам необходимо понимать, что они способны помочь найти хорошее применение ИИ.
AI тоже может привести к искусственной глупости. Йошуа Бенжио, эксперт по искусственному интеллекту и научный директор Mila, Квебекского института искусственного интеллекта, заявляет, что «нынешние системы машинного обучения действительно бессмысленны». Бенжио добавляет, что «они не понимают, как работают некоторые аспекты мира».Социологи и специалисты в области гуманитарных наук могут помочь предотвратить принятие иррациональных решений интеллектуальными машинами.
(PDF) Как применять искусственный интеллект в социальных науках
Ссылки
1. Альтхофф Т., Джиндал П. и Лесковец Дж. (2017). Действия в Интернете с влиянием в автономном режиме:
Как социальные сети в Интернете влияют на поведение пользователей в Интернете и в автономном режиме.
Труды десятой международной конференции ACM по поиску в Интернете и данным
Mining — WSDM ’17. http://dx.doi.org/10.1145/3018661.3018672
2. Брент, Э. (1989). Разработка исследований в области социальных наук с помощью экспертных систем.
Anthropological Quarterly, 62 (3), 121. http://dx.doi.org/10.2307/3317452
3. Брент, Э., и Андерсон, Р. (1990). Компьютерные приложения в социальных науках (стр.
400-401). Нью-Йорк: Макгроу-Хилл.
4. Энкель Э. (2017). Чтобы потребители доверяли ИИ, покажите им его преимущества. Harvard
Business Review.Получено 28 августа 2017 г., с https://hbr.org/2017/04/to-get-
consumer-to-trust-ai-show-them-its-преимущества
5. Гельман, А. и Локен, Э. (2014). Статистический кризис в науке. Являюсь. Sci.102, 460.
6. Гульшан, В., Пэн, Л., Корам, М., Штумпе, М., Ву, Д., и Нараянасвами, А. и др.
(2017). Разработка и проверка алгоритма глубокого обучения для обнаружения
диабетической ретинопатии на фотографиях глазного дна сетчатки. Получено 28 августа 2017 г.,
с https: // jamanetwork. com / journals / jama / fullarticle / 2588763
7. Хофман Дж., Шарма А. и Уоттс Д. (2017). Прогнозирование и объяснение в социальных системах
. Наука, 355 (6324), 486-488. http://dx.doi.org/10.1126/science.aal3856
8. Мао, А., Дворкин, Л., Сури, С., и Уоттс, Д. (2017). Устойчивые кооператоры стабилизируют
долгосрочного сотрудничества в бесконечно повторяющейся дилемме заключенного. Nature
Communications, 8, 13800. http://dx.doi.org/10.1038 / ncomms13800
9. Мао, А., Мейсон, В., Сури, С., и Уоттс, Д. (2016). Экспериментальное исследование размера и производительности команды
при выполнении сложной задачи. PLOS ONE, 11 (4), e0153048.
http://dx.doi.org/10.1371/journal.pone.0153048
10. Мартин, Т., Хофман, Дж., Шарма, А., Андерсон, А., и Уоттс, Д. (2016 г. ). Изучение
пределов прогнозирования в сложных социальных системах. Материалы 25-й Международной конференции по всемирной паутине
— WWW ’16.
http://dx. doi.org/10.1145/2872427.2883001
11. Рибейро, М., Сингх, С., и Гестрин, К. (2016). «Почему я должен тебе доверять?»: Объяснение
прогнозов любого классификатора. Материалы 22-й Международной конференции ACM SIGKDD
по открытию знаний и интеллектуальному анализу данных — KDD ’16.
http://dx.doi.org/10.1145/2939672.2939778
12. Роуч, Дж. (2017). Исследователи Microsoft привносят компьютерные возможности в социальные науки — блог
AI.Блог AI. Получено 28 августа 2017 г., из
https://blogs.microsoft.com/ai/2017/03/16/microsoft-researchers-bring-computer-
power-social-science /
Social Science and Intelligence Design
Социальная наука в своей высшей степени — это способ понимания обществами самих себя: почему они сливаются или распадаются; почему одни растут, а другие сжимаются; почему одни заботятся, а другие ненавидят; как большие структурные силы объясняют очевидные особые факты наших биографий.Он наблюдает, но также формирует действия, а затем учится на этих действиях.
Начав с идеи социальных наук как коллективного самопознания, я описываю, как новые подходы к разуму всех видов могут помочь оживить его. Я начинаю с данных и вычислительной социальной науки, а затем перехожу к рассмотрению идеи социальных исследований и разработок (НИОКР) и экспериментов; новые способы для университетов внедряться в практику, включая парки социальных наук, акселераторы, привязанные к социальным целям, методы, основанные на задачах, и всевозможные социальные лаборатории; прежде чем закончить с основным аргументом: отчет о том, как социальные науки могут взаимодействовать с развивающейся областью проектирования интеллекта.Я надеюсь, что это правдоподобное, желательное и действительно важное направление путешествия. Я надеюсь, что, по крайней мере, это вызовет комментарии и аргументы.
1. Развитие социальных наук, управляемых данными, и вычислительной техникиПервое направление, пожалуй, наиболее знакомо — социологи, осваивающие новые возможности вычислений с подачей данных. Все мы знакомы с необычайным взрывом новых способов наблюдения за социальными явлениями, которые неизбежно изменят то, как мы задаем социальные вопросы и как мы на них отвечаем.Каждый из нас оставляет за собой след того, с кем мы разговариваем, что едим и куда идем. Теперь стало проще, чем когда-либо, опрашивать людей, выявлять закономерности, сканировать Интернет, собирать данные с датчиков, интерпретировать настроение по выражению лица. Сейчас проще, чем когда-либо, собирать мнения и эмоции, а также существенные факты — например, с помощью анализа настроений в публичных дебатах по таким вопросам, как Брексит. И организациям стало проще, чем когда-либо, заниматься социальными науками — будь то инвестиционные организации, анализирующие рыночные модели, HR-отделы, использующие поведенческую науку, или местные власти, использующие этнографию.
Эти инструменты, безусловно, не являются монополией профессиональных социологов. В городах, например, офисы аналитики данных связывают несколько наборов данных, а правительства используют данные для подачи в инструменты с использованием ИИ, такие как Predpol или HART, чтобы предсказать, кто, скорее всего, попадет в больницу или попадет в тюрьму. Открытие административных данных должно иметь большое влияние благодаря новым программам, таким как LEO, которые связывают данные школ Великобритании с налоговыми записями и могут изменить наше понимание социальной мобильности.Когда данные комбинируются новыми способами, неизменно возникают удивительные закономерности — например, обнаружение полицией того факта, что лучшим предиктором домашнего убийства является предыдущая попытка самоубийства (совершенная преступником).
В университетах вычислительная социальная наука имеет несколько более узкое определение, обычно относящееся к использованию социального моделирования, анализа социальных сетей и анализа социальных сетей. Огромные наборы данных собираются по всему, от истории человечества и археологии до создания изображений и литературы, основываясь на давних традициях лонгитюдных исследований (от Фрамингемского исследования сердца до Национального исследования развития ребенка).Крупномасштабные (вычислительные) проекты в области социальных наук включают Human Project и Social Science One, а очень эффективные сторонники новых исследовательских инструментов, такие как Мэтью Салганик, теперь достигают широкой аудитории.
Социальные сети представляют собой особенно плодородную область для исследований, и некоторые крупные компании начинают открывать свои данные для исследователей, например, чтобы понять влияние социальных сетей на выборы. Существуют сильные зонтичные организации, конференции и исследовательские программы, а также признаки большого сдвига в обучении социологов.
Эта революция в области данных, экспериментов и прогнозирования, а также распространение инструментов для наблюдения, анализа и прогнозирования сопряжены со всевозможными проблемами, многие из которых являются этическими. Как убедиться, что открыто достаточно данных; как получить правильные данные, поскольку многие из наиболее важных фактов не фиксируются; как не игнорировать оставленных позади; как избежать алгоритмов, отражающих, а затем узаконивающих предубеждения прошлых действий.
Но я подозреваю, что самая серьезная проблема будет заключаться в разработке более совершенных концепций и теорий для осмысления данных. Нам нужны, например, гораздо более совершенные теории того, как большие части экономики могут работать без интеллектуальной собственности; теории места и принадлежности; теории, объясняющие устойчивое неравенство; теории, объясняющие необычные риски, и то, как социальные и экономические системы могут быть подготовлены к событиям раз в столетие или тысячелетие, которые могут происходить чаще.
В 2000-х годах в естественных науках некоторые утверждали, что рост объемов данных устранит необходимость в теории. Данные автоматически покажут закономерности.Теоретики станут ненужными.
Однако противоположная точка зрения состоит в том, что трудно понять какие-либо данные без некоторых моделей или гипотез, и, что интересно, недавний анализ человеческого познания подтверждает, что мы начинаем с моделей, а затем вводим данные, а не наоборот. Как бы я ни приветствовал тот факт, что такие дисциплины, как экономика, снова стали более эмпирическими, очень важно, чтобы их взаимодействие с данными подпитывало творческое создание новых теорий и гипотез. В противном случае мы можем остаться с более осознанной путаницей и пороком (который я опишу позже) навсегда застрять в ловушке обучения по первому циклу.
2. Социальные НИОКР и социальные инновации, связанные с социальными науками: обучение через практикуКлючевое понимание социальных инноваций заключается в том, что социальное самопознание часто происходит из практики: взаимодействия действий и анализа, теории и практики , а не отстраненное наблюдение. Все, что еще не существует (будь то новая модель государства всеобщего благосостояния или новый способ ухода за престарелыми), не может быть легко спроектировано на основе обратных знаний и данных: отсюда внутреннее противоречие между социальным творчеством, с одной стороны, и ортодоксальными принципами. с другой — общественные науки.
Область социальных инноваций, которая претендует на решение этой дилеммы, значительно выросла за последние десять или двадцать лет во всем мире как в исследованиях, так и на практике. Социальные инновации теперь поддерживаются множеством новых фондов, предоставляемых правительствами и фондами, новыми юридическими формами, а также программами по наращиванию потенциала, курсами и исследовательскими программами в университетах (ранее я писал о прошлом, настоящем и будущем этой области). Кроме того, теперь он серьезно использует потенциал данных (как указано в этом опросе).
Социальные инновации одновременно подпитывают традиционные социальные науки — например, понимание влияния дошкольного образования — и бросают им вызов, поскольку зачастую практика опережает теорию. Это означает, что задача университетов заключалась в осмыслении, критике и анализе того, что работает в реальном мире, а не в следовании моделям традиционных технологических инноваций, когда базовые теории разрабатываются в университетах, а затем линейно распространяются на промышленность. .
Ключевым новым направлением социальных инноваций являются социальные исследования и разработки (НИОКР). Идея о том, что НИОКР могут систематически финансироваться и организовываться, кристаллизовалась в конце 19 века. Сегодня от 2 до 4 процентов ВВП в большинстве стран с развитой экономикой направляется на НИОКР, финансируемые государством, фондами или предприятиями и выполняемые университетами, правительственными лабораториями и различными корпорациями. Сейчас мы считаем само собой разумеющимся, что систематические НИОКР имеют решающее значение для экономического роста и процветания, поэтому они поддерживаются всевозможными субсидиями и налоговыми льготами. Основная идея состоит в том, чтобы провести фундаментальные исследования, а затем, используя экспериментальные научные методы, превратить полученные знания в новые продукты и услуги, которые могут быть полезны в мире, будь то фармацевтические препараты или новые типы самолетов.
Однако идея социальных НИОКР встречается гораздо реже, и действительно, большинство спонсоров НИОКР во всем мире сосредоточены почти исключительно на аппаратном обеспечении и использовании знаний из естественных, а не социальных наук.
В разные моменты последнего столетия предпринимались попытки применить методы НИОКР к социальным изменениям (в том числе со стороны крупных американских фондов, таких как Форд и Рокфеллер в 1960-х годах). В последние годы Канада была в авангарде этого, обдумывая, как государственные спонсоры исследований и крупные фонды могут финансировать систематические исследовательские эксперименты по социальным проблемам, таким как бездомность, интеграция беженцев или безработица среди молодежи.
Механизм выполнения этого не сильно отличается от традиционных НИОКР, предполагающих финансирование на нескольких этапах: от фундаментальных исследований до генерации практических идей, тестирования, экспериментов, сбора доказательств, а затем, надеюсь, масштабирования и распространения моделей, которые работают. Однако до сих пор нет примеров того, как социальные НИОКР проводятся систематически и в больших масштабах, и эти дебаты почти не начались в большинстве стран.
Хорошее выполнение социальных исследований и разработок сопряжено с множеством проблем. Они включают в себя, как организовать эксперименты, как собрать идеи и обеспечить их использование, будь то в государственной политике или в практике таких профессий, как учителя или социальные работники; как справляться с этическими и политическими проблемами экспериментов с человеческими жизнями; и как избежать некоторых рисков искажения, например игнорирования жизненного опыта.
«Неста» имеет некоторый опыт применения НИОКР в новых областях. Наш фонд цифровых исследований и разработок в области искусства был результатом сотрудничества государственного спонсора исследований (AHRC), главного спонсора исследований (Совет искусств) и Nesta с целью финансирования партнерства между новаторами, университетами и технологическими компаниями для разработки новых применения цифровых технологий, чтобы помочь художественным организациям либо найти новую аудиторию, либо экспериментировать с формами искусства.
Мы также показали ценность экспериментализма, гораздо более систематической проверки идей на практике, а не на бумаге, что составляет важную часть любых более серьезных подходов к социальным исследованиям и разработкам. Эксперименты долгое время были нормой в области здравоохранения, и теперь они широко используются во многих сферах бизнеса, поскольку такие компании, как Amazon и Google, проводят AB-тестирование новых сервисов всех видов. Последние пять лет привели к гораздо большему использованию экспериментализма в правительствах во главе с Канадой, Финляндией, ОАЭ и Великобританией, которые по-разному внедрили более систематические подходы к тестированию новых политик в небольших масштабах, прежде чем они будут реализованы. по всей стране.
Лаборатория инновационного роста Nesta (IGL) является примером того, что может быть возможным в будущем. Он объединяет десятки национальных правительств и фондов, чтобы использовать экспериментальные методы, чтобы выяснить, что действительно работает в стимулировании инноваций и предпринимательства. IGL использует РКИ в области, где очень мало было известно о том, какая из сотен миллиардов, потраченных на поддержку бизнеса, действительно эффективна, и тем самым подталкивает экономику к тому, чтобы она стала более эмпирической и более самокритичной, а не просто выводить выводы из предположений. .Команда Behavioral Insights Team (BIT), совладельцем которой является Nesta, использует аналогичные методы в поведенческой экономике, проводя десятки реальных экспериментов, чтобы выяснить, какие виды подталкивания действительно работают, побуждая людей платить налоги вовремя, модернизировать свои дома или усыновлять здоровый образ жизни.
Эта новая культура экспериментов влияет на многие профессии и превращает их в социологов. Этому сдвигу в Великобритании помогает сеть центров «что работает» (связанных Альянсом за полезные доказательства).Уже существует сеть полицейских, использующих экспериментальные методы — Общество доказательной полиции — для получения полезных знаний. В некоторых странах школьные учителя видят свою роль как в обучении, так и в исследованиях, работая со своими сверстниками, чтобы опробовать варианты учебной программы или методов обучения (и EEF поощряет и финансирует это). Новый центр социальной защиты детей «Что работает» мобилизует тысячи социальных работников для сбора и использования доказательств в том же духе. В Nesta мы призываем сотни благотворительных организаций, которые мы финансируем, разработать свою « теорию изменений » и собрать данные, чтобы понять их влияние, встраивая в повседневное видение Карла Поппера « методы проб и ошибок, изобретающие гипотезы, которые могут быть реализованы ». практически проверено ».Конечно, есть большие области государственной и общественной деятельности, которые все это не затрагивает. Но систематические социальные исследования и разработки больше не являются несбыточной мечтой.
3. Новые институты, объединяющие практику и теорию вокруг университета: социальные акселераторы, парки социальных наук и обучение, основанное на задачахИтак, как университеты должны реагировать на этот растущий интерес к обучению на практике и активном эксперименте? Здесь я обобщаю некоторые появляющиеся подходы, которые дополняют классическую деятельность университетов другими, которые генерируют понимание через взаимодействие с практикой: парки социальных наук, обучение на основе проблем, социальные лаборатории и социальные ускорители.
Парк социальных наук
В 1960-е годы и десятилетия спустя многие университеты создали рядом с собой научные парки, которые стали домом для дочерних компаний, крупных предприятий и лабораторий. Идея заключалась в том, что научные парки такого типа помогут трансформировать фундаментальные исследования университетов в бизнес, и сейчас их буквально тысячи по всему миру. Однако социальные науки не хотели разрабатывать подобные модели. Одним из недавних исключений является Кардиффский университет, который обязуется создать парк социальных исследований в центре Кардиффа, объединяющий университет, лабораторию Y Lab Nesta и Центр государственной политики What Works в Уэльсе.Идея состоит в том, чтобы создать пространство — которое имеет смысл больше в городских центрах, чем на зеленых участках, — где могут расти ускорители, лаборатории и социальные предприятия при активном перекрестном опыте практических знаний и академических исследований.
Социальные лаборатории
За последнее десятилетие в правительствах и университетах были открыты сотни новых лабораторий, которые стали пионерами общественных и социальных инноваций. Сама Nesta содержит несколько, в том числе HealthLab. Мы задокументировали множество форм, которые они принимают — одни используют данные, другие — дизайн, третьи — все еще гражданские идеи — и их различное отношение к формальным структурам, и помогли создать многие из них по всему миру.Некоторые из наиболее интересных находятся на окраине университетов, предоставляя пространство для практики, и они также все чаще подключаются друг к другу, создавая глобальные сети для быстрого обмена информацией по таким темам, как безработица или транспортный дизайн (задокументировано в ежемесячных LabNotes).
Университеты, ориентированные на вызовы
Связанная с этим тенденция — рост моделей университетов, основанных на задачах. Здесь идея состоит в том, чтобы основывать работу университета больше на решении проблем, чем на пропаганде установленных дисциплин.Эти модели мобилизуют студентов и выпускников для работы в командах, обычно междисциплинарных, для решения реальных жизненных проблем, будь то в науке и технике или в общественной жизни города. В наших различных отчетах по этой теме мы задокументировали множество моделей, используемых во всем мире, от Аалто в Финляндии до Стэнфорда, от Олина до Цинхуа, и показали, как этот метод работы может быть очень мощным педагогическим инструментом, помогающим учащимся не только углубить свое понимание основных дисциплин, а также понять, как работает реальный мир, и как сотрудничать и добиваться изменений.С более чем 150 миллионами студентов в университетах по всему миру есть огромные возможности для мобилизации большего числа из них для работы над реальными жизненными проблемами, например, вокруг целей устойчивого развития.
Социальные акселераторы
За последние двадцать или тридцать лет произошло большое расширение бизнес-акселераторов, некоторые из которых связаны с университетами, а некоторые в городских центрах, обеспечивая более систематическую поддержку различных бизнес-стартапов. Nesta задокументировала эти ускорители в серии отчетов, таких как Startup Factories. Мы подробно проанализировали, что заставляет их работать, а не работать, и с помощью таких проектов, как Startup Europe, мы помогли многим другим странам учиться у первопроходцев в создании экосистем поддержки акселераторов. Более поздняя тенденция заключалась в применении аналогичных моделей для достижения социального воздействия, и снова «Неста» принимала участие как в финансировании этих проектов, так и в анализе. Bethnal Green Ventures в Лондоне была пионером, и по всему миру разбросано множество социальных ускорителей, которые мы задокументировали в таких отчетах, как Good Incubation.Они поддерживают стартапы социальных предприятий, благотворительных организаций или специализированных коммерческих предприятий, которые могут достичь разумной финансовой отдачи и достичь социальных целей. Строгость создания жизнеспособного предприятия заставляет обратить внимание на доказательства и результаты, и за последние пять лет университеты стали проявлять все больший интерес к размещению у себя подобных ускорителей как способ заставить социальные науки работать.
Каждый из этих подходов поощряет участие социальных наук, практических и экспериментальных; и каждый неизбежно бросает вызов традиционным дисциплинарным границам и валютам.
4. Дизайн интеллекта и роль коллективного разумаЭти новые подходы предлагают новые ответы на более широкий вызов социальной науки: как действительно соответствовать ее роли как коллективного самопознания общества, обеспечивая понимание все, от работы до семьи, от войны до счастья.
Я считаю, что лучший ответ заключается в том, чтобы увидеть социальные науки через призму интеллектуального дизайна и спросить, насколько хорошо они организуют различные инструменты и элементы, которые вместе составляют узнаваемую интеллектуальную систему или общество.
Если мы посмотрим на интеллект в любой серьезной крупномасштабной системе или организации, он включает в себя некоторые из следующих элементов, все из которых должны иметь жизненно важное значение для самопонимания общества:
- Наблюдение и данные, количественные и качественные, относительные и экспериментальный
- Модели того, как устроен мир, жизненно важны для осмысления наблюдений
- Анализ закономерностей и динамики, а также предсказания
- Память (включая историю и память о том, что работает)
- Творчество (включая связь с социальными инновациями )
- Суждение и мудрость (в частности, в отношении взаимосвязи между более общими законами и конкретными контекстами)
Любая новая дисциплина или субдисциплина социальных наук, которая была изобретена сегодня, несомненно, потребует отчета о том, как она направлена на организацию каждой из этих функций. (Я показал в своей книге «Большой разум», например, как можно переосмыслить экономику через призму интеллекта. ce).Различные методы, упомянутые ранее в этой статье — от вычислительной социальной науки до экспериментов — подходят как части такого подхода, но теряют большую часть своего воздействия, если их рассматривать только как методы поиска проблем, а не начинать с проблем и работать в обратном направлении. найти наиболее подходящие идеи, теории и методы. Дункан Уоттс выдвинул аналогичный аргумент: социальные науки должны больше работать над решениями, чем над теориями.
К сожалению, однако, большинство дисциплин имеют довольно несбалансированный подход — часто очень сильный в одних аспектах, таких как наблюдение или память, и очень слаб в других.Более того, я не знаю никого с последовательным описанием того, как они должны отражать важнейшее свойство интеллекта в индивидуальном человеческом мозге, а именно способность связывать эти функции, от наблюдений до суждений и творчества, в идеале в режиме, близком к реальному времени.
Эти недостатки станут еще более очевидными, если мы поместим социальные науки в более широкую историю социального обучения. Интеллект на практике также всегда включает в себя циклы обучения: обучение по первому циклу, при котором новые данные вписываются в существующие модели, парадигмы и структуры; второй цикл обучения, который генерирует новые концепции и категории; и третий цикл обучения, который развивает новые способы мышления.Вместе они дают хорошее представление о том, как должна выглядеть здоровая социальная наука (вычислительная социальная наука сама по себе является хорошим примером обучения третьего цикла, но только настолько, насколько хорош второй цикл обучения, на котором оно построено). Тем не менее, некоторые дисциплины попадают в ловушку первого цикла, постоянно стремясь ввести новые данные в старые модели, а не генерировать новые категории.
Рассмотрение социальных наук как прикладного интеллекта делает более естественным преодоление дисциплинарных границ, как многие выступали. Например, вторя Э.О. Уилсону и другим, Николас Христакис утверждал, что, наряду с революцией в области данных и новым открытием экспериментов, ключевые радикальные изменения, влияющие на современные социальные науки, являются огромным прогрессом в биологических науках; в частности, открытия в физиологии, нейробиологии и генетике (которые привели к появлению новых областей, таких как социогеномика и биосоциальная наука). Другие утверждают, что именно способность системного мышления имеет решающее значение для будущего социальных наук, извлекая уроки из экологии и эволюции или оживляя их способности к дизайну и воображению, которые были довольно сильны в 19 веке, но в значительной степени вытеснены аналитической ортодоксией в России. 20-е.
Тем не менее, отдельные социальные науки склонны противостоять этим вызовам; быть достаточно внимательным; привязаны к определенным методам; защита границ; не беспокоиться, когда доминирующие модели явно терпят неудачу; и гносеологически консервативный.
Для социальных наук, в частности, любой интерес к более осознанному проектированию интеллекта быстро вызывает вопросы коллективного интеллекта: как использовать социальный вклад, опираясь на голод многих людей, чтобы быть создателями знаний, а не просто пользователи — генерируют информацию, проводят эксперименты и делают выводы.В настоящий момент переход к массовому использованию знаний наиболее заметен в соседних областях. Цифровые гуманитарные науки мобилизуют множество добровольцев для ввода данных и интерпретации текстов — например, чтобы сделать древние арабские тексты машиночитаемыми. Еще более поразительным является рост гражданской науки: в январе у eBird было 1,5 миллиона отчетов; около 1,5 миллиона человек в США следят за речными ручьями и озерами, [электронная почта защищена] имеет 5 миллионов волонтеров. В эксперименте Cancer Research UK, проведенном Cell Slider по классификации онлайн-изображений раковых опухолей, было задействовано большое количество гражданских ученых, которые значительно ускорили классификацию данных. А исследование Вашингтонского университета недавно оценило экономическую ценность гражданской науки в более чем 2,5 миллиарда долларов в год (подробнее об этом вы можете прочитать в этой книге).
Это стремление к тому, чтобы люди становились создателями знаний, которые им важны, очень очевидно в здравоохранении, где группы пациентов сейчас большие, финансируют свои собственные исследования, собирают данные, как, например, Генетический альянс, представляющий пациентов с редкими заболеваниями. Но до сих пор в социальных науках этого было гораздо меньше, несмотря на такие традиции, как массовое наблюдение, и несмотря на то, что людям во многих отношениях легче наблюдать и классифицировать социальные явления, чем физические.Тем не менее, есть очевидные параллели и немало увлечения социальными фактами, которые могут побудить людей отслеживать то, что происходит на улицах; распространенность преступлений на почве ненависти или высказываний; появление новых видов экономической жизни.
Если бы социальные науки стали более неотъемлемой частью повседневной жизни, тогда само общество могло бы превратиться в лабораторию, и большее количество граждан могло бы стать социологами, работающими неполный рабочий день. Здесь мы видим возможное будущее, в котором роль специалиста трансформируется в нечто большее, чем тренер и партнер, помощник интеллектуального общества, а не отдельная каста, видение, которое возродит старые традиции социальных наук, включая веру Джона Стюарта Милля. в стадии разработки.Акцент Джона Дьюи на том, как общества учатся, и, начиная с 1960-х годов, отстаивание Дональда Кэмпбелла подлинно экспериментального общества, «утопии процесса, а не утопической социальной структуры как таковой … [которая] стремится реализовать рекомендацию Поппера о социальной технологии для частичного социального инженерия… ». Всем нам знакома старая идея о том, что лучше научить человека ловить рыбу, чем просто давать ему рыбу. Смысл этой давней традиции состоит в том, что лучше развивать способность общества заниматься социальными науками, а не делать ему уже готовые выводы по социальным наукам.
Социологи, использующие коллективный разум Если это то, как социальные науки могут подключаться к гражданам, они также могут применять концепции коллективного разума и дизайна интеллекта к своей собственной работе. Одним из самых многообещающих достижений последних лет является распространение инструментов для поддержки социологов, позволяющих им действовать в рамках чего-то большего, чем коллективный разум, многие из которых поддерживаются и задокументированы Sage Ocean. Существуют такие инструменты, как Ureka для отслеживания последних исследований, а также ResearchGate, Academia.edu и Iris.ai — открытие исследований с использованием искусственного интеллекта; Benchfly помогает исследователям в создании видео; IN-PART для связи исследователей с промышленностью и другими, такими как SciLine; Linknovate; конфер; Вращаться; Колабтри; Академические лаборатории; Обмен инноваций Огайо. Есть Ask Wonder, куда вы можете отправить вопросы по электронной почте, и эксперты-исследователи составят для вас список ресурсов; ThinkLab — алгоритм распределяет ресурсы для комментариев и обсуждения исследователями и другими лицами, чтобы вознаградить участие в сложных темах; Настоящие ученые — аккаунт в Твиттере, где исследователи и научные журналисты рассказывают о своей жизни и результатах; Разговор, предоставляющий новости. Наконец, в ближайшие несколько месяцев появятся собственные поисковые системы Nesta Rhodonite и Clio, анализирующие новые тенденции в инновациях, технологиях и социальных науках в глобальном масштабе.
Основная идея этой статьи состоит в том, что социальные науки должны чаще начинать с проблем, а не с конкретных дисциплинарных подходов; должны поместить свои собственные инструменты в более широкую теорию интеллекта; и должен создать ряд дополнительных методов наряду с классическими методами академии (рецензируемый журнал, лекция и т. д.)).
Мне это кажется очевидным направлением движения. Но это противоречит традиции; инерция; и притяжение статуса. Социальные науки могут многое сказать о том, почему системы так часто сопротивляются изменениям. Но они также показывают, как со временем новые поколения преодолевают препятствия.
Границы | Сравнение появления исследований в области технических и социальных наук в области искусственного интеллекта
Введение
Достижения в области искусственного интеллекта (ИИ) расширили его применение в компьютерной безопасности оборонных и финансовых систем, экономики, образования и многих других областях (Wachter et al. , 2017; Winfield et al., 2018; Линьков и др., 2020). Новые технологии, такие как искусственный интеллект, в конечном итоге будут бороться с давлением со стороны регулирующих органов и вниманием общественности, которые могут либо препятствовать новым технологиям, либо стимулировать их развитие. Академический дискурс о значении ИИ, особенно за пределами чисто технических областей, таких как его социальные риски и доверие, все еще усиливается. Исследования, проводимые общественными науками в области искусственного интеллекта, способствуют изучению его способности вести себя вредным образом.Вред может возникнуть из-за неправильных, незаконных или несоответствующих приложений искусственного интеллекта в непредвиденном контексте или результатов, которые ускоряют негативные тенденции или последствия (Calvert and Martin, 2009), Linkov et al., 2019). Например, потенциальные угрозы от ИИ (преднамеренные или непреднамеренные) возникают в приложениях компьютерной безопасности, таких как классификация кибер-злоумышленников как законных пользователей или наоборот, мониторинг и прогнозирование активности людей в социальных сетях в коммерческих целях или в целях наблюдения (например,g. , системы социального кредита), с возможными последствиями для неприкосновенности частной жизни и гражданских прав. Более подробное понимание этих тенденций может помочь сформировать технологический рост, научную политику и общественное обсуждение ИИ. Разработчики искусственного интеллекта должны вводить новшества, выявляя и снижая реальные и предполагаемые риски, которые могут угрожать инновациям в результате преждевременного или запретительного регулирования.
Данная статья преследует две цели. Прежде всего, мы исследуем стипендию ИИ за последние два десятилетия, чтобы определить, преобладали ли исследования в области технического развития или сопровождались ли они обсуждением социальных последствий этой технологии.Мы определяем технические исследования как расширение возможностей подходов, методов и алгоритмов искусственного интеллекта. Техническая область включает публикации, в которых исследователи занимаются разработкой, тестированием и внедрением новых методов и алгоритмов. Обучение с учителем, обучение без учителя, обучение с учителем и обучение с подкреплением — вот примеры тем ИИ, представленных в технической области. Напротив, исследования ИИ в социальных науках исследуют взаимосвязь между обществом и последствиями, результатами и социальными реакциями инноваций и коммерциализации ИИ.Темы в области социальных наук включают в себя экономику, этические, правовые и социальные последствия, финансы и экономику, регулирование и управление, а также риски и принятие решений, связанных с приложениями искусственного интеллекта.
Слияние исследований технических и социальных наук было изучено в других новых дисциплинах, таких как нанотехнологии и синтетическая биология (Shapira et al., 2015; Trump et al., 2018a). В первые годы развития технологии научные публикации отражают достижения в технической области, которая определяет эту область.Дискурс социальных наук обычно возникает позже, когда комментаторы выявляют возможности и проблемы, которые может представлять данная технология (Bijker et al. , 2012). Это отставание предлагает время на самых ранних этапах развития технологии, в течение которого она может развиваться в относительной изоляции от социальных комментариев. По мере того, как технология становится широко известной и очевидно жизнеспособной, социологи узнают о новой технологии и реагируют на нее, чтобы дать необходимые оценки, прежде чем технология полностью созреет и выйдет на рынок.
Однако такая относительная задержка в развитии социальных наук и технических областей не развивалась одинаково для разных технологий. Синтетическая биология характеризуется дискурсом социальных наук, который возник в относительной мере по мере развития технических исследований (Calvert, Martin, 2009; Torgersen, 2009; Trump et al., 2018b). Для синтетической биологии время запаздывания составляет не более 3 или 4 лет (Trump et al., 2019), что указывает на то, что социальный дискурс применяется к новым разработкам в синтетической биологии относительно быстро, и до того, как будут полностью изучены такие технологии, как редактирование генов. .В отличие от нанотехнологий, исследования технических возможностей сначала возникли на фуллеренах (начиная с 1985 г.) или на углеродных нанотрубках (начиная с 1991 г.), и только в середине-конце 2000-х годов за ними последовал дискурс социальных наук о последствиях этой технологии (Mnyusiwalla). et al., 2003; Macnaghten et al., 2005; Shapira et al., 2015; Trump et al., 2018a).
Что касается методов и алгоритмов искусственного интеллекта, то социологи совсем недавно активно участвовали в дискуссиях, связанных с последствиями и приложениями этой области (Elsevier, 2018).Например, в области компьютерной безопасности исследователи и разработчики давно сосредоточились на эффективных алгоритмах машинного обучения для точного обнаружения кибератак или мошенничества и только недавно обсудили вопросы, связанные с конфиденциальностью и предвзятостью таких алгоритмов ИИ (Linkov et al., 2020). Тем не менее, такая литература по ИИ в области социальных наук появилась недавно (Selbst et al. , 2017; Edwards and Veale, 2018), в которой ученые обсуждают конфиденциальность и безопасность ИИ, этические, правовые, экономические и другие социальные последствия и приложения (Ananny , 2016; Cath, 2018; Nemitz, 2018).Разработка методов и алгоритмов искусственного интеллекта (техническая область) наряду с исследованиями в области социальных наук об ожидаемых воздействиях (далее именуемая «область социальных наук») потенциально может повлиять на будущий рост, коммодификацию и общественное признание технологии искусственного интеллекта и ее продуктов.
Вторая цель этой статьи — выявить важные пробелы во взаимодействии технических и социальных наук в исследованиях ИИ и обсудить последствия этих пробелов. Необходимо изучить обсуждение социальных наук в этой области, а также то, как возникающие прорывы рассматриваются как полезные или вызывающие беспокойство для политиков и широкой общественности.Это особенно актуально, учитывая повсеместное распространение ИИ в государственном секторе и на личных устройствах.
Наша предыдущая работа показывает полезность оценки совместного развития технической / физической области и области социальных наук путем анализа тенденций в опубликованной литературе по нанотехнологиям и синтетической биологии (Trump et al., 2018a, 2019). В этой статье используется аналогичный подход к исследованию ИИ. Мы количественно оцениваем временные закономерности библиографического набора данных, связанных с ИИ, извлеченных из базы данных Elsevier Scopus .Подход, описанный в Elsevier (2018) и Siebert et al. (2018) был применен к Scopus для получения полного набора публикаций по ИИ, а затем метод, описанный в этой статье, был использован для классификации более 550 000 публикаций в технических и социальных областях. Наши результаты дают представление о тенденциях научных исследований в период с 1997 по 2018 год.
Методы
База данных
Набор данных, связанных с ИИ, был получен из базы данных Elsevier Scopus , содержащей названия публикаций, аннотации, ключевые слова и другие метаданные.Набор данных AI был получен с использованием двухэтапного подхода с использованием машинного обучения и экспертной оценки следующим образом. Во-первых, был создан список ключевых слов, отражающий научные исследования в области искусственного интеллекта. Во-вторых, список ключевых слов использовался для запроса публикаций из базы данных Scopus . Этот процесс курирования дополнительно описан в Elsevier (2018), а технические детали представлены в Siebert et al. (2018). Результатом запроса является набор данных из примерно 553 000 элементов.Каждый элемент представляет собой тройку, где первое значение — уникальный идентификатор статьи, второе — год публикации статьи, а третье — ключевое слово, указанное в метаданных статьи.
Классификация статей по техническим и социальным наукам
После получения набора данных, описанного в разделе «База данных», мы составили список ключевых слов, связанных с ИИ, для классификации набора данных исследований ИИ в социальных науках и технических областях. Наш подход предполагает, что ключевые слова, предоставленные авторами статьи, приблизительно соответствуют темам исследования, продвигаемым в этой статье.Этот подход использовался в других библиометрических базах данных, таких как Microsoft Academic Graph (MAG), в котором используются ключевые слова для классификации исследовательских работ по темам и областям (Sinha et al., 2015). Например, Эффенди и Яп (2017) использовали MAG для группировки статей в общие области ИИ и информатики на основе их ключевых слов. Более того, использование ключевых слов в качестве приближения к темам также распространено в промышленности. Примером является Google Trends, который использует частоту использования ключевых слов в веб-поиске для оценки тенденций популярности тем (Google, 2021).Наш набор социальных и технических ключевых слов был разделен на два списка по 36 и 38 ключевых слов соответственно, что в сумме составило 74 уникальных ключевых слова. Ключевые слова перечислены в таблицах 1, 2.
Таблица 1 . Ключевые слова в социальной сфере (кавычки обозначают ключевые слова, состоящие из нескольких слов. Звездочка обозначает поиск с использованием подстановочных знаков).
Таблица 2 . Ключевые слова в технической области.
Список социальных ключевых слов был создан на основе обзоров и мнений экспертов в данной области.Список технических ключевых слов был сгенерирован после проверки содержания, введения и, при необходимости, уточнения, текстовых деталей учебников искусственного интеллекта в технической области. Мы сгруппировали полученные журнальные статьи, учебники и другие источники по домену. Источники ключевых слов включают:
• Область социальных наук (Horvitz, 2017; Miller, 2019; Montes and Goertzel, 2019; Rahwan et al., 2019).
• Техническая область (Бишоп, 2006; Хайкин, 2010; Мерфи, 2012; Гудфеллоу и др.), 2016; Саттон и Барто, 2018).
Для некоторых ключевых слов, используемых в запросах, использовались дискриминаторы, такие как подстановочные знаки ( * ), чтобы определять результат поиска (Elsevier, 2016). Временной интервал наших запросов составил 22 года (1997–2018 гг.).
Затем мы использовали списки ключевых слов, чтобы связать набор данных из более чем 550 000 элементов (т.е. ключевое слово года публикации) как семантически принадлежащих к техническим и / или социальным доменам ИИ (Mingers and Leydesdorff, 2015). Два списка позволили нам сформировать репрезентативную выборку публикаций, соответствующих двум доменам, как это было взято из тщательно подобранного набора данных Scopus.
Этот подход применялся в предыдущей работе для изучения тенденций и взаимодействия между социальными науками и техническими областями в других областях. В Trump et al. (2019), набор ключевых слов использовался для поиска в базе данных Web of Science и для классификации статей по синтетической биологии в области физических / технических и социальных наук, что позволило обсудить эволюцию этой области. Аналогичный подход был использован для обсуждения совместной эволюции исследований в области физических / технических и социальных наук в области нанотехнологий (Trump et al., 2018а).
Тенденции, совпадения доменов и пробелы
Изменения объема публикаций в двух доменах с течением времени визуализируются в виде графика временного ряда, показывающего количество статей, содержащих ключевые слова в каждом домене (социальные науки и технические науки) (рис. 1 в разделе «Результаты»). Также было выявлено и количественно определено любое перекрытие между доменами. Перекрытие определяется как количество статей, содержащих ключевые слова как из социальных, так и из технических областей, но каждая статья также учитывается индивидуально в рамках социальных и технических подсчетов.
Рисунок 1 . Количество публикаций в год: все публикации, статьи только с техническими ключевыми словами, только по общественным наукам и статьи с социальными и техническими ключевыми словами.
Консенсус по терминологии
Мы также исследовали консенсус временной терминологии, то есть, сколько ключевых слов, использованных в течение 1 года, все еще используются в последующие годы. Мы делаем это, исследуя схожесть ключевых слов, появляющихся в каждой паре лет в период 1997–2018 годов.Чтобы изучить степень появления всех ключевых слов за календарный год в качестве индикатора терминологического консенсуса, мы вводим индекс сходства Жаккара (Skiena, 2017), который определяется следующим образом:
, где A и B представляют собой два интересующих набора. В нашем случае A и B — это наборы ключевых слов для любой пары лет в наборе данных. Индекс Жаккара варьируется от 0 (без перекрытия) до 1 (полное перекрытие всех ключевых слов за пару лет) и определяется по крайней мере для одного из парных наборов A и B как непустые.Изменения в терминологическом консенсусе были выявлены путем визуальной проверки матрицы сходства Жаккара, отображаемой в результатах в виде тепловой карты (рис. 7).
Результаты
Красная кривая на Рисунке 1 показывает количество статей об ИИ в наборе данных, публикуемых за год. Кривая показывает сверхлинейный рост ежегодного количества статей, опубликованных в течение большей части периода 1997–2018 годов, за исключением периода с 2008 по 2013 год, когда статьи AI публиковались примерно с постоянной скоростью. Тем не менее, с 2013 года общая сумма за год испытала самый резкий рост за период анализа.
Тенденции в области социальных и технических наук
Отношение общего количества статей в технической области к количеству статей в социальной сфере составляет примерно один порядок величины за последние два десятилетия. На рисунке 1 показан временной ряд публикаций по ИИ для технических (зеленый) и социальных (фиолетовый) областей, а также статей, содержащих ключевые слова в обоих доменах (синий). Темпы роста публикаций литературы по социальным наукам совпадают с темпами роста публикаций в области технических наук, что предполагает относительно синхронизированное участие сообщества социальных наук с разработкой алгоритмов и методов в технической области.
На рис. 2 показано отношение количества статей с ключевыми словами по социальным наукам к количеству статей с техническими ключевыми словами (синяя кривая) и показано, что количество публикаций по социальным наукам примерно на порядок меньше, чем в технических и социальных областях. Кроме того, большинство статей по общественным наукам были статьями, в которых также упоминались технические ключевые слова. Количество статей, посвященных только социальным наукам, равно количеству статей в разделе «Социальные науки» за вычетом количества статей «Социальные науки и технические науки» на Рисунке 1.Тем не менее, это значительное проникновение социальных наук по сравнению с другими развивающимися технологиями, проанализированными в прошлом (Trump et al., 2018a, 2019). Это сопоставимо с соотношением, наблюдаемым в литературе по синтетической биологии, где проблемы, связанные с генной инженерией, вызвали немедленное внимание к развитию синтетической биологии (Trump et al., 2019). Напротив, нанотехнология показывает соотношение более двух порядков в начале исследования, со значительным улучшением этого разрыва за 20 лет этого исследования.
Рисунок 2 . Отношение количества статей с ключевыми словами по социальным наукам к количеству статей с техническими ключевыми словами (синий) и отношение количества статей с ключевыми словами как по социальным наукам, так и с техническими ключевыми словами к общему количеству статей в наборе данных (красный) в год.
Более того, разрыв в исследованиях искусственного интеллекта между этими двумя областями с годами сокращается, в основном из-за более резкого роста количества статей, посвященных социальным наукам, чем роста статей в технической области.В то время как соотношение статей об ИИ в социальных науках к статьям в технической области составляло 0,076 в 1997 году, это соотношение увеличилось более чем вдвое за два десятилетия и достигло 0,17 в 2018 году. Это говорит о том, что исследования социальных последствий ИИ набирают обороты как ИИ. методы и алгоритмы продвигаются.
Интересно, что красная кривая на Рисунке 2 показывает, что существует небольшая часть статей, включающих ключевые слова как в социальных, так и в технических областях, но эта доля увеличивается.Отношение статей с ключевыми словами в обеих областях к общему количеству статей удваивается с 0,05 в 1997 г. до 0,1 в 2018 г. Этот результат предполагает растущий уровень междисциплинарного сотрудничества между исследователями в области технических и социальных наук, а в последнее время Большинство статей об ИИ в социальных науках являются междисциплинарными.
Частота тем в технической области
На Рисунке 3 показано количество публикаций, использующих ключевые слова определенной технической области в 2010 и 2018 годах, что указывает на то, что частота использования всех ключевых слов в этот период увеличивается.Ключевое слово «сети» наиболее часто использовалось в технической сфере в 2010 и 2018 годах. Одно только это ключевое слово появляется в 66% всех статей за этот год, вероятно, из-за давнего интереса и развития нескольких типов нейронных сетей. За сетями следует глубокое обучение и извлечение функций, первое из которых почти не появляется в 2010 году, но является вторым по частоте упоминания ключевым словом в 2018 году, что указывает на новый интерес в последние годы.
Рисунок 3 .Количество публикаций по каждому ключевому слову технической области в 2010 и 2018 гг.
На рисунке 4 показаны девять наиболее часто используемых ключевых слов ИИ в технической сфере в период с 1997 по 2018 год. Он показывает, что сети являются доминирующей темой во все годы, хотя популярность глубокого обучения в последние годы выросла. В целом, использование большинства ключевых слов в области ИИ неуклонно росло с течением времени, как и ожидалось, учитывая общий рост исследований в области ИИ.
Рисунок 4 . Количество статей по наиболее частым ключевым словам в технической области в год (1997–2018 гг.).
Частота тем в области социальных наук
На рисунке 5 ключевые слова, наиболее часто встречающиеся в сфере социальных наук как в 2010, так и в 2018 году, связаны с экономикой и образованием. Это может означать, что в этих областях было начато относительно большое количество исследований социальных последствий ИИ. Это также может означать, что экономика и образование были первыми в исследованиях методов искусственного интеллекта, применяемых в этих дисциплинах, что может иметь существенный эффект, учитывая количество статей по социальным наукам.Другие частые ключевые слова включают социальные сети, о которых в 2010 году упоминалось сравнительно мало, и темы, связанные с войной.
Рисунок 5 . Количество публикаций по каждому ключевому слову социальных наук в 2010 и 2018 гг.
На рисунке 6 показаны девять наиболее часто используемых ключевых слов в области социальных наук в период с 1997 по 2018 год. Он показывает, что экономика и образование являются доминирующими темами во все годы, хотя популярность умных городов и социальных сетей выросла в период с 1997 по 2018 год.Кроме того, исследования с использованием ИИ, связанные с этими ключевыми словами, со временем неуклонно росли.
Рисунок 6 . Количество публикаций по наиболее популярным ключевым словам в социальных науках (1997–2018 гг.).
Временные тенденции в сходстве ключевых слов
Матрица сходства Жаккара, показанная на Рисунке 7, показывает, что близкие друг к другу годы (близкие к диагонали) с большей вероятностью будут использовать одну и ту же терминологию, в то время как наибольшее различие в терминах, используемых в формате абстрактного заголовка-ключевого слова в Scopus (~ 50%), кажется, происходят в течение многих лет далеко друг от друга (например,г., 1997 и 2018). Это может означать изменение терминологии (например, НЛП — обработка естественного языка — охватывающая после 2010 года больше ключевых слов, чем в 1990-х годах) или появление ключевых слов, которые ранее не использовались в контексте ИИ (таким примером является глубокое обучение, который появляется в наборе данных после 2010 г.).
Рисунок 7 . Тепловая карта сходства Жаккара ключевых слов за пары лет как индикатор консолидации терминологии во времени.
Области совпадения сфер социальных наук и технических наук
Рисунок 8 проливает свет на междисциплинарные темы в социальных науках и технических областях, которые чаще встречаются в исследованиях.Он показывает количество статей, содержащих пары ключевых слов, как в социальных, так и в технических областях. На рисунке 8 показано, что темы, которые появляются отдельно в исследованиях одной предметной области (сети, экономика, образование и т. Д.), Также являются темами, в которых исследования ИИ в конкретной предметной области или сотрудничество с экспертами в предметной области наиболее часто встречаются в 2010 и 2018 годах. Это правдоподобно. что появление в статье ключевых слов из обоих доменов может быть результатом неаккуратного использования этих ключевых слов или часто используемых терминов (таких как «сеть»), которые пересекаются с нашими ключевыми словами.Тем не менее, ключевые слова из обоих доменов могут, по крайней мере частично, быть результатом междисциплинарного сотрудничества.
Рисунок 8 . Количество публикаций хотя бы с одной парой «соцсети»; «Технические» ключевые слова в 2010 и 2018 годах.
На Рисунке 9 показаны девять наиболее часто используемых пар ключевых слов для обоих доменов с 1997 по 2018 год, а также показано, что сотрудничество между этими темами неуклонно растет, причем темпы роста аналогичны увеличению общего числа публикаций по ИИ (с за исключением количества статей по экономике и сетям, которое росло более быстрыми темпами).
Рисунок 9 . Количество публикаций по наиболее часто используемым «общественным наукам»; «Технические» пары ключевых слов (1997–2018 гг.).
Разрыв в управлении между сферами социальных наук и технической сферой
Примечательной особенностью всего набора данных, как показано на рисунках 8, 9, является относительно небольшой объем публикаций, содержащих как исследования ИИ, так и терминологию, связанную с управлением. Как описано в разделе методологии, ключевые слова социальных наук охватывают многочисленные публикации, содержащие такие ключевые слова, как управление, этика, законодательство * , юридическая ответственность, гражданские права и другие.Однако рисунки 8, 9 показывают, что исследователи искусственного интеллекта из социальных и технических областей очень мало взаимодействуют с этими темами в междисциплинарной сфере (исключение составляет комбинация оценки рисков и сетей, представленных на вышеупомянутых графиках). Этот «пробел в управлении» в Исследования ИИ существуют, несмотря на растущую озабоченность исследователей социальных наук проблемами управления ИИ (Wachter et al., 2017; Winfield et al., 2018; Linkov et al., 2020).
Этот разрыв также существует, несмотря на взаимодействие между глобальными событиями и финансированием тематических исследований.Многолетний период, который мы рассмотрели в этой статье, охватывал самые разные события: от быстрых изменений в аппарате национальной безопасности США после 11 сентября, мировой финансовой рецессии в 2008 году и других событий, имеющих международное значение для науки и технологий в целом, а также компьютерной безопасности в США. конкретный. Некоторые из этих событий указаны на рисунке 10. Хотя часто наблюдается некоторое отставание, эти события позже отражаются в академической литературе, опосредованной научной политикой, которая предоставляет гранты исследователям ИИ в этих областях, вызывающих растущую озабоченность.
Рисунок 10 . Несколько выбранных вех, относящихся к технической и социальной сферам, коррелируя события с общими годовыми тенденциями в этих сферах (1997–2018 гг.).
Комплексный подход к глобальным событиям в новых исследованиях искусственного интеллекта в идеале должен включать обсуждение вопросов управления и этических норм, но это не всегда так. Интуиция подсказывает нам, что исследования искусственного интеллекта в областях военной и компьютерной безопасности, таких как обработка изображений и беспилотные летательные аппараты, испытали приток финансирования в десятилетия после 11 сентября.Важные ключевые слова AI для этих приложений безопасности и военных включают сверточные нейронные сети и компьютерного зрения , среди прочего. Однако наш анализ ключевых слов, показанный на рисунках 8, 9, показывает незначительное совпадение между этими техническими ключевыми словами ИИ и терминологией управления. Пробел в управлении, выявленный в ходе нашего анализа, свидетельствует о том, что множество вопросов этики и управления, порождаемых этими технологиями, не получили серьезного освещения в литературе.
Обсуждение
Стипендияв области социальных наук обеспечивает важную основу для развития и внедрения новых технологий.По мере того, как технология становится все более сложной, все меньше людей в целом обладают техническими знаниями, чтобы по-настоящему понять технологию и оценить ее преимущества и потенциальные затраты. Исследования в области социальных наук должны восполнить этот пробел, чтобы пользователи новой технологии могли понять ее значение в достаточной степени, чтобы дать согласие на ее использование или, наоборот, предотвратить преждевременный отказ от полезных инноваций. Например, пользователям может быть сложно оценить последствия условий обслуживания для онлайн-сервисов для безопасности и конфиденциальности.Эта сложность может увеличиться с использованием сервисов с поддержкой AI. Оценка социальных последствий не входит в компетенцию технических экспертов, которые раздвигают границы технологии, но не менее важна для обеспечения безопасности технологии для общества в целом и, в конечном итоге, ее продуктивного применения.
Специалисты в области социальных наук необходимы для проведения социальной оценки технологий. Впоследствии они могут устранить неопределенность и сообщить о преимуществах технологии общественности, особенно скептически настроенной.Устойчивый дискурс и оценка социальных наук обеспечат обществу уверенность в том, что применение технологии безопасно и приемлемо в соответствии с общественными ценностями, и может даже определить будущую траекторию развития области с точки зрения реагирования на потребности общества.
Значение ИИ для социальных наук вызывает озабоченность в преподавании и в средствах массовой информации (Elsevier, 2018), а необходимость междисциплинарных исследований широко обсуждается в сообществе вычислительных социальных наук (Kauffman et al., 2017). Тем не менее, наш анализ показывает, что объем академической литературы в технической области намного больше, чем в области социальных наук. Хотя этот разрыв сократился примерно за 20-летний период исследования, он по-прежнему показывает разницу в объеме публикаций между технической и социальной областью на порядок. Этот результат напоминает результаты аналогичного анализа по синтетической биологии (Trump et al., 2018a). Помимо общих тенденций, свидетельство резкого роста конкретных технических тем в области ИИ обнаруживается в увеличении частоты использования ключевых слов, таких как сети и CNN, глубокое обучение и извлечение функций за период изучения.Таким образом, из нашего анализа можно сделать вывод, что академические исследователи ИИ, знакомые с проблемами управления как таковые , относительно редки. Правдоподобные причины такой нехватки включают недостаточный опыт исследователей ИИ в области управления и этики, а также возможность того, что управление обычно считается выходящим за рамки конкретных областей или журналов (особенно технических). Однако этот анализ также показывает, что есть совпадения в нескольких важных приложениях ИИ в государственном и коммерческом секторах, которые в настоящее время вызывают озабоченность со стороны регулирующих органов и являются предметом общественного обсуждения.
Этот разрыв между публикациями по ИИ в технических и социальных науках скорее сужается, чем увеличивается, несмотря на рост и коммерческое использование ИИ, при этом рост объема публикаций по социальным наукам отражает рост технических публикаций. Это говорит о растущем интересе исследователей социальных наук к приложениям и социальным последствиям ИИ. Более того, объем публикаций, посвященных темам как технических, так и социальных наук, предполагает небольшой, но увеличивающийся объем междисциплинарных исследований с возможным междисциплинарным сотрудничеством, которое считается важным для развития дисциплины ИИ (Elsevier, 2018).Темы экономики и образования хорошо представлены в литературе, охватывающей как социальные науки, так и технические темы. Такие темы, как умные города, социальные сети и оценка рисков, относительно менее представлены в исследовании, посвященном обеим областям, но их частота за период исследования увеличилась. Точка зрения социологов улучшает оценку исследований ИИ, поэтому его включение в исследования ИИ оказывает влияние на область в целом.
Этот анализ также показывает, что период анализа (1997–2018 гг.) Характеризовался относительным консенсусом в терминологии и в некоторой степени избегал эффектов появления, семантического сдвига и устаревания, которые могли привести к неправильной классификации публикаций по предметным областям.Это говорит о том, что то, как исследовательские сообщества обсуждают ИИ, с течением времени становится все более консолидированным как в технической, так и в социальной областях. Примечательно, что даже между самым ранним и последним годами анализа мы наблюдаем, что примерно 50% ключевых слов, использованных в 1997 году, все еще использовались в 2018 году, что свидетельствует о существовании стабильного ядра терминологии, используемой в технической и социальной областях. Неудивительно, что между началом и концом периода исследования наблюдаются более широкие различия в терминах, а меньшие различия наблюдаются в более короткие периоды.Мы интерпретируем эту стабильность терминологии как полезную для исследователей социальных наук, работающих с техническими экспертами в области искусственного интеллекта, которые теперь сталкиваются с суженным диапазоном дисциплинарного жаргона.
Наконец, наш анализ указывает на пробелы в управлении. Имеются ограниченные свидетельства участия исследователей социальных наук в решении важных вопросов управления, о чем свидетельствует ограниченное использование исследователями ИИ таких ключевых слов управления, как управление, этика и мораль, права человека, конфиденциальность или информирование о рисках.Например, наш анализ показывает, что объем технических публикаций в нейронных сетях существенно вырос задолго до 2005 года, но такие темы управления, как оценка рисков, увеличились после 2010 года или даже позже. Это предполагает период, когда технология искусственного интеллекта могла развиваться бесконтрольно, с вероятными преимуществами для инновационного и безудержного развития, но при этом риск пагубных последствий не учитывался должным образом. Своевременное участие социологов в разработке новых методов ИИ может помочь найти баланс между техническими инновациями и общественным регулированием, эффективно сокращая разрыв в управлении.Объяснимый ИИ, например, может быть более регулируемым.
Этот разрыв может быть сокращен в будущем несколькими способами. Во-первых, социальные науки и технические области могут разрешить опасения по поводу потенциальных недостатков или проблем, создаваемых социологами и заинтересованными сторонами. Междисциплинарные исследования побуждали и могут продолжать подталкивать разработчиков в лаборатории к обеспечению «безопасности по замыслу», а также сокращению или исключению определенных исследовательских проектов, которые не компенсируют потенциально неприемлемые этические, социальные или экономические результаты в плане безопасности (Cath, 2018 ; Veale et al., 2018; Winfield et al., 2018). Второй способ сократить разрыв в управлении может заключаться в исследованиях в области социальных наук, которые способствуют повышению осведомленности общественности, например, в форме исследований по оценке рисков и коммуникаций, которые исследуют прозрачность и предвзятость алгоритмов ИИ. Это также может повысить осведомленность финансирующих агентств, которые, в свою очередь, могут способствовать вовлечению социальных наук в разработку ИИ. Третий способ преодоления разрыва в управлении может включать исследования самоуправления ИИ, например, использование технологии для обеспечения соблюдения этических принципов или для отслеживания и самокоррекции предвзятости.
Подход, который мы использовали для выявления тенденций и пробелов в управлении, был успешно применен в других областях. Тем не менее, наш метод имеет ограничения, которые ограничивают обобщение наших результатов. Ключевые слова — несовершенная версия темы исследования статьи. В то время как некоторые ключевые слова однозначно являются техническими (например, «градиентный спуск» или «вспомогательные векторные машины»), другие могут быть неоднозначными и характеризовать исследования как в технической, так и в социальной областях (например,, умные города). Более того, возможно, что появление ключевых слов из обоих доменов в статье может быть результатом нестрогого использования этих ключевых слов или часто используемых терминов, которые пересекаются с нашими ключевыми словами (например, сети ключевых слов могут относиться к нейронным сетям или к исследованиям в сотовой связи 5G, не имеющей отношения к ИИ). Тем не менее, ключевые слова из обоих доменов могут, по крайней мере частично, быть результатом междисциплинарного сотрудничества. В любом случае ключевые слова по-прежнему обеспечивают полезное (хотя и ограниченное) приближение первого порядка к пониманию общих тенденций.
Таким образом, использованный здесь аналитический подход оказался ценным из-за его пригодности для категоризации и оценки больших объемов данных публикаций. Анализ показывает, что существует широкий, но сужающийся разрыв между литературой по ИИ, опубликованной в технических и социальных областях. Потенциальным расширением этой работы было бы получение информации о цитировании для каждой публикации, которая более четко отразила бы структуру сообщества и причинно-следственные связи в наборе данных AI. Мы также отмечаем, что такие темы, как управление искусственным интеллектом, относительно немногочисленны в литературе, что свидетельствует о необходимости более пристального внимания со стороны исследователей.Таким образом, помимо обзора будущих исследований, эта работа может послужить источником информации для национальных стратегий финансирования исследований в области науки и технологий, которые могут быть использованы для устранения этих пробелов.
Авторские взносы
IL и BT разработали идею и предложенную методологию. AL и JB провели анализ, получили результаты и интерпретировали. KR и SG поддержали обзор и интерпретацию литературы. BJ и TC запросили ключевые слова этого исследования на тщательно отобранном наборе данных, представленном в Elsevier (2016, 2018), и вернули его сокращенную версию, которая легла в основу анализа исследования.Все авторы внесли свой вклад в статью и одобрили представленную версию.
Финансирование
Это исследование частично финансировалось Инженерным корпусом армии США.
Конфликт интересов
BJ и TC были наняты Elsevier.
Остальные авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.
Благодарности
Авторы хотели бы поблагодарить Филиппа Лоренц-Сприна, Андреаса Кохера за плодотворные обсуждения и их аналитические комментарии по методологическим подходам, а также Мириам Поллок за их прилежную корректуру рукописи и конструктивные замечания.Кроме того, Максиму Китсаку, Джеффу Кейслеру за конструктивные комментарии к рукописи и структурным предложениям, а также Джеффу Цегану. Взгляды и мнения, выраженные в этой статье, принадлежат отдельным авторам, а не армии США или других спонсорских организаций.
Список литературы
Бийкер, В. Э., Хьюз, Т. П., и Пинч, Т. (ред.). (2012). Социальное конструирование технологических систем: новые направления в социологии и истории технологий .Кембридж, Массачусетс: MIT Press.
Google Scholar
Бишоп, К. М. (2006). Распознавание образов и машинное обучение . Нью-Йорк: Спрингер.
Google Scholar
Эдвардс, Л., и Вил, М. (2018). Порабощение алгоритма: от «права на объяснение» до «права на лучшие решения»? IEEE Sec. Priv. 16, 46–54. DOI: 10.1109 / MSP.2018.2701152
CrossRef Полный текст | Google Scholar
Хайкин, С. (2010). Нейронные сети и обучающие машины . Ченнаи: Pearson Education.
Google Scholar
Кауфман, Р. Дж., Ким, К. и Ли, пели-Й. Т. (2017). «Вычислительная аналитика слияния социальных наук: сочетание машинных методов с объяснительным эмпиризмом», в Proceedings of the 50th Hawaii International Conference on System Sciences (Waikoloa Village, HI), 5048–5057.
Google Scholar
Линьков И., Галаици С., Трамп Б.Д., Кейслер, Дж. М., и Котт, А. (2020). Cybertrust: от объяснимого к действенному и интерпретируемому искусственному интеллекту. Компьютер 53, 91–96. DOI: 10.1109 / MC.2020.2993623
CrossRef Полный текст | Google Scholar
Линьков И., Рослики Л. и Трамп Б. (2019). Устойчивость и гибридные угрозы: безопасность и целостность для цифрового мира . Амстердам: IOS Press.
Google Scholar
Macnaghten, P., Kearnes, M. B., and Wynne, B.(2005). Нанотехнологии, управление и общественное обсуждение: какова роль социальных наук? Sci. Коммуна . 27, 268–291. DOI: 10.1177 / 1075547005281531
CrossRef Полный текст | Google Scholar
Миллер Т. (2019). Объяснение в искусственном интеллекте: идеи социальных наук. Artif. Intel . 267, 1–38. DOI: 10.1016 / j.artint.2018.07.007
CrossRef Полный текст | Google Scholar
Мингерс Дж., Лейдесдорф Л.(2015). Обзор теории и практики наукометрии. Eur. J. Op. Res. 246, 1–19. DOI: 10.1016 / j.ejor.2015.04.002
CrossRef Полный текст | Google Scholar
Мнюсивалла А., Даар А. С. и Сингер П. А. (2003). «Не забывайте о пробеле»: наука и этика в нанотехнологиях. Нанотехнологии 14, R9 – R13. DOI: 10.1088 / 0957-4484 / 14/3/201
CrossRef Полный текст | Google Scholar
Монтес, Г. А., Гертцель, Б. (2019). Распределенный, децентрализованный и демократизированный искусственный интеллект. Тех. Прогноз. Soc. Измените 141, 354–358. DOI: 10.1016 / j.techfore.2018.11.010
CrossRef Полный текст | Google Scholar
Мерфи, К. П. (2012). Машинное обучение : вероятностная перспектива . Кембридж, Массачусетс: MIT Press.
Google Scholar
Рахван И., Цебриан М., Обрадович Н., Бонгард Дж., Боннефон Ж.-Ф., Бризил К. и др. (2019). Поведение машины. Природа 568, 477–486. DOI: 10.1038 / s41586-019-1138-y
CrossRef Полный текст | Google Scholar
Зельбст, А.Д., Альтман, М., Балкин, Дж., Бамбауэр, Дж., Барокас, С., Бельт, Р. и др. (2017). Несоизмеримое влияние на контроль над большими данными. Georgia Law Rev. 109, 109–196. DOI: 10.2139 / ssrn.2819182
CrossRef Полный текст | Google Scholar
Шапира П., Юти Дж. И Ли Ю. (2015). Вклад социальных наук в сравнение в синтетической биологии и нанотехнологии. J. Respons. Иннов. 2, 143–148. DOI: 10.1080 / 23299460.2014.1002123
CrossRef Полный текст | Google Scholar
Зиберт, М., Колер, К., Шерри, А., Цацаронис, Г. (2018). Технические основы и методология отчета Elsevier по искусственному интеллекту . Отчет Эльзевьера об искусственном интеллекте.
Google Scholar
Sinha, A., Shen, Z., Song, Y., Ma, H., Eide, D., June Hsu, B., et al. (2015). «Обзор Microsoft Academic Service (MAS) и приложений», в Proceedings of the 24th International Conference on World Wide Web (Florence), 243–246. DOI: 10.1145 / 2740908.2742839
CrossRef Полный текст | Google Scholar
Скиена, С.С. (2017). Руководство по проектированию в области науки о данных . Чам: Спрингер.
Google Scholar
Саттон, Р. С., и Барто, А. Г. (2018). Подкрепление Обучение: Введение . Кембридж, Массачусетс: MIT Press.
Google Scholar
Трамп, Б.Д., Сеган, Дж., Уэллс, Э., Пуансат-Джонс, К., Райкрофт, Т., Уорнер, К. и др. (2019). Коэволюция физических и социальных наук в синтетической биологии. Crit. Ред. Biotechnol . 39, 351–365.DOI: 10.1080 / 07388551.2019.1566203
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Трамп, Б.Д., Цеган, Дж. К., Уэллс, Э., Кейслер, Дж., И Линьков, И. (2018a). Критический момент для синтетической биологии. EMBO Rep . 19, 7. doi: 10.15252 / embr.201846153
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Трамп Б. Д., Каммингс К., Кузьма Дж. И Линьков И. (2018b). Аналитическая модель принятия решений для руководства нормативными актами правительства на ранней стадии: приложения для синтетической биологии. Регул. Править. 12, 88–100. DOI: 10.1111 / rego.12142
CrossRef Полный текст | Google Scholar
Вахтер, С., Миттельштадт, Б., и Флориди, Л. (2017). Прозрачный, объяснимый и подотчетный ИИ для робототехники. Sci. Робот. 2: 6. DOI: 10.1126 / scirobotics.aan6080
CrossRef Полный текст | Google Scholar
Винфилд А., Винфилд А. Ф. и Джиротка М. (2018). Этическое управление имеет важное значение для построения доверия к робототехнике и системам искусственного интеллекта. Philos. Пер. R. Soc. А 376: 20180085. DOI: 10.1098 / rsta.2018.0085
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Справочник Routledge по социальным наукам по ИИ — 1-е издание
Содержание
Часть I: Подходы социальных наук к искусственному интеллекту
1. Сложные системы ИИ: последние траектории социальной теории
Энтони Эллиот
2. География AI
Томас Бирчнелл
3.Искусственный интеллект и психология
Дж. Майкл Иннес и Бен В. Моррисон
4. ИИ в эпоху технонауки: на подъеме ИИ, управляемого данными, и его эпистемо-онтологических основах
Ютта Вебер и Бьянка Приетл
5. Работа, занятость и безработица после AI
Росс Бойд
6. Аффекты после ИИ: социологические перспективы искусственного общения
Михаэла Пфаденхауэр и Тобиас Леманн
7.Антропология, искусственный интеллект и робототехника
Джоффри Беккер
8. Этика искусственного интеллекта
Винсент К. Мюллер
9. Взаимодействие человека и машины и методы проектирования
Наоко Абэ
Часть II: Области искусственного интеллекта в исследованиях в области социальных наук
10. Менеджмент и организация в эпоху искусственного интеллекта
Роман Батько
11. Амбивалентные места в политике: социальное конструирование определенностей в автоматизированной мобильности и искусственном интеллекте
Свен Кессельринг и Каролин Шеневольф
12.Умные среды
Майя де Нергаард и Мален Фройдендаль-Педерсен
13. Модели закона и регулирования для AI
Николя Пети и Жером де Куман
14. Искусственный интеллект и кибербезопасность
Маттео Э. Бонфанти, Мириам Данн Кавелти и Андреас Венгер
15. Летальные автономные системы оружия
Франк Зауэр
16. Искусственный интеллект и мировоззрение в эпоху вычислительной мощности
Massimo Durante
17.Техногенеры: старение и робототехника
Эрик Л. Хсу
18. Большие данные и аналитика данных
Джо Бейтс
19. AI, индустрии культуры и развлечений
Сэм Хан
20. AI, робототехника, медицина и медицинские науки
Норина Гастайгер и Элизабет Бродбент
21. AI, умные границы и миграция
Луи Эверусс
Искусственный интеллект для социального мира
Жюстин Касселл
Основная миссия — лучше понять социальное взаимодействие и создать машины, которые будут более эффективно взаимодействовать с людьми.
Будет ли искусственный интеллект (ИИ) означать конец социального взаимодействия? Сразу хочу сказать — чтобы вы перестали читать, если это вас разочаровывает — я не собираюсь отвечать на этот вопрос.
Я не собираюсь отвечать, потому что я не футуролог, я ученый. Я не верю в предсказания будущего; Я верю в понимание возможностей, а затем пытаюсь сделать лучший станет будущим.Я попытаюсь убедить вас, что ИИ может помочь нам лучше понять социальное взаимодействие, которое может создавать положительные будущее в виде систем, вызывающих естественное социальное взаимодействие людей во все более технологичном мире, и что он может сохранить одну из аспекты человечества, которые нас больше всего волнуют, — наша социальность.
Однако, прежде чем я посмотрю в будущее или настоящее, если на то пошло, я хочу немного поговорить о прошлом. Наш чувства по поводу новых технологий всегда начинаются с надежды и ожидания за все те замечательные вещи, которые технология сделает для нас.Когда телевизоры впервые появились на рынке, в рекламе утверждалось, что они поднимут оценки в школе и улучшить семейную жизнь. Однако это радостное ожидание в конце концов превращается в страх и беспокойство. Что касается телевидения, критики утверждали, что оно собирался разрушить детские классы, их желание играть на улице, даже очень ткань семейной жизни. Так было с печатным станком, радио, видео. игры — и то же самое с ИИ.
Всего несколько лет назад многие из нас были в восторге от все преимущества, которые собирались получить из-за ИИ, и теперь многие из нас боятся всех бедствий, которые ждут нас.я начал думая об этой кривой, которая начинается с надежды и заканчивается страхом, когда я был изучение убеждений родителей о том, как на девочек повлияет их опыт в Интернете. Я начал читать об истории женщин и технологий и обнаружил, что такая же кривая существовала в отношении девочек и телеграф, девушки и телефон, а затем девушки и Интернет. В каждом в случае надежды было, что эти технологии будут улучшены — сделаны добрее, для пример — а потом боялись, что девочек заманят в опасный мир где родители не могли контролировать свои действия.Таким образом, наши опасения по поводу новые технологии, такие как искусственный интеллект, могут быть совсем не новыми. В таком случае, что мы переживания могут быть опасениями не по поводу самой технологии, а по поводу нас, наши дети, наши семьи и наше рабочее место; опасения по поводу того, что может стать общественные ценности нашего общества. В своей работе с девушками в Интернете я описал, что страх как то, что известно как моральная паника, в данном случае предполагаемая угроза социальные ценности, проистекающие из возможностей молодых людей, особенно молодые женщины, принимающие собственные решения вне сферы семьи.
ИИ, похоже, пробуждает аналогичные моральные принципы. паники, но в данном случае речь идет скорее о предполагаемой угрозе нашей способности сочувствие. Стали ли мы более склонными причинять сильную боль другим без опасения? Мы потеряли чувство ответственности друг за друга? В этом контекст, моя исследовательская программа, которая тесно связана с моим выпускником работать в лингвистике и психологии, чтобы лучше понять, как мы взаимодействуем друг с другом, как мы работаем, играем и учимся вместе с коллегами, а затем понять, неизбежно ли ИИ ухудшает эти взаимодействия.Если это нет, тогда мы можем работать над ИИ, который будет поддерживать хорошее — возможно, даже сделать его лучше. В первые годы работы исследователем я пытался лучше понимать, как мы используем язык и тело, чтобы улучшить взаимодействие с другие. Сегодня я добавил технологии и добавил вызов создания ИИ-сущностей, которые совместно используют язык и тело для работы, игры, и учиться вместе с другими. Знания, полученные в результате этих экспериментов, позволяют нам создавать технологии, которые лучше поддерживают наше межличностное общение и сообщество цели.И эти технологии могут помочь лучше понять, как мы работаем и играй и учись.
Чтобы описать это по-другому, мое исследование началось как изучение взаимосвязи между вербальным и невербальным поведением, и что он говорит нам о познании и языке. Все чаще я становился интересуются динамическими и интерактивными аспектами взаимоотношений между вербальное и невербальное поведение, иногда называемое совместными действиями, когда наши общение друг с другом рассматривается как нечто большее, чем сумма его частей, и есть явления, которые можно описать только как функцию двух или более люди в разговоре.Изначально для меня технология была способом моделирования это понятие единиц анализа больше, чем личность. я стал заинтересован в понимании концепции как социолог, а также в используя это понимание для внедрения технологических вмешательств, которые также участвовать в совместных действиях с людьми и тем самым поддерживать нас в работе, играть и учиться в мире.
Эта двойная точка зрения на совместные действия привела меня участвовать в более широких дебатах. Один — это дискуссия в социальных науках, где вера в то, что диада или группа могут служить базовой единицей анализа не принято повсеместно.
Другое, более конкретное исследование, которое я провожу, состоит в том, чтобы представить альтернативу идее о том, что целью ИИ должна быть автономия. Это широко распространенное (но, как я считаю, ошибочное) убеждение можно проследить до небольшого семинара, который представляет собой наиболее широко цитируемую историю происхождения ИИ. Летний исследовательский проект по искусственному интеллекту в Дартмуте собрал в 1956 году 11 человек (да, мужчин) для шестинедельной работы, целью которой было «продолжить работу на основе гипотезы о том, что любой аспект обучения или любая другая характеристика интеллекта может в принципе, быть настолько точно описанным, что можно создать машину для его моделирования.”
Позитивное социальное взаимодействие оказывается хорошим предиктором высокого уровня выполнения задач во многих областях, таких как сотрудничество между коллегами, проведение опросов, участие пациентов в клинических испытаниях и продажи.
Однако поиски ИИ на самом деле начались несколько раз. годами раньше и с гораздо более широкой миссией. Мэйси Конференции по кибернетике проводились между 1946 и 1953 годами. Их целью было (просто) разработать «общую науку о работы человеческого разума »и понять, как машины могут служить модели человеческого познания и, в конечном итоге, того, как люди и машины могут работать вместе.Эта цель во многом была похожа на цель Дартмутского клуба. мастерские. Однако присутствовавшие мужчины и женщины (да, и женщины) были из такие разные области, как психиатрия, антропология и математика, а также важной темой конференций была идея о том, что докладчик и слушатель установил «рефлексивный петли обратной связи », которые сделали это их можно рассматривать как одну рабочую единицу. Если бы конференции Macy стали истории происхождения ИИ, мы могли бы избежать неприятного недоразумение.Если бы мы с самого начала осознавали, что сами люди не автономны, а взаимозависимы, цель создания машин «как автономны, как люди »не возникло бы, и мы могли бы сделать быстрее прогресс в направлении более точных, менее хлопотных и, в конечном итоге, более полезная цель работы в направлении взаимозависимости. Итак, я вижу одну цель своей исследование как предоставление примеров и, таким образом, помощь в распространении понимания что миссия состоит не в замене людей машинами и не в том, чтобы создавать машины, которые могут работать в тесной взаимосвязи с людьми.
Третья более широкая дискуссия заключается в участии в повышение статуса социальных наук в вычислительных науках. В простая фраза «мягкие науки» говорит о статусе социальных наук в Информатика. Например, вычислительная социология, растущая дисциплина, которая, к сожалению, может добавить важную информацию о человеческом поведении иногда описывается как способ повысить строгость социальных наук. Если, однако, мы должны построить машины, которые будут работать в тесной взаимосвязи с людей, то инженеры должны уважать и учиться у социологов, которые изучение сложностей человеческого взаимодействия друг с другом и с технологии.
Поведение человека
После этого давайте перейдем к тому, что это означает использовать ИИ для понимания человеческого поведения и того, как это делать. Один подход заключается в моделировании человеческого поведения в анимированном компьютерном персонаже с с которым ребенок или взрослый может взаимодействовать, а затем оценить последующую симуляцию насколько это похоже на реальность. О естественности можно судить, просто посмотрев, но более интересно взглянуть на поведение диады, т. е. естественность взаимодействия человека с машиной.Такая симуляция человеческих словесных а невербальное диалоговое поведение анимированного компьютерного персонажа просто мультфильм, если он реализован аниматорами и встречается в видеоиграх или на ютубе. Однако, если диалоговое поведение создается автоматически, и подстраивается под собеседника-человека, то его называют воплощенным разговорный агент (ECA, произносится как «а-ка» в Европе), или просто виртуальный человек. В этом случае, как и в видении лекций Мэйси, анимированный персонаж создает петлю обратной связи, в которой диалоговое поведение каждого собеседника влияет на разговорное поведение другого.
Приложение ECA как способ понимание человеческого поведения — это исследование, которое я провел с выпускником студентов Северо-Западного университета и Карнеги-Меллона (и совсем недавно с докторант Саманта Финкельштейн), чтобы лучше понять использование маргинальные диалекты в школе. Обширные исследования и горячие дискуссии сосредоточены на том, на каких диалектах детям следует разрешать или даже поощрять говорить в классе. Ученые утверждали, что в течение как минимум 50 лет что дети будут учиться лучше всего, если им разрешат провести мозговой штурм или подумать вслух своим сверстникам на диалекте, на котором они говорят дома.Во время того же период, другие ученые утверждали, что только если дети говорят на общепринятом «Школьный диалект» для всех окружающих научатся ли они строго мыслить и успешно избавиться от диалекта, который многие из этих ученых думаю, надо искоренить. Обратите внимание, что обе позиции не зависят от позиция, занятая в отношении того, должны ли дети выучить основной диалект перед они идут в мир работы или в университетскую среду. Обе группы ученых в основном согласны с тем, что вне класса и по мере взросления интеллект и Скорее всего, способности частично оцениваются по тому, как человек говорит.
Одна проблема, которая мешает дискуссии, заключается в том, как Трудно проводить эмпирические эксперименты по этому вопросу. Экспериментаторам не может реально контролировать, на каком диалекте ребенок говорит в классе со своим или ее сверстники, чтобы оценить влияние диалекта ребенка на диалект других детей, и их обучения, а также самостоятельно. это так же сложно найти естественный эксперимент, в котором два класса отличаются только на диалекте, на котором говорят дети. Однако мы можем создать моделирование детей, которые отличаются только диалектом, на котором они говорят, и что могут взаимодействовать с детьми в школьном контексте.
Конечно, использование электронных сигарет, похожих на детей, — что мы называем виртуальных сверстников — вместо настоящих детей, это зависит от гипотезы, что дети взаимодействуют с виртуальными сверстниками так же, как с настоящими сверстниками. Этот Гипотеза была проверена в ряде предыдущих экспериментов, в которых детские поведение со своими сверстниками сравнивалось с их поведением с виртуальными сверстниками, и было обнаружено несколько отличий. Дети охотно сотрудничали с виртуальные сверстники рассказывают истории, проводят научные эксперименты и т. д. задания.Никто из детей не пытался оценить, насколько способен виртуальный сверстник («сломать это »), и они не игнорировали это, ни их взгляд и другие невербальные сигналы общение различаются. Такое же сходство было обнаружено, когда пары детей взаимодействовал с одним виртуальным партнером. С другой стороны, дети не ошибочно принимают виртуального сверстника за настоящего ребенка. Это было особенно продемонстрировано убедительно, что в 2001 году, когда мы впервые разработали виртуальный сверстник, Съемочная группа попросила нас прямо спросить группу девятилетних детей, действительно ли «Сэм» был «настоящим ребенком», а если нет, то каким он был.Должен отметить, что в этом эксперимента, как и во всех наших последующих экспериментах, мы никогда не используем местоимение с участниками исследования для обозначения виртуального сверстника — ни «оно», ни «Он» или «она». В те ранние годы, когда видеоигры были менее сложными, и аватарки неизвестны, детям было ясно, что это не настоящий ребенок, но изо всех сил пытался описать, что это было. Один сказал, что это «как ксерокс», другой сказал, что это «похоже на компьютерную игру, но намного сложнее», а третий сказал это был «вроде как настоящий человек… но не так.Наконец, один ребенок, покинувший экспериментальной комнаты, — спросил экспериментатор, сидящий за пределами решающей неоднозначный вопрос: «Сэм писает?»
Таким образом, возвращаясь к дискуссии об использовании маргинальные диалекты в американских классах, Саманта Финкельштейн в своем диссертационная работа, задействованная в серии экспериментов двумя нашими виртуальными коллегами это отличалось только диалектом, на котором они говорили. В одном состоянии продольный эксперимент, виртуальный ровесник говорил только в основной американской школе Английский.Поэтому он использовал этот диалект для мозгового штурма с детьми о их совместная научная задача, а также для практики презентации для учитель об их результатах (условие только для мейнстрима). Во-вторых состояние, виртуальный ребенок впервые провел мозговой штурм с ребенком в африканском Американский разговорный английский (AAVE), а затем переключился на основной американский школьный английский для отработки презентации учителю о своих результаты (условие кодовой коммутации). В обоих условиях и в каждой науке задача, над которой коллеги работали в течение пяти недель после сверстники закончили мозговой штурм, виртуальный сверстник пригласил ребенка попрактиковаться в презентации и добавил: «Моему учителю нравится, когда я использую свою школу Английский.”
Следует отметить, что, как и во многих городах, ряд маргинальных диалектов говорят в Питтсбурге (включая питтсбургский сам), где и проводились эксперименты. Насколько я знаю, все провоцируют те же дебаты о том, как / когда / где / следует ли их допускать в класс. Был выбран AAVE, потому что я много работал в Чикаго с диалектом, а затем с помощью постдока Бриттани Маклафлин смогла провести год разработки грамматики, отражающей конкретный экземпляр Питтсбургского AAVE.
Результаты лонгитюдного исследования продемонстрировали, что при работе с виртуальным партнером с кодовой коммутацией дети сами больше говорили на диалекте, и они чаще использовали этот диалект. научного дискурса, которого искали их учителя (формирование гипотез, приводить доказательства, делать выводы), чем те дети, которые работали с виртуальный одноранговый узел только для основного направления. Увеличение содержания науки было сильнее для дети, получившие более низкие баллы по тестам на умение читать. Дальнейший анализ данные показали, что прогностическая зависимая переменная не использовалась в диалекте и сам по себе, но тот факт, что дети чувствовали большее взаимопонимание с говорящий на диалекте виртуальный ребенок, что привело к повышению успеваемости в естественных науках.
Строительный раппорт
Раппорт — это трудно поддающееся определению понятие, которое поэтому может быть трудно измерить. В этом случае мы использовали анкета, разработанная Сандрой Калверт для оценки того, что она называет парасоциальным взаимодействие детей и героев мультфильмов. Мы также наняли метод, разработанный Налини Амбади и ее коллегой Робертом Розенталем для измерить лежащие в основе психологические состояния, которые не особо поддаются хорошо к саморефлексии или существующим измерительным приборам.В чем они называется «аннотацией тонкого среза», обычные люди (не исследователи и не университетские студентов или психологов) просят оценить раппорт, который определяется для их как чувство синхронизации или гармонии с другим человеком, между двумя люди на основе 30-секундного «тонкого фрагмента» видео. Амбади, Розенталь и другие показали, что суждения, основанные на тонких срезах, столь же точны, как суждения, основанные на гораздо более длинных видеоклипах, что существует высокая межоценочная надежность и соответствие суждений самооценке.Мы сосредоточились на оценка раппорта, потому что это одно из тех явлений, упомянутых выше, чье Единица анализа больше, чем один человек. Раппорт также поддается количественной оценке метрика позитивного социального взаимодействия. Социальное взаимодействие — болтовня — часто игнорируется при анализе диалогов или построении разговорного системы. Тем не менее, позитивное социальное взаимодействие оказывается хорошим предиктором высокого уровня выполнения задач. производительность во многих областях, таких как одноранговое сотрудничество (как указано выше), опрос собеседование, набор пациентов для участия в клинических испытаниях и продажи.По факту, менеджеры часто специально обучают продавцов и другой обслуживающий персонал, например ждать сотрудников, чтобы установить взаимопонимание со своими клиентами, потому что, как они говорят, это усиливает продажи или советы.
Мы видели один пример, когда ИИ не означает конец социального взаимодействия. Напротив, в этой системе ИИ, позитивное социальное взаимодействие в форме чувства взаимопонимания с виртуальным сверстник, играет ключевую роль в повышении эффективности ИИ в обучении естествознанию. Это также сыграло важную роль в нашей способности что-то понимать, на мой взгляд. знания, ранее не обсуждавшиеся относительно использования детского диалекта в школьный класс; в частности, роль общего диалекта (гомофилия за диалектом) в совместное обучение.
Обратите внимание, что раппорт — это не то же самое, что оказывать воздействие. Можно любить другого человека, но чувствовать рассинхронизацию или несогласованность. Точно так же можно почувствовать мгновенное взаимопонимание, например, через поделился улыбкой на выходки музыканта в метро, что не понравилось и даже не понравилось зная другого человека. Чтобы отделить симпатию от rapport, Эми Оган, Саманта Финкельштейн и я повторно проанализировали собранный набор данных. Эрин Уокер за диссертацию о взаимном обучении алгебре.В этом набор данных, дети были объединены в пары с кем-то того же возраста, а затем взяли по очереди обучают друг друга. Некоторые студенты пришли со своими друзьями и были в паре с ними. Те студенты, которые пришли одни, были в паре с посторонние люди. Анализируя, что сделало взаимное обучение успешным, Эрин отбросила много, казалось бы, неуместных разговоров о социальном взаимодействии между детьми, и она не делала различий между парами друзей и парами незнакомцев. Мы интересно, можем ли мы лучше предсказать успеваемость детей по алгебре если бы мы включили болтовню, которая была выброшена, и если бы мы посмотрели на разница между друзьями и незнакомцами.Действительно, оказалось, что по аннотирование в диалогах и включение в анализ поддразнивания и оскорбления, частные шутки, высмеивание экспериментаторов, мы могли лучше прогнозировать успехи в обучении по алгебре.
Однако результаты показали, что Установленное поведение, способствующее установлению взаимопонимания, было разным для друзей и незнакомцев. Дразнить и оскорблять коррелируют с более высокими успехами в обучении, но только среди друзья. Когда незнакомцы дразнят или оскорбляют друг друга, они учатся. были ниже.Как мы это понимаем? Как могут поддразнивания и оскорбления — поведение которые кажутся такими контрпродуктивными — улучшить обучение? Одна интерпретация заключается в том, что обучение — это ситуация с угрозой для лица, когда человек делает себя уязвимым, неявное признание того, что человек чего-то не знает, признание, которое особенно опасен для подростков. Если это правда, то установление взаимопонимания может действовать как социальная смазка, позволяя обучению происходить между сверстники-подростки. Однако, только если существует уже существующая связь, можно дразнить и оскорбления — предположительно негативное социальное взаимодействие — служат для улучшения взаимопонимания.Фактически, поддразнивания и оскорбления могут подчеркивать связь и представлять собой показатель особенности отношений между двумя друзьями. За Например, один репетитор-подросток заставил своего ученика решать математические задачи в следующем порядке: они были перечислены на странице. Когда его ученик отказался, он прошипел: «Ну, это принесет тебе много добра в жизни! »
С другой стороны, среди незнакомцев были наставники. может застраховать или смягчить последствия критики работы ученика в качестве способ создания связи, которая может выдержать угрозу уязвимости.За Например, один подросток, давая советы о том, как решить уравнение, сказал: «Ну, ты вроде как может захотеть добавить 5 с обеих сторон ». Наличие этих живых изгородей среди незнакомцев, это было то, что коррелировало с более высокими достижениями в обучении, а также с другими решались задачи по алгебре.
В последующих исследованиях мы продолжили это направление и проанализировали с еще большей степенью детализации вербальное и невербальное поведение, которое сигнализирует о раппорте и вызывает раппорт, а также те поведения, которые увеличивают, поддерживают и уменьшают раппорт.Наши данные снова состояли из видео подростков, обучающих друг друга линейной алгебре. Результаты выявили ряд сильных сигналов о взаимопонимании: усиление улыбок, больше взаимных взглядов, больше самораскрытия, больше того, что известно как «увлечение», например, принятие скорости речи другого человека. Мы используем машинное обучение для проведения некоторых из этих анализов. В частности, мы концентрируемся на тех методах машинного обучения, которые позволяют нам смотреть на динамику коммуникации — то, какое поведение во времени1 предсказывает возникновение другого поведения во времени2.Это анализ последовательности, здесь с использованием правил временной ассоциации, который может предсказать исходное событие, такое как выгода от обучения, на основе комбинации входных событий, таких как поддразнивание с последующим взаимным взглядом или улыбки, которым предшествует хеджирующее поведение. Это конкретное правило гласит, что когда нарушение социальной нормы, такой как поддразнивание, сопровождается взаимным нарушением социальной нормы, например, поддразниванием, и за этим поведением следуют взаимные улыбки, тогда взаимопонимание, вероятно, будет высоким, но только среди друзей.Обратной стороной является то, что если улыбки не следуют за взаимным нарушением социальных норм, раппорт, скорее всего, будет низким. Подобного рода машинный анализ данных позволяет нам понять социальное поведение так, как это было бы трудно сделать с помощью человеческого наблюдения. Техника временной ассоциации, TITARL, может обрабатывать стенограммы 300 часов видео, извлекать из них тысячи правил, группировать их, а затем использовать эти группировки правил в качестве входных данных для модели раппортного поведения. Сочетание этого подробного анализа человеческого поведения с обзором литературы в области образования, социологии, психологии, этнометодологии и многих других областей привело к тому, что тогда докторант Ран Чжао и я разработали более точную модель разговорных движений и их влияния на взаимопонимание.
Дразня и оскорбление могут подчеркивать связь и указывать на особенность отношений между двумя друзьями.
Одна из причин, по которой мы проводим вид кропотливое рукописное аннотирование (и, все чаще, аннотации микро-работников, таких как Amazon Mechanical Turk), и анализ, который я описал выше, — это простота что может быть преобразовано в прогнозирующую модель построения взаимопонимания, и затем в алгоритмы, управляющие системой ИИ.Я и мои ученики смотрим на сотни и сотни часов взаимодействия людей в ситуациях, которые экологически чистые, поскольку мы можем их производить, но при этом позволяем собирать качественные видео и аудио данные. Тогда вместо того, чтобы использовать ярлык использование данных всего от пары человек для ввода непосредственно в компьютер системы, мы разрабатываем модель, которая объясняет интересующее поведение, и это прогнозирование переменных результата, таких как успехи в обучении. Мы знаем, когда закончим эта модель, которая с учетом поведения X, поведение Y более вероятно, и это та модель, которая дает начало алгоритмам, которые мы реализуем в системах.Мой мы со студентами вывели эти модели из наблюдений за широким кругом ситуации на протяжении многих лет. Например, один ребенок рассказывает истории с другим, по сравнению с тремя детьми, рассказывающими друг другу истории, дети играют с другими детьми или детьми, играющими со своими родителями. Я смотрел на аспиранты обсуждают свои исследования и разработали модель с Кэнди. Сиднер и Чак Рич о том, как движения туловища предсказывают сдвиг в тема, и как эти сдвиги могут сигнализировать о смене темы в ECAs.
Мы провели долгое исследование работающих пар. подготовка к покупке или аренде дома, а также расположение социальной болтовни в разговор с риелтором и еще одно исследование с Юкико Накано на роль взора в парах людей, указывающих друг другу направления. В каждом случае, результаты этих анализов приводят к модели, которая дает начало множеству алгоритмов для управления системой ИИ. И затем, в каждом случае, чтобы оценить обоснованность модели, просим людей взаимодействовать с системой и смотреть на то, похоже ли их поведение на их поведение с другими людьми, и оказывает ли это положительное влияние на задачу, которую выполняет человек и система искусственного интеллекта сотрудничают.В отличие от описания поведения людей, здесь мы создание виртуального человека с нуля. Хотя это бесконечный проект, обеспечивающий работу на долгие годы, — это тот, который позволяет нам определить некоторые существенные части человеческого поведения, которые мы не учли в наши предыдущие модели. Эти аспекты человеческого поведения во многих случаях также не учитывались. были задокументированы в литературе по общественным наукам, поэтому нам нужно вернуться к более внимательно изучить данные о человеке, прежде чем вернуться к моделированию и системы внедрения.
Итак, мы рассмотрели пару ИИ системы, которые создают набор социальных моделей поведения, адаптируемых к социальным поведение собеседника-человека таким образом, что возникает взаимопонимание. Факт такое взаимопонимание, по мнению объективных наблюдателей, демонстрирует готовность общаться с виртуальными людьми. Этот факт открывает путь для искусственного интеллекта. системы, которые используют социальное взаимодействие для повышения производительности совместной работы задания. В некотором смысле социальная беседа, предшествующая запросу риелтора о финансовое положение молодой пары или издевательства со стороны ее наставника, переплетается с попыткой подростка решить алгебраическое уравнение или осторожным вежливость и скрытые предложения незнакомцев, пытающихся работать вместе для в первый раз все напоминают то, что было названо «разговором о кулере с водой».» Мы знаем это физические пространства, которые способствуют разговору о кулере с водой, также способствуют более эффективному рабочая среда. И здесь социальное взаимодействие между человеком и искусственным интеллектом может быть смазанным. колеса эффективного сотрудничества.
Под капотом
До этого момента я намеренно расплывчато о технических аспектах таких систем ИИ. Это не обсуждение моделируемых пользователей или подходов Seq2Seq к диалоговым системам, и я не собираюсь вдаваться в подробности о внутренностях этих систем.Тем не мение, Я хочу коснуться некоторых аспектов социально осведомленных ECA, чтобы отметить пути, которыми они также продвинулись вперед в области искусственного интеллекта.
На самом базовом уровне ЭКА — это диалог система с кузовом. Диалоговые системы — это своего рода ИИ, с которым вы разговариваете когда вы звоните в United Airlines или AT&T, или общаетесь в чате с помощник на веб-странице Amazon. Это означает, что система может распознавать речь и переводить эту речь в текст (в довольно жесткие ограничения домена, для которого он был построен).Это означает, что система Модуль понимания естественного языка (NLU) ищет определенные виды высказывания (диалоговая система United Airlines может управлять запросами на полет раз, но не запросы о счете в бейсболе) и извлекает значения или намерения от них (что человек хочет от системы). Авиакомпании агент может сказать: «Понимал ли я, что вам нужен рейс из Кливленда в Майами? » После NLU диспетчер диалогов поддерживает историю диалогов и знает, что нужно сделать дальше, чтобы выполнить запрос пользователя.Это также поддерживает согласованность в том, как ссылаться на элементы из более раннего разговор самым естественным образом. Система ожидает, что вызывающий абонент укажет день и время после запроса о рейсах в конкретный город, что позволяет сэкономить название города в памяти, пока ждем остальную информацию. Диспетчер диалогов отправляет эти запросы диспетчеру задач, который может найти информация из соответствующей базы данных, маршрутизация звонков к разным людям на или решите запросить дополнительную информацию у звонящего.Что бы ни выбранный ответ на задачу возвращается как набор концепций или обязательств по удовлетворяет, а затем отправляется в модуль генерации естественного языка для включения на разговорный язык. Наконец, язык, который сгенерирован, отправляется либо к механизму преобразования текста в речь, либо записать в тексте для чат. Наши виртуальные люди делают то же самое, что и диалоговые системы, за исключением у них есть тела. ECA, однако, не только создаются в анимированных персонажей, но используют свои анимированные тела способами, подобранными человеческим невербальное и вербальное поведение собеседника, и это добавляет что-то кроме вау-фактор для взаимодействия.Например, ECA используют свои оживленные руки, чтобы передают детали, дополнительные к тем, которые передаются в сопроводительной речи, их глаза, чтобы указать, что настала очередь человека говорить, а его брови — укажите самое важное в том, что они говорят.
Что касается социально-ориентированных ECA, то примерно в то время что диспетчер задач работает над тем, как выполнить заданный запрос, социальный рассуждающий планирует различные вербальные и невербальные разговорные движения, которые нужно делать, чтобы смазать колеса успешное выполнение задачи.Возможно, за поддразниванием следует улыбка, отрицательная самораскрытие с последующим застенчивым взглядом, соблюдением норм вежливости или игнорируя их. Поскольку у них есть тела, а также голоса, ECAs генерируют не только язык, но и соответствующее невербальное поведение. Потому что они социально осведомлены, их способ доставки информации или запроса дополнительных детали меняются в зависимости от того, с кем они разговаривают (повторный звонящий или совершенно незнакомец), и где они находятся в разговоре (система просто представился или разговаривал с собеседником-человеком в течение совсем немного времени).Наиболее важно то, что ECA меняет свой способ общения на основе о манере общения собеседника-человека в этот момент разговора. Итак, как и в случае с подростками, которых мы наблюдали, наш виртуальный человек (по имени Джейден, чтобы позволить неоднозначный по признаку пола и этнической принадлежности персонаж также должен быть неоднозначным в name) участвует в негативном самораскрытии, хеджировании и юморе для установления взаимопонимания. Вот отрывок из реального взаимодействия:
>> Джейден: Нет, это не совсем так.
Не волнуйтесь, я думаю, это тоже сложно.
>> Студент: Хорошо. О, 50.
>> Джейден: Да, я думаю, это правильно. Что
ты думаешь, что тебе следует делать дальше?
>> Студент: я разделю на 10, а
что даст ответ 5.
>> Джейден: Верно. Я такой хороший
учитель!
Первое высказывание Джейдена содержит преграду, с последующим негативным самораскрытием. Обе эти стратегии тонкие, но влияние на ученика очевидно. Она расслабляет свой сморщенный лоб, ее голос становится громче и твердее, и она отвечает менее робко.Проведенное исследование Майклом Мадайо, Эми Оган и мной указывает, что в ситуациях, когда репетитор и ученик не близки, такой вид хеджирования приводит к тому, что ученик пытается решать больше проблем и узнавать больше. Это особенно верно для наставников, уверенных в своих силах, что свидетельствует о том, что хеджирование происходит из-за его воздействия на ученика-опекуна, а не из-за отсутствия уверенность в себе репетитора. Отрывок заканчивается поддразниванием, поскольку Джейден указывает на то, что заслуга за успехи принадлежит наставнику, а не ученик.
Хотя этот способ оказания репетиторской помощи лишь немного отличается от любого другого, изменения в системе требовалось изрядное количество инноваций. Чтобы Джейден смог адаптироваться к студентов таким образом, нам пришлось разработать ряд новых модулей для социально-ориентированная диалоговая система. Наше исследование человеческого поведения позволило нам разработать классификатор разговорной стратегии, который может определять с высокой точность, является ли высказывание человека самораскрытием, похвалой, вопросом вызвать самораскрытие, нарушение социальных норм, следование социальным нормы и т. д.Кроме того, оценщик раппорта проводит анализ язык и невербальное поведение виртуального и реального человека каждый 30 секунд, чтобы оценить уровень взаимопонимания в диаде. После уровня взаимопонимания вычисляется, социальный рассуждающий выбирает разговорные стратегии для развернуться, чтобы укрепить или поддержать уровень взаимопонимания.
Около 60 студентов прошли обучение в виртуальный партнер линейной алгебры в одном из трех условий: только задача; линейный увеличение раппорта с течением времени; и наш социально осведомленный виртуальный коллега, который адаптирует язык и невербальное поведение в зависимости от собеседника поведение и уровень взаимопонимания диады.Предварительные результаты показывают, что студенты, которые работали с адаптивным виртуальным сверстником, узнали больше, в частности в концептуальной области (понимание принципов, а не знание простые процедуры).
Другие приложения
Я собираюсь закончить это исследование воздействия ИИ по социальному взаимодействию с применением социально ориентированных технологий это открывает социальное взаимодействие способом, совершенно отличным от того, что было описано до сих пор. Это приложение искусственного интеллекта, которое я изначально не делал. предвидеть, но это оказалось одним из самых показательных с точки зрения положительное влияние на наше понимание человеческой социальности и на социальное взаимодействие.
На протяжении более двух десятилетий участники моих лекций спрашивали, доступна ли эта технология для их детей с Аутизм Аспергера или высокофункциональный аутизм, поскольку они думали, что это будет полезно для их. В течение многих лет я отвечал, что у меня не было опыта, чтобы проводить такой проект. Затем я познакомился с аспирантом Андреа Тартаро, которая заинтересовалась и действительно имел опыт. Вместе мы начали с проведения наблюдательных исследований. в школах и неформальной среде с детьми от 9 до 14 лет с диагнозом Аспергерский или высокофункциональный аутизм.Особое внимание мы уделили взаимодействие со сверстниками, как нейротипическими, так и аутичными. Практически отсутствует в эти взаимодействия были случайностью — они говорили что-то, имеющее отношение к предыдущему произнесение другого человека — и адаптация своего языка любым способом к другой человек. Затем мы предложили каждому молодому человеку поиграть с виртуальным сверстником. Виртуальный сверстник начал рассказывать историю и иногда приглашал к участию. сказав «а потом что случилось?» или просто оставили молчание, чтобы ребенок прыгать.
К нашему удивлению, случайность детей и чувство плавного разговора и рассказа были заметно лучше с виртуальным сверстником, чем с реальным. Навыки, которые их родители и учителя называли несуществующими, использовались просто. Например, виртуальный партнер начал рассказ о бабушке, которая печет печенье, а затем сказал «ммм ммм», а затем его голос упал. Ребенок подскочил и сказал: «И она получила муку, и она получила сахар». Конечно, ни один из этих детей не овладел этими навыками в течение 20-минутного взаимодействия, поэтому мы обнаружили, что у этих детей производительность отличается от компетенции.То есть социальные навыки или их отсутствие, о которых мы так много слышим в этой группе населения, могут быть частично связаны с контекстом, а не с неспособностью ребенка. Это обнадеживает, но мы не хотим, чтобы дети с синдромом Аспергера и высокофункциональным аутизмом проводили остаток своей жизни во взаимодействии с виртуальными детьми. Это не цель. Итак, наш вопрос заключался в том, что точно так же, как создание этих систем позволяет нам узнавать о социальном взаимодействии, может ли создание и использование этих систем позволить детям с аутизмом и синдромом Аспергера узнавать о социальном взаимодействии?
В наших силах создать будущее с ИИ, в котором социальное взаимодействие будет сохранено и даже улучшено.
Чтобы проверить эту теорию, мы разработали система под названием authorable virtual peer (AVP), где мы упростили контроль панель для управления виртуальным сверстником, дал ее детям и попросил их управлять виртуальным сверстником, чтобы другой ребенок мог взаимодействовать с ним в другой комнате, видно первому ребенку на маленьком телевизоре. Сначала мы попросили детей направить виртуальный одноранговый узел, выбрав из перетаскиваемого меню поведения на элементе управления панель. Выбрав набор поведений, они наблюдали за живым взаимодействием между виртуальный сверстник и ребенок в другой комнате.Затем детей спросили, они были довольны результатом, а если нет, хотели бы они пересмотреть и выберите другой набор поведения. Впоследствии мы спросили их, не хотят ли они для записи новых ответов или невербального поведения виртуального партнера, и они также могли выбирать их из своей панели управления. Мы обнаружили, что использование панели результатов мониторинга и проверки. Один ребенок сделал виртуальное сверстник сначала говорит: «Вы хотите услышать страшную историю? Если да, то отлично. Если нет, это очень плохо, потому что я собираюсь рассказать об одном.»Это мало что демонстрирует внимание к аудитории, но вполне типично для многих людей с аутизм. Однако после взаимодействия ребенок сказал: «Я должен был использовать больше кнопок вопроса. Могу я попробовать еще раз? »
Учителя, которые работают с этими детьми, рассказали нам, что кажется, что есть какая-то жара или ощущение ожога, потому что довольно много детей в этой группе, когда им приходится взаимодействовать с другие дети. Их типичная реакция на близкое общение часто — замораживание. и закончить разговор.Однако, действуя через виртуального партнера, они казались, возможно, менее опасными для себя и могли сформулировать соответствующие ответы, чтобы устранить пробелы в рассказе и заполнить их, и даже чтобы начать новые части повествования.
Итак, Святой Грааль, конечно, и единственный вопрос, который действительно имеет значение, — позволяет ли этот опыт детям иметь более приятное общение с другими настоящими детьми и, таким образом, приносить пользу благодаря тесному сотрудничеству, которое лежит в основе стольких познаний в американских школы.Поэтому в последующем эксперименте сравнивали эффект переноса два подхода к обучению социальной осведомленности. Один из подходов был «социальным рассказы », что было самым современным, когда мы проводили наше исследование в конце 2006-2007 гг. И методика, используемая школой, с которой мы работали. В этом подход, детям читают рассказы, демонстрирующие подходы, основанные на правилах к социальному взаимодействию, а затем им объясняют правила. Например, когда кто-то задает вам вопрос, вы должны задать вопрос обратно; когда кто-то спрашивает «Как дела?» ответ: «Я в порядке, как дела?» Мы уравновешивали усвоение набора социальных навыков, выбранных школой, таких, что половина детей изучили социальный навык А с помощью социальных историй, а другая половина детей изучили социальный навык А, управляя и создавая виртуальные вглядеться.Затем первая половина детей изучила социальный навык B с помощью AVP, а вторая половина детей узнала это из социальных историй, и так вперед. Мы обнаружили, что те, кто учился через виртуального партнера, имели более высокую шанс перенести это обучение на последующие ролевые игры с другими дети. Фактически, предсказывалось более высокое количество подходящих ответов. если ребенок впервые взаимодействовал с AVP во время учебной сессии. Особенно пострадали социальные навыки взаимности и непредвиденных обстоятельств, в том числе «отдавать обратная связь »и« ответьте должным образом.”
В начале этого обсуждения я дал понять что у меня нет прогнозов относительно будущего, но я верю что наша ответственность — стремиться к будущему, в которое мы верим. наша сила создать будущее с ИИ, в котором сохраняется социальное взаимодействие и где социальное взаимодействие даже усиливается. Я верю, что это может случиться используя социальный ИИ для понимания социального взаимодействия, реализуя социальный ИИ, который концентрируется на сотрудничестве, а не на замене, поощряет продуктивное социальное поведение, что может научить тем, кто в них нуждается и желает их изучить.Мы создаем ИИ, который отличается через Alexa, Siri или Google Now. Мы слышим жалобы от родителей, которые говорят их технически подкованные дети становятся все менее и менее вежливыми, за то, что они не говорят спасибо ты.