Давыдов А.А. Конкурентные преимущества системной социологии
Подождите немного. Документ загружается.
241
9. Давыдов А.А. Системный подход в социологии: новые направления, теории
и методы анализа социальных систем. М.: Эдиториал УРСС, 2005.
10. Herstein R., Murrey Ch. The bell curve: Intelligence and class-structure in
American life. N.Y.: New York Publ., 1994.
11. Давыдов А.А. Системная социология: введение в анализ динамики социума.
М.: КомКнига, 2007.
12. http://www.sscnet.ucla.edu/issr/da/Mobility/framec.htm
13. Давыдов А.А., Чураков А.Н. Модульный анализ и моделирование социума.
М.: ИСАН, 2000.
14. Maslow A.H. Motivation and Personality. N.Y.: Harper & Row, 1954.
15. Bargiela A., Pedrycz W. Granular Computing: An Introduction. N.Y.:Springer,
2002.
16. Pedrycz W. Granular Computing: An Emerging Paradigm. Heidelberg.: Physica-
Verlag Heidelberg, 2001.
17. Lin T., Yao Y., Zadeh L. Data Mining, Rough Sets and Granular Computing.
Heidelberg.: Physica-Verlag Heidelberg, 2002.
18. Gratton L. Analysis of Maslow's Need Hierarchy with three social class groups//
Social Indicators Research. 1980, V. 7, P. 463-476.
19. Хекхаузен Х. Мотивация и деятельность. М.: Питер, 2003.
20. Черныш М.Ф. Социальные институты и мобильность в
трансформирующемся обществе. М.: Гардарики, 2005.
21. http://www.cs.sjsu.edu/~grc/grc2007/index.php
22. Slezak D., Yao J., Peters J. Rough Sets, Fuzzy Sets, Data Mining and Granular
Computing: 10th International Conference (RSFDGrC 2005). N.Y.: Springer,
2005.
23. Rutkowski L. New Soft Computing Techniques for System Modeling, Pattern
Classification and Image Processing. N.Y.:Springer Verlag, 2004.
24. Jang J., Sun C., Mizutani E. Neuro-Fuzzy and Soft Computing. N.Y.: Prentice
Hall, 1997.
25. Tanaka K., Niimura T. An Introduction to Fuzzy Logic for Practical Applications.
N.Y.: Springer-Verlag, 1996.
26. Pawlak Z. Drawing conclusions from data - the rough set way//Int. J. Intell.
Systems. 2001, Vol. 16, № 1, C. 3-11.
27. Duntsh I., Gunter G. Roughian: Rough information analysis//Int. J. Intell.
Systems. 2001, Vol. 16, № 1, C. 121-147.
242
28. Молодцов Д.А. Теория мягких множеств. М.: Едиториал УРСС, 2004.
29. Shafer G. Perspectives on the theory and practice of belief
functions//International Journal of Approximate Reasoning, 1990, V. 3, P. 1-40.
30. Wang H., Smarandache F., Zhang Y., Sunderraman R. Interval Neutrosophic
Sets and Logic: Theory and Applications in Computing. Arizona.: Hexis, 2005.
31. Ragin C. Fuzzy-Set Social Science. Chicago.: University Of Chicago Press,
2000.
32. Zadeh L. Toward a theory of fuzzy information granulation and its centrality in
human reasoning and fuzzy logic// Fuzzy Sets and Systems. 1997, V. 90, P.111 -
127.
33. http://www. Matlab.ru
34. http://www. Neurosolutions.com
35. Черныш М.Ф. Средний класс: качественные и количественные
параметры//Модульный анализ социальных систем/Под ред. А.А.Давыдова.
М.: ИСАН, 1993, С.72-75.
36. Штовба С.Д. Введение в теорию нечетких множеств и нечеткую логику.
(http://www.nsu.ru/matlab/MatLab_RU/fuzzylogic/index.asp.htm)
37. Борисов В. В., Круглов В. В., Федулов А. С. Нечеткие модели и сети. М.:
Горячая Линия - Телеком, 2007.
38. http://www.worldvaluessurvey.org
39. Jackman M., Jackman R. An interpretation of the relation between objective and
subjective social status//American Sociological Review. 1973, V. 38, P. 569-582.
40. Goyder J. A note on the declining relation between subjective and objective class
measures//British Journal of Sociology 1975, V.26, P. 102-109.
41. Kluegel J., Singleton R., Starnes C. Subjective Class Identification: A Multiple
Indicator Approach//American Sociological Review, 1977, V. 42, №. 4, P. 599-
611.
42. Kikkawa T. Changes in the determinants of class identification in Japan//
International journal of sociology. 2000, Vol. 30, №2, P. 34-51.
43. The Mannheim Eurobarometer Trend File: 1970-1999/Ed. E. Scholz., H. Schmitt.
Mannheim, 2001.
44. Inglehart R. The Silent Revolution: Changing Values and Political Styles Among
Western Publics. Princeton.: Princeton University Press, 1977.
45. Беляева Л.А. Социальные слои в России: опыт кластерного
анализа//Социол. исслед. 2005, № 12, С. 56-64.
243
46. Социальная стратификация российского общества/Под ред. З.Т.
Голенковой, СПб.: Летний сад, 2003.
47. Авраамова Е. М., Григорьев Л. М., Космарская Т. П., Малева Т. М., Радаев
В. В., Урнов М. Ю. Средний класс в России: количественные и качественные
оценки. М.: ТЕИС, 2000.
48. Попова И.П. Средние слои, средний класс в российском обществе - к
проблеме соотнесения//Социол. исслед. 2005, № 12, С.65-76.
49. Городской средний класс в современной России (Аналитический
доклад)/Авт. М.К.Горшков, Н.Е.Тихонова. (http://www.isras.ru)
244
ФУНКЦИОНИРОВАНИЕ МОЗГА РЕСПОНДЕНТОВ И КОГНИТИВНЫЙ
КОМПЬЮТИНГ
В системной социологии [1] накоплено множество эмпирических фактов,
относящихся к стратегиям ответов респондентов при проведении опросов
общественного мнения [2], например, формирования оценочных суждений,
ментальной репрезентации общества, себя и других индивидов, предвидения
будущего, операционализации понятий «счастье», «удовлетворенность жизнью» и
т.д., которые требуют объективного изучения механизмов функционирования
мозга респондентов. Данные нейробиологические исследования необходимы для
разработки искусственных социальных агентов [3], развития теории принятия
решений, в частности, теории социологических алгоритмов [4], разработки
методов интеллектуально анализа данных [5], адекватного выбора методов сбора
и анализа социологической информации, интерпретации результатов опросов
респондентов, в частности, полученных с помощью семантического
дифференциала Ч.Осгуда, многомерного шкалирования, методов классификации
и т.д. Кроме того, имеются гипотезы [6-7] о влиянии механизмов
функционирования мозга человека на возможности и ограничения
конструирования социальной реальности, в частности, влияния функциональной
межполушарной асимметрии мозга на различные социальные явления и
процессы, например, на принятие государственных решений политическими
лидерами, доминирование стилей в архитектуре и т.д. Также существует гипотеза
о квантовом уровне социальной реальности [4], благодаря которому
осуществляется неосознаваемое взаимодействие между индивидами. Данные
гипотезы требуют объективной нейробиологической проверки.
Исследованием механизмов функционирования мозга индивидов при
решении социальных задач (процесс принятия решений, формирование
субъективных оценок, образов, эмоций, механизмы восприятия и запоминания
социальных событий, процессы социального взаимодействия и т.д.) занимается
Social Neuroscience (социальная нейронаука) [8-10] - новое перспективное
направление системной социологии. C 2006 года издается международный
журнал «Social Neuroscience» [11]. Во многих ведущих университетах США,
например, Гарварда, Стэнфорда, Принстона, Чикаго, Колумбийском
245
Университете, созданы лаборатории по Social Neuroscience, читаются
соответствующие спецкурсы. Развивается ряд частных направлений Social
Neuroscience, например, Social cognitive neuroscience (SCN) [12] издается
международный журнал «Social Cognitive and Affective Neuroscience» [13],
развивается нейроэкономика [14]. В частности, создано международное общество
нейроэкономики [15], по нейроэкономике проводятся международные симпозиумы
[16], в России в Высшей школе экономики, Д.Репиным [17] читается спецкурс по
нейроэкономике. Предпринимаются усилия по развитию нейросоциологии [18]. В
данном разделе автор
19
кратко изложил основы и некоторые полученные
результаты в Social Neuroscience - новом перспективном направлении системной
социологии.
Основы Social Neuroscience
Social Neuroscience базируется на системном подходе, общей теории
систем, нейробиологических теориях функционирования мозга и прямого и
обратного взаимодействия между мозгом, как нейробиологической системой, и
социальными системами [6,18-19]. Основными исследовательскими задачами
Social Neuroscience являются следующие задачи. По каким нейробиологическим
законам функционирует мозг человека при решении различных социальных задач,
в частности, как функционирует мозг респондента в режиме реального времени в
процессе анкетирования (интервьюирования), какие отделы мозга функционируют
при ответах на так называемые «открытые» и «закрытые» вопросы анкеты, какие
отделы мозга активируются при позитивных и негативных оценочных суждениях,
оценке субъективных вероятностей событий и т
.д. В какой мере способы решения
социальных задач определяются культурой, а в какой мере - врожденными
нейробиологическими механизмами функционирования головного мозга? Каковы
общие и специфические нейробиологические механизмы функционирования
мозга у разных людей (влияние пола, возраста, расы, образования и т.д.). В какой
мере нейробиологические механизмы функционирования головного мозга влияют
на различные
социальные явления и процессы? Каким образом происходит
влияние социальных факторов (социализация и т.д.) на изменение
функционирования головного мозга человека?
19
Автор окончил психологический факультет МГУ, где преподавались анатомия и физиология мозга
человека, нейропсихология, психофизиология, когнитивная психология и т.д., проводились лабораторные
практикумы.
246
Решение перечисленных выше исследовательских задач осуществляется с
помощью различных методов компьютерной томографии [20], в частности, positron
emission tomography (PET)
20
и functional magnetic resonance imaging (fMRI)
21
,
реализованных в сканерах-томографах, некоторые модели которых представлены
на рис.1. Компьютерная томография позволяет бесконтактно изучать
функционирование мозга человека (локализацию функций, интенсивность
нейронной активации и т.д.) в режиме реального времени.
Рис. 1
Сканеры-томографы
Для анализа томограмм и моделирования используется множество
математических методов нейроинформатики [21-24], в частности, динамический
пространственный 3D системный анализ Neuroimage, Image Reconstruction, Virtual
Reality Imaging, Diffusion Tensor Imaging, Complexity Analysis, Pattern-Analysis,
искусственные «нейронные» сети класса SVM (Support Vector Machine) [25],
множество статистических методов, которые реализованы в многочисленных
специализированных компьютерных пакетах для компьютерной томографии,
например, AFNI Matlab toolbox, AMIDE, ASAP, BrainSuite2, BrainStat, BrainInfo,
FMRISTAT, FMRLAB, FEAT, Dynamic PET, MRVision, Vitrea 2 и т.д. [26]. Издается
международный журнал «NeuroImage» [27] в котором публикуются новые
экспериментальные результаты, методы математического анализа,
моделирования и визуализации функционирования мозга человека. В качестве
20
PET - метод основан на регистрации пары гамма-квантов, возникающих при аннигиляции
позитронов из радиофарм-препарата, вводимого перед исследованием.
21
fMRI - метод основан на физическом явлении ядерно-магнитного резонанса - измерении
электро-магнитного отклика атомов водорода на возбуждение их определенной комбинацией
электро-магнитных волн в постоянном магнитном поле высокой напряженности.
247
наглядной иллюстрации на рис. 2 представлены некоторые подходы [28] к
нейробиологическому анализу функционирования мозга человека.
Рис.2
Некоторые подходы к нейробиологическому анализу функционирования
мозга человека
На рис. 3 представлены результаты одного из методов Image
Reconstruction, который позволяет из множества 2D слайдов - «срезов»
восстановить целостное 3D изображение мозга.
248
Рис.3
Image Reconstruction 3D изображения мозга
На рис. 4 представлена визуализация динамики нейронной активации
функционирования мозга человека, полученная с помощью различных методов
Neuroimage.
Рис.4
Визуализация динамики функционирования мозга человека
Поскольку в Social Neuroscience исследователи экспериментально изучают
нейробиологическое функционирование мозга человека, варьируя
содержательную специфику стимульных задач и испытуемых, то для обобщения
частных результатов используется Neuroimage meta-analysis [29],
экспериментальных данных, представленных в статьях научных журналов или
249
международных компьютерных базах Neuroscience Database Gateway [30].
Neuroimage meta-analysis включает в себя comparison indicator maps (CIMs),
Nelder-Mead optimization methods, FMRIB’s Local Analysis of Mixed Effects (FLAME),
likelihood estimate (ALE) analysis, Kernel density analysis (KDA), в частности,
Multilevel KDA, Gaussian Interpolation, Pattern-Analysis и т.д., которые реализованы
в различных компьютерных пакетах, например, ALE, BRAID, BrainMap, Brede
Toolbox, FVM и т.д. [26] и позволяют выявить общее и особенное в
функционировании мозга человека при решении различных социальных задач, а
также выявить индивидуальные различия испытуемых и общие закономерности
для группы испытуемых. В качестве иллюстрации на рис. 5 представлен один из
результатов Neuroimage meta-analysis [31], который наглядно показывает, какие
отделы головного мозга человека активируются при намерении, действии и
влиянии контекста.
Рис. 5
Результат Neuroimage meta-analysis
В этой связи отметим, что в нейробиологии уже накоплено значительное
количество экспериментальных фактов о локализации долговременной и
кратковременной памяти, когнитивных и аффективных (эмоциональных)
механизмов в структурах мозга человека, различиях в переработке информации в
250
левом и правом полушариях мозга [2], что позволяет получить дополнительные
объективные знания о механизмах переработки информации в мозге человека
при решении социальных задач. Например, известно [32], что активация
миндалины
22
ответственна за память на эмоциональные события. При этом
активация миндалины происходит уже через 300 мсек после предъявления
визуального стимула, т.е. задолго до того, как испытуемые начинают сознательно
интерпретировать увиденное.
В настоящее время ведутся работы [33] по интеграции существующих
компьютерных баз данных в единый международный компьютерный атлас,
представляющий собой 2D и 3D компьютерную анимацию функционирования
мозга человека при решении различных социальных задач, интегрированный в
компьютерный атлас Whole Brain Atlas [34]. Визуализация данных из Whole Brain
Atlas может осуществляться с помощью 3D дисплеев [35-36] (рис.6) или в 3D
визуальных лабораториях [37-38] (рис.7).
Рис.6
3D дисплей PerspectaRad
22
Миндалина – отдел мозга, ответственный за регуляцию эмоционального поведения.