Проактивная автоматизированная информационная система обработки информации социологических исследований тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Кузнецов Александр Михайлович

• Кузнецов Александр Михайлович
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Кузнецов Александр Михайлович

ВВЕДЕНИЕ

1 Анализ и классификация социологических АИС. Понятие проактивной автоматизированной информационной системы

1.1 Основные этапы анализа данных в автоматизированных информационных системах обработки социологических данных

1.2 Методы статистического анализа, используемых в АИС социологических исследований

1.3 Классификация АИС по типу анализа данных. Проактивные АИС

1.4 Анализ известных социологических АИС и их сравнительные характеристики

1.5 Выводы по главе

2 Модели прогнозирования событий на основе результатов обработки данных

2.1 Анализ моделей и алгоритмов прогнозирования событий на основе результатов обработки социологических опросов

2.2 Концепция проактивности в обработке информации

2.3 Интеграция проактивности в модели обработки социологических данных

2.4 Система критериев оценки точности результатов социологических исследований для моделей машинного обучения

2.5 Выбор методов обработки данных социологических опросов

2.6 Выводы по главе

3 Разработка концептуальной модели ПАИС ОИСИ

3.1 Описание основных пользователей ПАИС ОИСИ

3.2 Архитектура автоматизированной информационной системы

3.3 Структура баз данных

3.4 Разработка онтологической модели интеграции гетерогенных данных социологических опросов

3.5 Проектирование подсистемы прогнозирования событий на основе результатов опросов

3.6 Выводы по главе

4 Оценка эффективности ПАИС ОИСИ и соответствия требованиям

4.1 Основные функции ПАИС ОИСИ

4.2 Интерфейс пользователя и визуализация данных

4.3 Информационная технология сопровождения социологических исследований

4.4 Оценка эффективности информационной системы и соответствия требованиям

4.5 Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

ПРИЛОЖЕНИЕ А. ПРАВИЛА КОНСТРУИРОВАНИЯ ВОПРОСОВ АНКЕТЫ

ПРИЛОЖЕНИЕ Б. АКТЫ ВНЕДРЕНИЯ И ПРОТОКОЛ РЕЗУЛЬТАТОВ ОПЫТНОЙ ЭКСПЛУАТАЦИИ

ВВЕДЕНИЕ

Введение диссертации (часть автореферата) на тему «Проактивная автоматизированная информационная система обработки информации социологических исследований»

Актуальность

Глобальный рынок программного обеспечения для сбора данных (Data Collection Software Market) является одним из наиболее динамично развивающихся рынков в сфере информационных технологий. Растущая потребность в сборе и анализе данных в сочетании со стремительным развитием технологий приводит к увеличению спроса на такое программное обеспечение (ПО).

Основополагающими факторами, способствующими увеличению мирового рынка программного обеспечения для сбора данных, являются экспоненциальное увеличение объемов данных, требующих сбора и анализа, и повышенная конкуренция между государственными, корпоративными, медицинскими и образовательными учреждениями, которые стремятся максимально изучить аудиторию для принятия стратегических решений. Технологические инновации, такие как облачные технологии, Big Data, Интернет вещей (IoT) и искусственный интеллект (ИИ) открывают новые горизонты для сбора и анализа данных. Кроме того, возрастающая потребность в данных в таких отраслях как торговля, финансы, здравоохранение и промышленность делает важным эффективное управление данными, что стимулирует спрос на соответствующее программное обеспечение [1, 2].

Согласно отчету компании GlobalData PLC (Великобритания) ожидается, что глобальный рынок программного обеспечения для сбора данных будет расти значительными темпами в течение прогнозируемого периода, между 2023 и 2031 годами [3].

Размер рынка в 2023 г. составлял 2,82 миллиарда долларов США. Среднегодовой темп роста до 2030 г. прогнозируется в размере 26,8 %. Таким образом, к 2030 г. рынок программного обеспечения для сбора данных достигнет 14,86 миллиарда долларов США.

Согласно последнему исследованию рынка, проведенному консалтинговой компанией Fact.MR (Дубай) объем мирового рынка сбора данных и маркировки оценивается в 2,57 миллиарда долларов США в 2024 году и, согласно прогнозам,

среднегодовой темп роста составит 18 % и достигнет 13,45 миллиарда долларов США к концу 2034 года [4]. Предполагается, что инструменты для сбора, обработки и анализа данных будут играть решающую роль в планировании и осуществлении цифровой трансформации бизнес-процессов в ближайшее десятилетие. Поэтому разработка проактивной автоматизированной информационной системы для социологических исследований является актуальной задачей.

В современном мире объем данных стремительно растет, а вместе с этим возрастает и сложность анализа таких данных в социологических исследованиях. Традиционные методы сбора данных и их анализа трудоемки. Учитывая огромное количество информации, собираемой из различных источников, необходимо разработать информационную систему, которая позволит эффективно справляться с большими объемами данных и обеспечить их надежное хранение, высокую скорость обработки, управление и анализ.

Традиционные системы для социологических исследований часто ограничиваются простым сбором и анализом данных после их получения. С развитием технологий машинного обучения и анализа больших данных, становится возможным предоставить системе возможность активного мониторинга и прогнозирования социологических изменений, эффективнее обрабатывать и анализировать сложные социологические данные, выявлять более глубокие и значимые паттерны и тренды. Концепция проактивности в разработке автоматизированной информационной системы позволяет предвидеть и предотвратить потенциальные проблемы во время выполнения информационных процессов еще до их возникновения, также предсказывать тенденции и события, самостоятельно искать новые данные, анализировать их и предлагать соответствующие решения или рекомендации.

Направление исследования, результаты которого представлены в диссертации, связано с разработкой научно-обоснованного подхода к разработке автоматизированной информационной системы для социологических исследований, основанного на анализе разнородных данных, характеризующих

различные аспекты социологических явлений и процессов. Полученные результаты и рекомендации могут быть полезны для исследователей, организаций и государственных органов, занимающихся социологическими исследованиями и нуждающихся в информационных инструментах для более глубокого и всестороннего анализа социальных явлений.

Необходимость перехода на отечественное программное обеспечение, обуславливает актуальность разработки методов и моделей для проактивной автоматизированной информационной системы обработки информации социологических исследований, которые не будут зависеть от зарубежных технологий и смогут обеспечить полную независимость от внешних поставщиков и рисков, связанных с санкциями.

Поэтому разработка проактивной автоматизированной информационной системы обработки информации социологических исследований (далее именуется - ПАИС ОИСИ), как единого инструмента цифровой трансформации всех этапов социологических исследований, является актуальной задачей.

Степень разработанности темы исследования.

Анализ современных информационных технологий показал, что эффективную информационную поддержку процесса принятия управленческих решений, возникающих в процессе мониторинга общественного мнения, способны обеспечить автоматизированные системы, основанные на интеграции технологий хранилищ данных, многомерных баз данных, оперативного и интеллектуального анализа данных.

Разработкой новых интеллектуальных технологий и программных комплексов сбора, интеграции, интерпретации, визуализации данных и знаний, реализованных как единая отечественная информационно-аналитическая платформа проактивного управления занимаются в Санкт-Петербургском институте информатики и автоматизации Российской академии наук (СПИИРАН): Юсупов Р.М., Соколов Б.В., Охтилев М.Ю., Ронжин А.Л.

Фундаментальные основы теории организационных систем управления разработаны в Институте Проблем Управления РАН им. В.А.Трапезникова: Бурков В.Н., Новиков Д.А., Поспелов Г.С., Поспелов Д.А. и др.

Современным исследованиям по проблемам социологического обеспечения управленческих процессов на основе инженерии знаний и теории экспертных систем посвящено огромное количество трудов российских и зарубежных ученых: Белановский С.А., Василькова В.В., Гаджиев Н.К., Громов Ю.Ю., Дудина В.И., Игнатенко А.М., Каныгин Г.В., Копырин А.С., Краснянский М.Н., Макаров А.В., Мальцева Е.Ю., Милевич А.С., Намиот Д.Е., Немтинов В.А., Пьянков О.В., Рязанцева Е.А., Тютюнник В.М., Фролов В.А., Шапиро М.Г., R. Axelrod, E. F. Codd, W. H. Inmon, U. Fayyad, T. R. Gruber, C. Haring, G. Piatetsky-Shapiro, F. C. Roberts, G. Simon, U. Wang и др.

Методы объектно-ориентированного анализа и проектирования рассматриваются в работах таких авторов, как Вендров А.М., Новоженов Ю.В., Booch G., Jacobson I., Shlaer S., Mellor S., Budd T., Yourdon E., и др.

Диссертационная работа направлена на решение научной проблемы, заключающейся в разработке и создании методов и моделей для проактивной автоматизированной информационной системы обработки информации социологических исследований, а также развитие информационных технологий поддержки этих исследований, ключевой особенностью которых является их способность комплексно поддерживать все этапы социологических исследований: от формулирования гипотез до обработки и интерпретации данных.

Объектом исследования является автоматизированные информационные системы обработки информации социологических исследований.

Предметом исследования является методы и модели для проактивной автоматизированной информационной системы обработки информации социологических исследований.

Цель исследования - повысить точность прогнозирования, сократить время проведения исследований за счет применения построенных в работе методов

и моделей для проактивной автоматизированной информационной системы обработки информации социологических исследований.

Задачи исследования:

1. Провести анализ архитектур современных приложений для социологических исследований с целью выявления эффективных проактивных подходов для повышения точности прогнозирования и сокращения времени обработки данных социологических исследований.

2. Разработать модель подсистемы проактивного прогнозирования.

3. Разработать онтологическую модель для ПАИС ОИСИ и метод логического анализа категорий и подкатегорий онтологических схем социологических исследований.

4. Разработать модуль прогнозирования для ПАИС ОИСИ и метод генерации подходов к статистической обработке данных, определяемых в зависимости от их характеристик.

5. Предложить архитектуру ПАИС ОИСИ, которая интегрирует различные методы и подходы анализа для повышения эффективности социологических исследований.

6. Предложить информационную технологию сопровождения социологических исследований, включающую в себя построенные в работе наборы методов и модели.

7. Провести оценку адекватности, разработанной ПАИС ОИСИ.

Методология и методы исследования: системный анализ, теория принятия

решений, инженерии знаний и технологии экспертных систем, объектно -ориентированного моделирования и проектирования, методические основы проведения социологических исследований, методы математической статистики, методы машинного обучения и интеллектуальной обработки данных.

Научной новизной обладают:

1. Модель проактивного прогнозирования для ПАИС ОИСИ, отличающаяся объединением разнородных данных, полученных в результате ответов на открытые и закрытые вопросы анкет.

2. Онтологическая модель для ПАИС ОИСИ, отличающаяся использованием онтологических схем, построенных на основе предложенного метода логического анализа категорий и подкатегорий социологический исследований (категории (подкатегории): цель (удовлетворенность услугами, оценка работы транспорта и др.), образование (высшее, среднее и т. д.), занятость (научный работник, инженер, учитель и др.) и др.) и логической структуры базы данных.

3. Модуль прогнозирования ПАИС ОИСИ, отличающийся использованием разработанного метода генерации подходов к статистической обработке данных, определяемых в зависимости от их характеристик (анализ сезонных эффектов, анализ числовых и категориальных данных с длительными временными зависимостями, анализ данных множественного выбора, анализ текстов открытых ответов и др.).

4. Архитектура ПАИС ОИСИ, отличающаяся использованием модели проактивного прогнозирования, онтологической модели и модуля прогнозирования, построенных в работе.

5. Информационная технология сопровождения социологических исследований с применением разработанной ПАИС ОИСИ, отличающаяся использованием построенных в работе модели проактивного прогнозирования, онтологической модели, модуля прогнозирования и метода генерации подходов к статистической обработке данных, определяемых в зависимости от их характеристик.

Теоретическая значимость работы состоит в развитии специального математического и информационного обеспечения для построения проактивных автоматизированных информационных систем обработки информации социологических исследований.

Практическая значимость работы состоит в разработке программного обеспечения на основе построенных в работе моделей и методов обработки разнородных данных социологических исследований.

Преимущества использования ПАИС ОИСИ: автоматизация всех этапов социологического исследования, высокая точность ввода и обработки данных благодаря использованию мобильных устройств и автоматических алгоритмов контроля ввода, сокращение времени на проведение опросов и обработку данных, широкие возможности для анализа и прогнозирования, высокое качество и достоверность результатов.

Основные положения, выносимые на защиту:

1. Модель проактивного прогнозирования для ПАИС ОИСИ, объединяющая разнородные данные, полученные в результате ответов на открытые и закрытые вопросы анкет.

2. Онтологическая модель для ПАИС ОИСИ, использующая предложенные онтологические схемы, построенные на основе предложенного метода логического анализа категорий и подкатегорий социологических исследований (категории (подкатегории): цель (удовлетворенность услугами, оценка работы транспорта и др.), образование (высшее, среднее и т. д.), занятость (научный работник, инженер, учитель и др.) и др.) и логическую структуру базы данных.

3. Модуль прогнозирования ПАИС ОИСИ, использующий разработанный метод генерации подходов к статистической обработке данных, определяемых в зависимости от их характеристик (анализ сезонных эффектов, анализ числовых и категориальных данных с длительными временными зависимостями, анализ данных множественного выбора, анализ текстов открытых ответов и др.).

4. Архитектура ПАИС ОИСИ, включающая модель проактивного прогнозирования, онтологическую модель и модуль прогнозирования, построенные в работе.

5. Информационная технология сопровождения социологических исследований с применением разработанной ПАИС ОИСИ, использующая построенные в работе: модель проактивного прогнозирования, онтологическую модель, модуль прогнозирования, включающий метод генерации подходов

к статистической обработке данных, определяемых в зависимости от их характеристик.

Соответствие паспорту специальности. Работа выполнена в соответствии с паспортом специальности ВАК РФ 2.3.8 Информатика и информационные процессы (технические науки):

Пункт 16. Автоматизированные информационные системы, ресурсы и технологии по областям применения (научные, технические, экономические, образовательные, гуманитарные сферы деятельности), форматам обрабатываемой, хранимой информации. Системы принятия групповых решений, системы проектирования объектов и процессов, экспертные системы и др.

Достоверность результатов исследований подтверждается проведенными экспериментальными исследованиями на сгенерированных данных, а также внедрением и использованием рекомендаций, содержащихся в диссертационном исследовании в организациях: Министерстве внутренней политики Калужской области, ФГБОУ ВО "Тамбовский государственный университет имени Г.Р. Державина" и частном образовательном учреждении высшего образования "Казанский инновационный университет имени В.Г. Тимирясова (ИЭУП)".

Апробация работы. Основные положения исследования докладывались и обсуждались на следующих научных конференциях: Международная научно-практическая конференция "Нано-био-технологии. Теплоэнергетика. Математическое моделирование" (г. Липецк, 2023), XXI всероссийская научная конференция «Нейрокомпьютеры и их применение» (г. Москва, 2023), LXXXVI Международная научная конференция "Исследования молодых ученых" (г. Казань, 2024) и VIII Международная научно-практическая конференция "Статистические методы исследования социально-экономических систем региона" (г. Тамбов, 2024).

Публикации: по теме диссертации издано семь печатных работ, в том числе две статьи в изданиях, рекомендованных ВАК. По результатам исследования разработаны две программы для ЭВМ (свидетельства о государственной регистрации программ для ЭВМ № 2024617985 от 08.04.2024 г. и № 2024666569

от 15.07.2024 г.) и база данных (Свидетельство о государственной регистрации базы данных № 2024623805 от 28.08.2024 г.).

Личный вклад автора. В диссертации представлены результаты исследований, выполненных самим автором. Личный вклад автора состоит в постановке задач исследования, разработке теоретических и прикладных методов их решения, в обработке, анализе, обобщении полученных результатов и формулировке выводов.

Структура и объём диссертации. Диссертационная работа состоит из введения, четырех глав, заключения, а также библиографического списка из 132 наименований и двух приложений. Общий объем работы - 184 страницы, в том числе 37 рисунков и 11 таблиц.

1 Анализ и классификация социологических АИС. Понятие проактивной автоматизированной информационной системы

1.1 Основные этапы анализа данных в автоматизированных информационных системах обработки социологических данных

1.1.1 Определение понятия автоматизированная информационная система

В настоящее время известно несколько определений понятия автоматизированная информационная система (АИС). В работе будем использовать определение, данное в Федеральном законе № 149-ФЗ «Об информации, информационных технологиях и о защите информации»: информационная система - совокупность содержащейся в базах данных информации и обеспечивающих ее обработку информационных технологий и технических средств [5]. Другие определения представлены в работах [6-8] и многих других. Автоматизированная система - это система, состоящая из комплекса средств автоматизации, реализующего информационную технология выполнения установленных функций, и персонала, обеспечивающего его функционирование (ГОСТ Р 59853-2021. Национальный стандарт Российской Федерации. Информационные технологии. Комплекс стандартов на автоматизированные системы. Автоматизированные системы. Термины и определения).

На основании изложенного можно дать определение автоматизированной информационной системы для социологических исследований это программное обеспечение, предназначенное для сбора, анализа и интерпретации социологических данных. Такие системы обычно включают в себя инструменты для проведения опросов, сбора данных, статистического анализа и визуализации результатов.

Эти системы предоставляют исследователям и аналитикам инструменты и функциональность для сбора, обработки, анализа и интерпретации социологических данных. АИС для социологических исследований помогает

в сборе данных, их предварительной обработке, а также предоставляет возможности анализа и визуализации результатов. Пользователю доступны функции для проведения статистического анализа, моделирования, а также генерации отчетов и визуализации информации. Они также могут предоставлять возможность совместной работы и обмена данными между исследователями, аналитиками и лицами принимающими решения (ЛПР).

АИС для социологических исследований позволяет анализировать и прогнозировать ключевые индикаторы регионального развития. Это открывает значительные перспективы для стратегического планирования и принятия обоснованных управленческих решений на уровне региональных органов власти, предоставляя им инструментарий для эффективного реагирования на общественно-политические, социальные и экономические изменения в регионе.

1.1.2 Основные этапы анализа данных в АИС

Анализ данных в автоматизированной информационной системе представляет собой процесс извлечения информации из социологических данных для получения знаний, позволяющих принимать обоснованные управленческие решения. Процесс анализа можно разделить на несколько ключевых этапов.

1. Формулирование целей и задач исследования: определение проблемы или вопроса, на который должно ответить исследование, выработка гипотез и вопросов, которые будут проверяться.

2. Разработка инструментария сбора данных: создание опросника, интервью, анкеты или других инструментов сбора данных.

3. Подготовка структурного состава респондентов (выборки): определение целевой группы исследования, определение метода отбора (случайная, целенаправленная, квотная выборка и т. д.), расчет необходимого размера выборки.

4. Сбор данных: организация полевой работы (инструктаж и выдача заданий интервьюерам, раздача анкет или мобильных устройств т. д.), контроль за соблюдением стандартов сбора данных.

5. Ввод данных: оцифровка бумажных анкет (если данные были собраны в бумажном виде), проверка достоверности и полноты данных, ввод данных в базу данных АИС.

6. Обработка и очистка данных: проверка на ошибки и аномалии, кодирование открытых вопросов и категоризация ответов, обработка пропущенных значений и выбросов, создание новых переменных, если это необходимо для анализа.

7. Анализ данных: описательный анализ (частоты, средние значения, медианы, стандартные отклонения и т. д.), проверка гипотез с использованием статистических тестов (^тест, %2-тест, дисперсионный анализ и др.), многомерный анализ (факторный анализ, кластерный анализ, регрессионный анализ и т. д.).

8. Интерпретация результатов: работа социологов по интерпретации полученных данных в контексте поставленных исходных задач.

9. Подготовка отчетности: составление отчетов, содержащих основные выводы исследования и рекомендации, визуализация данных (графики, диаграммы, таблицы).

10. Хранение данных: обеспечение безопасности и конфиденциальности собранных данных, создание архивов данных для возможного будущего использования или проверки.

Для того, чтобы модель автоматизированной информационной системы обработки социологических данных описывала процесс проведения социологических исследований, разработана контекстная диаграмма процесса социологического опроса («КАК ЕСТЬ») в нотации IDEF0. Эта диаграмма описывает преобразование входа («текст анкеты для опроса») в выход («отчет») с помощью механизмов и с учетом управляющих воздействий (рисунок 1).

К управляющим воздействиям на диаграмме отнесены:

- Методики проведения социологических опросов населения [9, 10].

- Законодательные и нормативные акты Российской Федерации, которые регламентируют проведение опросов населения [11-13].

- Правила кодирования вопросов и ответов - процессы преобразования текстовых данных, собранных в результате социологических опросов с использованием открытых вопросов, в структурированную, часто количественную форму, пригодную для статистического анализа [14, 15].

- Статистические и демографические данные - необходимы для подготовки репрезентативной выборки и проведения статистического анализа и учета демографических характеристик, чтобы опрос дал точное представление о мнениях и характеристиках целевой популяции [16, 17].

Рисунок 1 - Контекстная диаграмма процесса социологического исследования («КАК ЕСТЬ»)

В качестве механизмов в контекстной диаграмме указаны: социологи, интервьюеры и АИС для социологических опросов. В АИС производится формирование анкет, подготавливается структурный состав респондентов, а затем обрабатываются собранные анкеты и проводится анализ полученных данных. Заключительный отчет создается в электронной форме социологом и оформляется в текстовом редакторе.

Систему хранения результатов опросов также нужно отнести к механизмам. Однако подсистемы АИС могут использовать в своей работе различные СУБД или

другие методы хранения данных, поэтому на рисунке 1 система хранения не показана.

На каждом этапе процесса исследования можно предложить ряд функций автоматизации (рисунок 1).

Создание опроса: автоматическое распознавание бумажной анкеты, автоматизированное создание анкеты непосредственно на компьютере, автоматическая модификация анкеты для мобильных устройств, позволяющей контролировать правильность ввода ответов.

Подготовка структурного состава респондентов: автоматическое формирование выборки респондентов на основе статистических и демографических данных, расчет необходимого размера выборки, формирование заданий интервьюерам. Кроме того, на выходе этого блока происходит формирование электронной анкеты и создается электронная форма для ввода результатов анкетирования.

Процесс проведения опроса: ввод ответов респондентов (в автоматическом и ручном режимах), контроль правильности ответов на вопросы при вводе, формирование задания на опрос недостающих респондентов.

Процесс обработки анкет: импорт данных (загрузка данных из источников в аналитическую среду), очистка данных (идентификация и обработка пропущенных значений, выбросов и ошибок данных), преобразование данных (приведение к нужному формату или шкале измерения).

Процесс анализа данных: расчет основных статистических метрик, таких как среднее, медиана, стандартное отклонение, распределения и т. д. Визуализация данных (гистограммы, диаграммы рассеивания, круговые диаграммы и т. д.), чтобы визуально исследовать структуру и паттерны данных. Корреляционный анализ применяется для определения степени взаимосвязи между переменными.

Формирование отчета: автоматическое построение отчета на основе методики проведения социологических опросов населения и законодательных и нормативных актов РФ, корректировка отчета социологом. Отчет формируется

автоматически по заранее заданному шаблону и выгружается в электронной форме для окончательной проверки и печати.

Наиболее сложным, трудоемким и многогранным является процесс анализа данных, в котором могут быть использованы различные методы обработки, изложенные в параграфе 1.2.

1.1.3 Использование информационных технологий на этапах анализа

данных в АИС

1.1.3.1 Подготовка и предварительная обработка данных

Использование информационных технологий на этом этапе имеет несколько преимуществ: ускоряется процесс сбора первичных данных благодаря электронным анкетам; снижается потребность в бумажных бланках из-за использования гаджетов; уменьшаются затраты на оплату труда и транспорт; сокращается риск потери информации; и повышается интерес респондентов к участию в опросе с использованием новейших технологий [18].

1.1. Сбор данных из различных источников информации (анкеты, интервью, социальные медиа, онлайн-опросы, полевые исследования и т. д.) [19].

Список литературы диссертационного исследования кандидат наук Кузнецов Александр Михайлович, 2026 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Дудина, В. И. Социологическое знание в контексте развития информационных технологий // Социологические исследования. 2015. № 6. С. 13-22.

2. Долгов, А.Ю. Исследования информации и коммуникации в социальных науках // Социальные и гуманитарные науки. Отечественная и зарубежная литература. Сер. 11, Социология: Реферативный журнал. 2022. № 2. URL: https://cyberleninka.ru/article/n/issledovaniya-informatsii-i-kommunikatsii-v-sotsialnyh-naukah-vvedenie-k-tematicheskomu-razdelu (дата обращения: 02.01.2024).

3. Data Collection and Labelling Market Size, Share, Trends and Analysis by Region, Type, Vertical, and Segment Forecast to 2030. URL: https://www.globaldata.com/store/report/data-collection-and-labelling-market-analysis/ (дата обращения: 26.12.2023).

4. Data Collection and Labeling Market. URL: https://www.factmr.com/report/4726/data-collection-and-labelling-market (дата обращения: 26.12.2023).

5. Федеральный закон от 27.07.2006 N 149-ФЗ (ред. от 12.12.2023) "Об информации, информационных технологиях и о защите информации". URL:

https://www.consultant.ru/document/cons_doc_LAW_61798/c5051782233a cca771 e9adb35b47d3fb82c9ff1 с/ (дата обращения: 23.12.2023).

6. Пьянков, О.В. Информационно-аналитическая система: назначение, роль, свойства // Информационная безопасность регионов. 2014. № 1 (14). URL: https://cyberleninka.ru/article/Mnformatsionno-analiticheskaya-sistema-naznachenie-rol-svoystva (дата обращения: 21.12.2023).

7. Гаджиев, Н.К. Применение информационно-аналитических систем предприятий в России // Фундаментальные исследования. 2014. № 5 -4. С. 816-819. URL: https://fundamental-research.ru/ru/article/view?id=34003 (дата обращения: 23.12.2023).

8. Информационно-аналитическая система. URL: https://agilesolutions.kz/solutions/ias.html (дата обращения: 25.12.2023).

9. Татарников, М. А. Зачем нужна стандартизованная методика социологического опроса в здравоохранении? // Социология медицины. 2013. № 2. URL: https://cyberleninka.ru/article/n/zachem-nuzhna-standartizovannaya-metodika-sotsiologicheskogo-oprosa-v-zdravoohranenii (дата обращения: 04.01.2024).

10.Лиджи-Горяева, С.Э. Методологические и методические основы изучения мнения населения о качестве оказываемых государственных услуг // Вестник ИКИАТ. 2012. № 1 (24). URL: https://cyberleninka.ru/article/n/metodologicheskie-i-metodicheskie-osnovy-izucheniya-mneniya-naseleniya-o-kachestve-okazyvaemyh-gosudarstvennyh-uslug (дата обращения: 04.01.2024).

11.Васюткин, Н.Е. Опрос граждан в субъектах Российской Федерации: теоретико-правовые основания // Вестник БГУ. 2012. № 2. URL: https://cyberleninka.ru/article/n/opros-grazhdan-v-subektah-rossiyskoy-federatsii-teoretiko-pravovye-osnovaniya (дата обращения: 02.01.2024).

12.Захарова, Е. А. Правовая основа проведения социологических исследований органами государственной власти и местного самоуправления / Е. А. Захарова // Вестник Воронежского института экономики и социального управления. 2020. №2 1. С. 8-11. EDN ABBISG.

13. Федеральный закон от 06.10.2003 N 131-Ф3 (ред. от 25.12.2023) "Об общих принципах организации местного самоуправления в Российской Федерации".

14.Оберемко, О. А. К типологии открытых вопросов // Мониторинг общественного мнения: Экономические и социальные перемены. 2018. № 4. С. 97-108. URL: https://doi.org/10.14515/monitoring.2018.4.06.

15.Каныгин, Г.В. Данные в социологическом исследовании // Социологический журнал. 2004. № 3-4. URL: https://cyberleninka.ru/article/n/dannye-v-sotsiologicheskom-issledovanii (дата обращения: 04.01.2024).

16.Милевич, А.С. Проблемы процедуры выборки на примере конкретного социологического исследования // EESJ. 2015. № 3. URL: https://cyberleninka.ru/artide/n/proWemy-protsedury-vyborki-m-primere-konkretnogo-sotsiologicheskogo-issledovaniya (дата обращения: 04.01.2024).

17.Белановский, С.А. Репрезентативность качественных опросов // INTER. 2023. № 1. URL: https://cyberlenmka.ru/article/n/reprezentativnost-kachestvennyh-oprosov (дата обращения: 04.01.2024).

18.Мальцева, Е.Ю., Молчанова Е.В., Чернухина Н.В. Выбор адаптивного инструментария при проведении социологического исследования // Гуманитарные, социально-экономические и общественные науки. 2014. № 10-1. URL: https://cyberleninka.ru/article/n/vybor-adaptivnogo-instrumentariya-pri-provedenii-sotsiologicheskogo-issledovaniya (дата обращения: 02.01.2024).

19.Шапиро, М.Г. Классификация методов опроса в социологии // Социальные исследования. 2017. № 2. URL: https://cyberleninka.ru/article/n/klassifikatsiya-metodov-oprosa-v-sotsiologii (дата обращения: 02.01.2024).

20.Макаров, А.В., Намиот Д.Е. Обзор методов очистки данных для машинного обучения // International Journal of Open Information Technologies. 2023. № 10. URL: https://cyberleninka.ru/article/n/obzor-metodov-ochistki-dannyh-dlya-mashinnogo-obucheniya (дата обращения: 03.01.2024).

21.Копырин, А.С., Видищева Е.В. Технологии обработки и очистки данных, выявления и устранения шумов на временном ряду // Вестник Академии знаний. 2020. № 4 (39). URL:

https://cyberleninka.ru/article/n/tehnologii-obrabotki-i-ochistki-dannyh-vyyavleniya-i-ustraneniya-shumov-na-vremennom-ryadu (дата обращения: 03.01.2024).

22.Игнатенко, А.М., Макарова И.Л., Копырин А.С. Методы подготовки данных к анализу слабоструктурированных временных рядов // Программные системы и вычислительные методы. 2019. № 4. URL: https://nbpublish.com/library_read_article.php?id=31797 (дата обращения: 03.01.2024). DOI: 10.7256/2454-0714.2019.4.31797.

23.Умная нормализация данных. URL: https://habr.com/ru/articles/527334/ (дата обращения: 02.01.2024).

24.Багутдинов, Р.А., Степанов М.Ф. Методы интеграции, уменьшение размеров и нормализация обработки разнородных и разномасштабных данных // International Journal of Open Information Technologies. 2021. № 2. URL: https://cyberleninka.ru/article/n/metody-integratsii-umenshenie-razmerov-i-normalizatsiya-obrabotki-raznorodnyh-i-raznomasshtabnyh-dannyh (дата обращения: 03.01.2024).

25.Carrino, L. Data Versus Survey-based Normalisation in a Multidimensional Analysis of Social Inclusion // Ital Econ J. 2016. 2:305-345. URL: https://doi.org/10.1007/s40797-016-0041 -z.

26.Оберемко, О. А. К типологии открытых вопросов // Мониторинг общественного мнения: Экономические и социальные перемены. 2018. № 4. С. 97-108. URL: https://doi.org/10.14515/monitoring.2018.4.06.

27.Сендерович, Н. Л., Майсурадзе А. И. Автоматизация кодирования открытых вопросов [Электронный ресурс] // Методы и процедуры социологических исследований: традиции и инновации. Сборник статей, посвященный памяти первого декана факультета социологии НИУ ВШЭ А. О. Крыштановского / отв. ред. и вступит. ст. О. А. Оберемко. М.: НИУ ВШЭ, 2017. С. 77-93.

28.Данилова, А.Г., Митина О.А. Компьютеризированный качественный анализ текста // Вестник Московского университета. Серия 14. Психология. 2021. № 1. С. 220-240. URL: https://doi.org/10.11621/vsp.2021.01.09.

29.de Wildt L. Qualitative Data Analysis Software // The SAGE Encyclopedia of the Sociology of Religion. Thousand Oaks, CA: SAGE Publications, 2020. Vol. 2. pp. 642-644. URL: https://doi.org/10.4135/9781529714401.n366.

30.Прошина, М.В. Современные методы обработки естественного языка: нейронные сети // Экономика строительства. 2022. № 5. URL: https://cyberleninka.ru/article/n/sovremennye-metody-obrabotki-estestvennogo-yazyka-neyronnye-seti (дата обращения: 03.01.2024).

31.Aijazahamed, Qazi, R.H. Goudar. An Ontology-based Term Weighting Technique for Web Document Categorization // Procedia Computer Science. 2018. Volume 133. Pages 75-81. URL: https://doi.org/10.1016/j.procs.2018.07.010.

32.Левада, Ю. Индексы социальных настроений в "норме" и в кризисе // Мониторинг. 1998. № 6. URL: https://cyberlemnka.ra/article/n/mdeksy-sotsialnyh-nastroeniy-v-norme-i-v-krizise (дата обращения: 16.01.2024).

33.Красильникова, М. О методике расчета индекса социальных настроений // Мониторинг. 2003. № 2. URL: https://cyberleninka.ru/article/n/o-metodike-rascheta-indeksa-sotsialnyh-nastroeniy (дата обращения: 16.01.2024).

34.Красильникова, М.Д. О чем говорят индексы? Возможности и ограничения динамических сопоставлений данных опросов общественного мнения // Вестник общественного мнения. Данные. Анализ. Дискуссии. 2018. № 1-2 (126). С. 47-57. URL: https://doi.org/10.24411/2070-5107-2018-00003. EDN YKKDDV.

35.Jebb, A., Parrigon S., Woo S.E. Exploratory data analysis as a foundation of inductive research // Human Resource Management Review. 2016. 27. URL: https://doi.org/10.1016/j.hrmr.2016.08.003.

36.Zuur, A.F., Ieno E.N., Elphick C.S. A protocol for data exploration to avoid common statistical problems // Methods in Ecology and Evolution. 2010. 1:314. URL: https://doi.org/10.1111/j.2041-210X.2009.00001.x.

37.Кошечкин, К.А., Козлович А.В., Котиков В.Н., Миронов А.Н. Обзор перечня и особенностей программного обеспечения, применяемого для статистической обработки данных при выполнении экспертной работы // Ведомости научного центра экспертизы средств медицинского применения. 2014. № 3. С. 46-51.

38.Зорина, Н.В., Панченко В.М. Экспериментальный программный комплекс для моделирования и интерпретации процессов анализа образовательных данных // Современные информационные технологии и ИТ-образование. 2017. № 4. URL:

https://cyberleninka.ru/article/n/eksperimentalnyy-programmnyy-kompleks-dlya-modelirovaniya-i-interpretatsii-protsessov-analiza-obrazovatelnyh-dannyh (дата обращения: 21.01.2024).

39.Sirisilla, S. Effective Use of Statistics in Research - Methods and Tools for Data Analysis // Enago Academy. May 19, 2022. URL: https://www.enago.com/academy/statistics-in-research-data-analysis/.

40.Кечина, Е.А. Взаимодействие социологии и статистики: понятие и структура // Вестник РУДН. Серия: Социология. 2012. № 2. URL: https://cyberleninka.ru/article/n/vzaimodeystvie-sotsiologii-i-statistiki-ponyatie-i-struktura (дата обращения: 27.12.2023).

41. Ильин, В.П. Методические особенности применения дескриптивной статистики в медико-биологических исследованиях // Acta Biomedica Scientifica. 2013. № 1 (89).

42. Аннаева, М. Применение статистических методов для анализа данных в различных областях // Всемирный ученый. 2023. № 9. URL: https://cyberleninka.ru/article/n/primenenie-statisticheskih-metodov-dlya-analiza-dannyh-v-razlichnyh-oblastyah (дата обращения: 27.12.2023).

43.Zhang, J., Wang Y., Zhao Y., Cai X. Applications of inferential statistical methods in library and information science // Data and Information Management. 2018. 2:103-120. URL: https://doi.org/10.2478/dim-2018-0007.

44.Adeyemi, T.O. Inferential Statistics for Social and Behavioural Research // Research Journal of Mathematics and Statistics. 2009. 1:47-54. URL: https://pdfs.semanticscholar.org/1869/fD9205ffbd289f838077c9180a681749 1796.pdf.

45.Hesse, C.A., Ofosu J.B. Statistical methods for the social sciences // Accra, Ghana: Akrong Publications Ltd. 2017. pp. 105. ISBN: 978-9988-2-6060-6.

46.Сажин, Ю.В., Сарайкин Ю.В. Применение множественного анализа соответствий для исследования структуры научно-педагогических кадров исследовательского университета // Вестник НГУЭУ. 2012. № 3. URL: https://cyberleninka.ru/article/n7primenenie-mnozhestvennogo-analiza-sootvetstviy-dlya-issledovaniya-struktury-nauchno-pedagogicheskih-kadrov-issledovatelskogo (дата обращения: 27.12.2023).

47.Blasius, J. Correspondence Analysis in Social Science Research // Correspondence Analysis in the Social Sciences. 1994. pp. 23-52. San Diego, CA: Academic Press.

48.Жучкова, С.В., Ротмистров А.Н. Поиск многомерной связи категориальных признаков: сравнение CHAID, логлинейного анализа и множественного анализа соответствий // Мониторинг общественного мнения: Экономические и социальные перемены. 2019. № 2. С. 32-53. URL: https://doi.org/10.14515/monitoring.2019.2.02.

49.Шляпентох, В.Э. Проблемы качества социологической информации: достоверность, репрезентативность, прогностический потенциал. М.: ЦСП, 2006. С. 547-598.

50.Chen, Y., Wu X., Hu A. et al. Social prediction: a new research paradigm based on machine learning // J. Chin. Sociol. 2021. 8:15. URL: https://doi.org/10.1186/s40711-021-00152-z.

51.Корн, Г.А. Справочник по математике для научных работников и инженеров. Определения, теоремы, формулы. Пер. со 2-го амер. перераб. изд. И.Г. Арамановича и др.; Под общ. ред. И.Г. Арамановича. 5-е изд. М.: Наука, 1984. 831 с. ил.

52.Vasileiadou, E., Vliegenthart R. Studying dynamic social processes with ARIMA modelling // International Journal for Social Research Methodology. 2013. URL: https://doi.org/10.1080/13645579.2013.81625.

53.Colbaugh, R., Glass K., Bauer T. Leveraging Sociological Models for Predictive Analytics // ResearchGate. 2012. URL: https://www.researchgate.net/publication/234005594_Leveraging_Sociologi cal_Models_for_Predictive_Analytics (дата обращения: 27.12.2023).

54.Di Franco, G., Santurro M. Machine learning, artificial neural networks and social research // Qual Quant. 2021. 55:1007-1025. URL: https://doi.org/10.1007/s11135-020-01037-y.

55. Орлов, А.И. Современное состояние непараметрической статистики // Научный журнал КубГАУ. 2015. № 106. URL: https://cyberleninka.ru/article/n/sovremennoe-sostoyanie-neparametricheskoy-statistiki (дата обращения: 27.12.2023).

56.Nikitina, M.A., Chernukna I.M. Methods for nonparametric statistics in scientific research. Overview. Part 1 // Теория и практика переработки мяса. 2021. № 2. URL: https://cybeñeninka.ru/artide/n/methods-for-nonparametric-statistics-in-scientific-research-overview-part-1 (дата обращения: 27.12.2023).

57.Пономарев, Д.С. Иерархическая кластеризация на языке R для производственно-экономических показателей пенитенциарной системы // Экономика. Информатика. 2023. № 3. URL: https://cyberleninka.ru/article/Merarhicheskaya-klasterizatsiya-na-yazyke-r-dlya-proizvodstvenno-ekonomicheskih-pokazateley-penitentsiarnoy-sistemy (дата обращения: 29.12.2023).

58.Григорьев, Е.А., Климов Н.С. Разведочный анализ данных с помощью Python // E-Scio. 2020. № 2 (41). URL: https://cyberleninka.ru/article/n/razvedochnyy-analiz-dannyh-s-pomoschyu-python (дата обращения: 29.12.2023).

59.Захарова, А.А., Подвесовский А.Г., Лагерев Д.Г. Визуальная аналитика и когнитивные методы для обработки и анализа гетерогенных данных мультисенсорных систем: проблемы и тенденции // Информационные и математические технологии в науке и управлении. 2019. № 4 (16). С. 6074. URL: https://doi.org/10.25729/2413-0133-2019-4-05.

60.Багутдинов, Р.А., Саргсян Н.А., Красноплахтыч М.А. Аналитика, инструменты и интеллектуальный анализ больших разнородных и разномасштабных данных // Экономика. Информатика. 2020. 47 (4):792-802. URL: https://doi.org/10.18413/2687-0932-2020-47-4-792-802.

61.Lepenioti, K., Bousdekis A., Apostolou D., Mentzas G. Prescriptive analytics: Literature review and research challenges // International Journal of Information Management. 2020. Volume 50. pp. 57-70. URL: https://doi.org/10.1016/j .ijinfomgt.2019.04.003.

62.Selvaraj, P., Marudappa P. A survey on various applications of prescriptive analytics // International Journal of Intelligent Networks. 2020. 1:76-84. URL: https: //doi.org/ 10.1016/j.ijin.2020.07.001.

63.Porritt, S. Top Prescriptive Analytics Tools & Software. 2023. URL: https://technologyadvice.com/blog/business-intelligence/prescriptive-analytics-tools/ (дата обращения: 29.12.2023).

64.Anderson, C. Creating a Data-Driven Organization. 2015. Ch.5. Data Analysis. O'Reilly Media, Inc. ISBN: 9781491916919.

65.Holme, P., Liljeros F. Mechanistic models in computational social science // Front. Phys. 2015. 3:78. URL: https://doi.org/10.3389/fphy.2015.00078.

66.Вонт, P., Перинг Т., Тенненхаус Д. Адаптивные и проактивные компьютерные системы. URL: https://www.osp.ru/os/2003/10/183485/.

67.Клаус, Н.Г., Свечкарев В.П., Васьков М.А. Проактивное управление в социологии: предметное поле и терминологическая специфика // Научная мысль Кавказа. 2015. № 2 (82). URL: https://cyberleninka.ru/article/n/proaktivnoe-upravlenie-v-sotsiologii-predmetnoe-pole-i-terminologicheskaya-spetsifika (дата обращения: 16.01.2024).

68.Альбеков, Н.Н. Эмерджентность как объект современной науки // Современные проблемы науки и образования. 2015. № 2-1. URL: https://science-education.ru/ru/article/view?id=21089 (дата обращения: 19.01.2024).

69.Архарова, Т.А. Онлайн-сервис Google Forms как электронное средство обучения аудированию студентов технических направлений подготовки // ЭСГИ. 2019. № 2 (22). URL: https://cyberleninka.ru/article/n7onlayn-servis-google-forms-kak-elektronnoe-sredstvo-obucheniya-audirovaniyu-studentov-tehnicheskih-napravleniy-podgotovki (дата обращения: 19.01.2024).

70.Борханова, А.Д. Применение анкеты Google Forms для изучения педагогических условий реализации инновационных проектов в школе // КПО. 2021. № 3 (27). URL: https://cyberleninka.ru/article/n7primenenie-ankety-google-formy-dlya-izucheniya-pedagogicheskih-usloviy-realizatsii-innovatsionnyh-proektov-v-shkole (дата обращения: 19.01.2024).

71.Syzdykova, A., Orakbay L., Mansharipova A., Shuzheev B., Kushniyazova M. The Google Forms Online Service is Used to Assess the Socio-psychological Qualities of a Person and the Level of Professional Competence of Average Medical Professionals // Актуальные проблемы теоретической и клинической медицины. 2021. № 2. URL: https://cyberleninka.ru7article/n7the-google-forms-online-service-is-used-to-assess-the-socio-psychological-qualities-of-a-person-and-the-level-of-professional (дата обращения: 19.01.2024).

72.Кед, А.П., Агаева П.М. Интернет-опрос как метод социологического исследования // Проблемы современной экономики (Новосибирск). 2015. № 27. URL: https://cyberlenmka.m/article/n/internet-opros-kak-metod-sotsiologicheskogo-issledovaniya (дата обращения: 19.01.2024).

73.Пантелеев, Д.Н. Исследование и характеристика маркетингового атрибута инноваций // Вестник Академии знаний. 2022. № 6 (53). URL: httpsV/cyberleninka.ru/article/n/issledovanie-i-harakteristika-marketingovogo-atributa-innovatsiy (дата обращения: 19.01.2024).

74.Мартышенко, Н.С., Мартышенко С.Н. Алгоритмизация процесса анализа достоверности данных анкетных онлайн-опросов // Программные системы и вычислительные методы. 2018. № 4. URL: https://cyberleninka.ru/article/n7algoritmizatsiya-protsessa-analiza-dostovernosti-dannyh-anketnyh-onlayn-oprosov (дата обращения: 19.01.2024).

75.Речиц, Е.В., Комарова Е.О. Разработка методики выбора цифровых инструментов при создании виртуальных ресурсов компании // ТТПС. 2021. № 3 (57). URL: https://cyberleninka.ru/article/n/razrabotka-metodiki-vybora-tsifrovyh-instrumentov-pri-sozdanii-virtualnyh-resursov-kompanii (дата обращения: 19.01.2024).

76.Бруннер, Е.Ю. Организация психолого-педагогических и социологических исследований онлайн // Гуманитарные науки. 2021. № 3 (55). URL: https://cyberleninka.ru/article/n/organizatsiya-psihologo-pedagogicheskih-i-sotsiologicheskih-issledovaniy-onlayn (дата обращения: 19.01.2024).

77.Аталян, А.В., Колесникова Л.И., Колесников С.И., Гржибовский А.М., Сутурина Л.В. Информационная система REDCap для сбора и хранения данных популяционных биомедицинских исследований // Экология человека. 2019. № 2. С. 52-59.

78.Ковтонюк, Е.С. Основные навыки, которыми должен обладать хороший университетский профессор: на примере университета Лериды // StudNet. 2021. №2 5. URL: https://cyberleninka.ru/article/n/osnovnye-navyki-kotorymi-dolzhen-obladat-horoshiy-universitetskiy-professor-na-primere-universiteta-leridy (дата обращения: 20.01.2024).

79. Анкетирование клиентов. Описание Zoho Survey. URL: https://habr.com/ru/companies/trinion/articles/277303/ (дата обращения: 19.01.2024).

80.Nijimbere, G., Suprunov A.I. Maize cropping system among small farmers in the agroecological zone in central Burundi and its advantages // Научный журнал КубГАУ. 2021. № 174. URL: https://cyberleninka.ru/article/n/maize-cropping-system-among-small-farmers-in-the-agroecological-zone-in-central-burundi-and-its-advantages (дата обращения: 20.01.2024).

81.Coco, E., Mamirov T. Examining recycling behaviors at Semizbugu P1 (2022), Kazakhstan // Археология Казахстана. 2022. № 3. URL: https://cyberleninka.ru/article/n/examining-recycling-behaviors-at-semizbugu-p1-2022-kazakhstan (дата обращения: 20.01.2024).

82.Груданова, А.А., Груданов Н.А. Обзор инструментов онлайн-опросов для информационного обеспечения маркетинговых исследований // StudNet. 2021. № 7. URL: https://cyberleninka.ru/article/n/obzor-instrumentov-onlayn-oprosov-dlya-informatsionnogo-obespecheniya-marketingovyh-issledovaniy (дата обращения: 19.01.2024).

83.Демаков, В.И., Ларионова Е.Ю., Голодков Ю.Э., Рерке В.И. Сравнительный обзор статистических пакетов для анализа данных // Вестник БГУ. Математика, информатика. 2023. № 3. URL: https://cyberleninka.ru/article/n/sravnitelnyy-obzor-statisticheskih-paketov-dlya-analiza-dannyh (дата обращения: 19.01.2024).

84.Алиакберова, Л.Ф. Современные программные продукты для анализа данных // Молодой ученый. 2021. № 37 (379). С. 13-17. URL: https://moluch.ru/archive/379/83970/ (дата обращения: 16.01.2024).

85.Андреева, А.А. Возможности использования профессионального статистического пакета для социальных наук SPSS Statistics для анализа и обработки данных исследования общественного мнения // Теория и практика современной науки. 2021. № 1 (67). URL: https://cyberleninka.ru/article/n/vozmozhnosti-ispolzovaniya-professionalnogo-statisticheskogo-paketa-dlya-sotsialnyh-nauk-spss-statistics-dlya-analiza-i-obrabotki (дата обращения: 20.01.2024).

86.Орестова, В.Р., Бастрон А.А. Применение статистического пакета анализа данных SPSS Statistics в психологических исследованиях на примере факторного анализа // История и архивы. 2017. № 2 (8). URL: https://cyberleninka.ru/article/n/primenenie-statisticheskogo-paketa-analiza-dannyh-spss-statistics-v-psihologicheskih-issledovaniyah-na-primere-faktornogo-analiza (дата обращения: 20.01.2024).

87.Унгуряну, Т.Н., Гржибовский А.М. Однофакторный дисперсионный анализ с использованием пакета статистических программ Stata // Экология человека. 2014. № 5. URL: https://cyberleninka.ru/article/n/odnofaktornyy-dispersionnyy-analiz-s-ispolzovaniem-paketa-statisticheskih-programm-stata (дата обращения: 20.01.2024).

88.Смирнов, В.А. Новые компетенции социолога в эпоху «Больших данных» // Мониторинг. 2015. № 2 (125). URL: https://cyberleninka.ru/article/n/novye-kompetentsii-sotsiologa-v-epohu-bolshih-dannyh (дата обращения: 20.01.2024).

89.Андреюк, Д.С., Ливитина А.С., Сушко Н.С. Семантический анализ структуры ценностей группы с помощью тезауруса Роже: автоматизированный алгоритм // Государственное управление. Электронный вестник. 2022. № 91. URL: https://cyberleninka.ru/article/n/semanticheskiy-analiz-struktury-tsennostey-gruppy-s-pomoschyu-tezaurusa-rozhe-avtomatizirovannyy-algoritm (дата обращения: 20.01.2024).

90.Щекотин, Е.В., Гойко В.Л., Басина П.А., Бакулин В.В. Использование машинного обучения для изучения качества жизни населения: методологические аспекты // Цифровая социология. 2022. № 1. URL: https://cyberleninka.ru/article/n/ispolzovanie-mashinnogo-obucheniya-dlya-izucheniya-kachestva-zhizni-naseleniya-metodologicheskie-aspekty (дата обращения: 20.01.2024).

91.Рагимова, Н.А., Абдуллаев В.Г., Халилов М.Э. Применение технологий больших данных для мониторинга социальных процессов в университете // SR. 2019. № 8 (61). URL: https://cyberleninka.ru/article/n/primenenie-tehnologiy-bolshih-dannyh-

dlya-monitoringa-sotsialnyh-protsessov-v-universitete (дата обращения: 20.01.2024).

92.Каныгин, Г.В., Корецкая В.С. Аналитическое кодирование // Петербургская социология сегодня. 2018. № 10. URL: https://cyberleninka.rU/article/n/analiticheskoe-kodirovanie (дата обращения: 20.01.2024).

93.Гегер, А.Э., Чупахина Ю.А., Гегер С.А. Компьютерные программы для анализа качественных и смешанных данных // Петербургская социология сегодня. 2015. № 6. URL: https://cyberleninka.ru/article/n/kompyuternye-programmy-dlya-analiza-kachestvennyh-i-smeshannyh-dannyh (дата обращения: 20.01.2024).

94.Коренева, А.О., Лудевиг А. Практика применения программы дискурсивного анализа ATLAS.ti: вариация немецкого этнолекта и его влияние на технику перевода мигрантской литературы // Речевые технологии. 2022. № 1. URL: https://cyberleninka.ru/article/n/praktika-primeneniya-programmy-diskUrsivnogo-analiza-atlas-ti-variatsiya-nemetskogo-etnolekta-i-ego-vliyanie-na-tehniku-perevoda (дата обращения: 20.01.2024).

95.Хуажев, А.А. Технологические средства анализа имиджформирующих политических медиатекстов: возможности и ограничения // Известия Саратовского университета. Новая серия. Серия: Социология. Политология. 2022. № 2. URL: https://cyberleninka.ru/article/n/tehnologicheskie-sredstva-analiza-imidzhformiruyuschih-politicheskih-mediatekstov-vozmozhnosti-i-ogranicheniya (дата обращения: 20.01.2024).

96.Чудновская, И.Н., Бухтиярова И.Н., Липатова М.Е. Модель коммуникации в цифровом образовательном пространстве в рефлексии студентов // Социология. 2022. № 1. URL: https://cyberleninka.ru/article/n/model-kommunikatsii-v-tsifrovom-obrazovatelnom-prostranstve-v-refleksii-studentov (дата обращения: 20.01.2024).

97. Ученые ТГУ с помощью платформы PolyAnalyst измерили настроения россиян. URL: https://www.megaputer.ru/uchenye-izmerili-schaste-rossijan/ (дата обращения: 20.01.2024).

98.Василенко, Л.А., Мещерякова Н.Н. Социология цифрового общества: монография. Томский политехнический университет. Томск: Изд-во Томского политехнического университета, 2021. С. 154-155.

99.Утепбергенов, А.О. Большие данные в управлении человеческими ресурсами // Экономика и социум. 2022. № 4-3 (95). URL: https://cyberleninka.ru/article/n/bolshie-dannye-v-upravlenii-chelovecheskimi-resursami (дата обращения: 20.01.2024).

100. Дзидзава, Э.Т., Ахмедов К.М. Большие данные и HADOOP: обзорный доклад // Вестник магистратуры. 2021. № 1-1 (112). URL:

https://cyberleninka.ru/article/n7bolshie-dannye-i-hadoop-obzornyy-doklad (дата обращения: 20.01.2024).

101. Коршунов, А., Белобородов И., Бузун Н., Аванесов В., Пастухов Р., Чихрадзе К., Козлов И., Гомзин А., Андрианов И., Сысоев А., Ипатов С., Филоненко И., Чуприна К., Турдаков Д., Кузнецов С. Анализ социальных сетей: методы и приложения // Труды ИСП РАН. 2014. № 1. URL: https://cyberleninka.ru/article/n/analiz-sotsialnyh-setey-metody-i-prilozheniya (дата обращения: 20.01.2024).

102. Ермагамбетов, Р.Т., Киселев Е.С. Современные системы хранения и обработки больших данных: HADOOP и APACHE SPARK // Форум молодых ученых. 2018. № 8 (24). URL: https://cyberleninka.ru/article/n/sovremennye-sistemy-hraneniya-i-obrabotki-bolshih-dannyh-hadoop-i-apache-spark (дата обращения: 20.01.2024).

103. Никонорова, М.Л. Компьютерная модель решения задач классификации в программной среде Rapid Miner // Медицинское образование и профессиональное развитие. 2017. № 2-3 (28-29). URL: httpsV/cyberleninka.ru/article/n/kompyuternaya-model-resheniya-zadach-klassifikatsii-v-programmnoy-srede-rapid-miner (дата обращения: 21.01.2024).

104. Василькова, В.В., Легостаева Н.И. Боты на публичных аренах социальных сетей // Социологический журнал. 2021. № 4. URL: https://cyberleninka.ru/article/n7boty-na-publichnyh-arenah-sotsialnyh-setey (дата обращения: 21.01.2024).

105. Гончарова, И.В., Прончев Г.Б. Технологии больших данных как инструмент решения задач устойчивого развития общества // Право и управление. 2023. № 5. URL: https://cyberlenmka.ru/article/n/tehnologii-bolshih-dannyh-kak-instrument-resheniya-zadach-ustoychivogo-razvitiya-obschestva (дата обращения: 20.01.2024).

106. Рогожа, А.И. Сравнительный анализ российских систем Business Intelligence // Скиф. 2022. № 8 (72). URL: httpsV/cyberleninka.ru/article/n/sravnitelnyy-analiz-rossiyskih-sistem-business-intelligence (дата обращения: 21.01.2024).

107. Хасанов, А.Р. Влияние предиктивной аналитики на деятельность компаний // Стратегические решения и риск-менеджмент. 2018. № 3. С. 108-113. URL: https://doi.org/10.17747/2078-8886-2018-3-108-113.

108. Цыпин, А.П., Сорокин А.С. Статистические пакеты программ в социально-экономических исследованиях // АНИ: экономика и управление. 2016. № 4 (17). URL: httpsV/cyberleninka.ru/article/n/statisticheskie-pakety-programm-v-sotsialno-ekonomicheskih-issledovaniyah (дата обращения: 21.01.2024).

109. Шимановский, К.В. Импортозамещение в области программного обеспечения бизнес-аналитики // Международный журнал прикладных наук и технологий «Integral». 2022. № 2. URL:

https://cyberleninka.ru/article/n/importozameschenie-v-oblasti-programmnogo-obespecheniya-biznes-analitiki (дата обращения: 21.01.2024).

110. Анохина, Н.В. Методика построения регрессионных прогнозных моделей результатов выборов в России [Текст]: дис. канд. полит. наук: 23.00.02: защищена 2004. М., 2004. 134 с.

111. Фролов, В.А. Социологическое информационно-аналитическое обеспечение управления информатизацией региональных органов государственной власти. Специальность 22.00.08. [Текст]: дис. канд. соц. наук: 23.00.02: защищена 2014. Орел, 2014. 185 с.

112. Рязанцева, Е.А. Применение корреляционно-регрессионного инструментария для анализа социально-значимых факторов // ЭФО: Экономика. Финансы. Общество. 2023. № 1 (5). С. 65-74. URL: https://doi.org/10.24412/2782-4845-2023-5-65-74.

113. Леонова, Л.Б. Корреляционно-регрессионный анализ как инструмент прогнозирования влияния функционирования социально-экономического кластера в сфере ЖКХ на экономику региона // Вестник УГНТУ. Наука, образование, экономика. Серия: Экономика. 2020. № 3 (33). URL: https://cyberleninka.m/article/n/korrelyatsionno-regressionnyy-analiz-kak-instrument-prognozirovaniya-vliyaniya-funktsionirovaniya-sotsialno-ekonomicheskogo (дата обращения: 06.02.2024).

114. Воробьев, А.А., Ноздрачева Е.Д. Методика прогнозирования результатов выборов с использованием комбинирования методов аналитического и трендового моделирования // Мониторинг общественного мнения: экономические и социальные перемены. 2022. № 2. С. 24-41. URL: https://doi.org/10.14515/monitoring.2022.2.1921.

115. Аныш, Х. Применение инструментов машинного обучения и интеллектуальный анализ данных в отношении баз данных с небольшим количеством записей // Advanced Engineering Research. 2021. Т. 21, № 4. С. 346-363. URL: https://doi.org/10.23947/2687-1653-2021-21-4-346-363.

116. Щекотин, Е.В., Гойко В.Л., Басина П.А., Бакулин В.В. Использование машинного обучения для изучения качества жизни населения: методологические аспекты // Цифровая социология. 2022. № 1. URL: https://cyberleninka.ru/article/n7ispolzovanie-mashinnogo-obucheniya-dlya-izucheniya-kachestva-zhizni-naseleniya-metodologicheskie-aspekty (дата обращения: 06.02.2024).

117. Athey, S. The Impact of Machine Learning on Economics. URL: http://www.nber.org/chapters/c14009 (дата обращения: 05.02.2024).

118. Дрейпер, Н., Смит Г. Прикладной регрессионный анализ. 3-е издание. Издательский дом Вильямс, 2016. 912 с.

119. Чиврагова, А.А. Сравнение методов прогнозирования временных рядов // Лучший исследовательский проект 2021: сборник статей III Международного научно-исследовательского конкурса, Петрозаводск, 27 декабря 2021 года. Петрозаводск: Международный центр научного

партнерства «Новая Наука» (ИП Ивановская И.И.), 2021. С. 106-112. EDN BUBMTJ.

120. Verhagen, M.D. A Pragmatist's Guide to Using Prediction in the Social Sciences // Socius. 2022. 8. URL: https://doi.org/10.1177/23780231221081702.

121. Hofman, J.M., Watts D.J., Athey S. et al. Integrating explanation and prediction in computational social science // Nature. 2021. 595:181-188. URL: https://doi.org/10.1038/s41586-021-03659-0.

122. Breznau, N. Integrating Computer Prediction Methods in Social Science: A Comment on Hofman et al. (2021) // Social Science Computer Review. 2022. 40(3):844-853. URL: https://doi.org/10.1177/08944393211049776.

123. Attention Is All You Need. URL: https://arxiv.org/pdf/1706.03762.pdf (дата обращения: 05.03.2024).

124. Holm, H. Bidirectional Encoder Representations from Transformers (BERT) for Question Answering in the Telecom Domain. URL: https://www.diva-portal.org/smash/get/diva2:1591952/FULLTEXT01.pdf (дата обращения: 05.03.2024).

125. Метрики в задачах машинного обучения. URL: https://habr.com/ru/companies/ods/articles/328372/ (дата обращения: 05.03.2024).

126. Оценка качества в задачах классификации и регрессии. URL: https: //neerc. ifmo .ru/wiki/index.php?title=%D0%9E%D 1 %86%D0%B5%D 0%BD%D0%BA%D0%B0_%D0%BA%D0%B0%D 1 %87%D0%B5%D 1 % 81 %D 1 %82%D0%B2%D0%B0_%D0%B2_%D0%B7%D0%B0%D0%B4 %D0%B0%D 1 %87%D0%B0%D 1 %85_%D0%BA%D0%BB%D0%B0%D 1 %81 %D 1 %81 %D0%B8%D 1 %84%D0%B8%D0%BA%D0%B0%D 1 %86 %D0%B8%D0%B8_%D0%B8_%D 1 %80%D0%B5%D0%B3%D 1 %80%D 0%B5%D 1 %81 %D 1 %81 %D0%B8%D0%B8 (дата обращения: 05.03.2024).

127. Кузнецов, А.М. Структура модели информационно -аналитической системы обработки социологических данных // Нано -био-технологии. Теплоэнергетика. Математическое моделирование: Сборник статей международной научно-практической конференции. Липецк, 2023. С. 258-262.

128. Свидетельство о государственной регистрации программы для ЭВМ № 2024617985. А.М.Кузнецов - Заявка № 202461581. Дата поступления 22 марта 2024 г. Зарегистрировано в Реестре программ для ЭВМ 08 апреля 2024 г.

129. Тараканова, В.В., Наумкин Б.И. Формирование выборочной совокупности // Эксперимент и инновации в школе. 2009. № 3. URL: https://cyberleninka.ru/article/n/formirovanie-vyborochnoy-sovokupnosti (дата обращения: 02.05.2024).

130. Фелькер, М.Н., Чеснов В.В. Исследование влияния изменения параметров модели ARIMA на качество прогноза для коротких наборов данных // Вестник ЮУрГУ. Серия: Компьютерные технологии, управление, радиоэлектроника. 2021. № 3. URL: https://cyberleninka.ru/article/n/issledovanie-vliyaniya-izmeneniya-parametrov-modeli-arima-na-kachestvo-prognoza-dlya-korotkih-naborov-dannyh (дата обращения: 30.04.2024).

131. Кузнецов, А. М. Архитектура модуля прогнозирования в информационно-аналитической системе социологических исследований / А. М. Кузнецов // Вестник Рязанского государственного радиотехнического университета. - 2024. - № 90. - С. 77-90.

132. Кузнецов, А. М. Информационная технология автоматизации социологических исследований: методы, технологии и преимущества / А. М. Кузнецов // Доклады Томского государственного университета систем управления и радиоэлектроники. - 2024. - Т. 27, № 3. - С. 109117.

ПРИЛОЖЕНИЕ А. ПРАВИЛА КОНСТРУИРОВАНИЯ ВОПРОСОВ АНКЕТЫ

Таблица А.1 - Правила конструирования вопросов анкеты

Описание Правила Формализация Правила Математическая Интерпретация

Если респондент является студентом, исключить вопросы о пенсионном возрасте. IF Respondent.Status = 'Student' THEN EXCLUDE Questions about Retirement Rstatus = Student ^ Exclude (Qretirement)

Для респондентов старше 65 лет добавить вопросы о доступности медицинских услуг. IF Respondent.Age > 65 THEN INCLUDE Questions about Healthcare Access Rage > 65 ^ Include(Qhealthcare)

Если респондент указал низкий доход, спросить о доступе к социальной поддержке. IF Respondent.Income = 'Low' THEN INCLUDE Questions about Social Support Rincome = "Low" Include(QSOcialSupport)

Если респондент не занят, исключить вопросы о рабочем месте. IF Respondent.Employment = 'Unemployed' THEN EXCLUDE Questions about Workplace Remployment = "Unemployed" ^ Exclude(Qworkpiace)

Для респондентов с детьми младше 5 лет добавить вопросы о детских садах. IF Respondent.HasChildrenUnder5 THEN INCLUDE Questions about Kindergartens Rchildren < 5 ^ Include(Qkindergartens)

Для респондентов, проживающих в сельской местности, добавить вопросы о доступности транспорта. IF Respondent.Location = 'Rural' THEN INCLUDE Questions about Transport Availability Rlocation = Rural Include (Qtransport)

Продолжение таблицы А.1

Описание Правила Формализация Правила Математическая Интерпретация

Если респондент указал высокий уровень стресса, предложить дополнительные вопросы о рабочей нагрузке. IF Respondent.StressLevel = 'High' THEN INCLUDE Respondent.Location Questions about Workload Rstress = "High" ^ Include(Qworkload)

Если предыдущий ответ на вопрос X = "Да", тогда следующий вопрос будет Y. IF PreviousResponse(QuestionX) = 'Yes' THEN NextQuestion = QuestionY PrevResponse(Qx) = "Yes" ^ NextQ = Qy

Добавить вопросы об инвестициях для респондентов с высоким уровнем дохода. IF Income > High income threshold THEN INCLUDE investment questions 1income > thresh0ld Qinvetment = true

Добавить вопросы о городской инфраструктуре для респондентов, проживающих в городах. IF Respondent.Location = Urban THEN INCLUDE infrastructure_questions Rlocation Urban Qinfrastructure = true

Исключить вопросы о научной деятельности для респондентов без высшего образования. IF EducationLevel Ф Higher THEN EXCLUDE science_questions Eeducation ^ Higer ^science false

Добавить вопросы о предыдущем участии в выборах для оценки избирательной активности. IF VotingHistory = Participated THEN INCLUDE follow-up_questions Vhistory = Participated ^ Qf0iiow_up = true

Окончание таблицы А.1

Описание Правила Формализация Правила Математическая Интерпретация

Для респондентов младше 30 лет добавить вопросы о предпочтениях в цифровом голосовании. IF Age < 30 THEN INCLUDE digital_voting_preferences Rage < 30 ^ Qdigital_voting tVUe

Для респондентов с низким доходом включить вопросы о влиянии муниципальных налогов. IF IncomeLevel = Low THEN INCLUDE municipal_taxes_impact ^income Low Qmunicipal_taxes tVUe

Для респондентов со степенью бакалавра добавить вопросы о необходимости дальнейшего образования для карьерного роста. IF EducationLevel = Bachelor THEN INCLUDE further_education_career_questions E education Ba.ch.elOT ^ QfurtheredUcareer = true

Запрет на ввод ответов из диапазона [у1-у2] при наличии ответа х. IF Response = x THEN EXCLUDE Responses in [y1-y2] R = x ^ Exclude(Ry1-y2)

Запрет на ввод ответа х при наличии любого ответа из диапазона [у1-у2]. IF Response in [y1-y2] THEN EXCLUDE Response x R E [y1 - y2] ^ Exclude(Rx)

Обязательность ответов из диапазона [г1-г2] при вводе ответа у. IF Response = y THEN REQUIRE at least one Response in [z1-z2] R = y ^ Require(min1Rz1-z2)

ПРИЛОЖЕНИЕ Б. АКТЫ ВНЕДРЕНИЯ И ПРОТОКОЛ РЕЗУЛЬТАТОВ

ОПЫТНОЙ ЭКСПЛУАТАЦИИ

Акт внедрения в Министерстве внутренней политики Калужской области

МИНИСТЕРСТВО ВНУТРЕННЕЙ ПОЛИТИКИ КАЛУЖСКОЙ ОБЛАСТИ

пл. Старый Торг, 2, г. Калуга, 248000, тел. [phone], факс [phone] E-mail: mvpmk@adm kaluga.ni

339-3if

На № * от

АКТ

внедрения проактивной системы обработки информации социологических исследований в технологический процесс подготовки, сбора и обработки результатов социологических опросов населения

Комиссией в составе председателя — министра внутренней политики Калужской области, Калугина O.A. и членов комиссии - заместителя министра - начальника управления внутренней политики Федоровой И.М., консультанта руководителя, Жеребецкой Ю.М., рассмотрены результаты опытной эксплуатации в период с 1 сентября 2023 г. по 30 марта 2024 года экспериментального прототипа проактивной системы обработки информации социологических исследований (свидетельство о государственной регистрации программы для ЭВМ № 2024617985), реализующей следующие функции:

• автоматическое распознание социологической анкеты при создании нового опроса;

• автоматическое создание социологической анкеты для мобильных устройств, позволяющей контролировать правильность ввода ответов;

• автоматический ввод ответов респондентов из файлов, полученных с устройств, ручной ввод ответов с использованием манипулятора типа «мышь», а также непосредственно с помощью цифровой клавиатуры;

• автоматическое определение половозрастного, образовательного состава и состава социальных групп, принявших участие в опросе респондентов;

• контроль правильности ответов на вопросы при вводе ответов респондентов (наличие ответов и соответствие их количества необходимому на каждый вопрос анкеты, отсутствие лишних ответов, выявление ошибок логических связей между ответами и т.д.);

• автоматическое формирование выборки респондентов, удовлетворяющей требованиям таблицы количества половозрастного, образовательного состава и состава социальных групп;

• автоматическое формирование задания на опрос недостающих респондентов;

2

• вывод результатов опроса в виде абсолютного и процентного количества ответивших респондентов с диаграммами в текстовый файл;

• анализ результатов социологического опроса различными способами;

• расчет средних значений на основе N-ro числа выборок;

• прогнозирование результатов выборов на основе рейтинга определившихся;

• построение истории вопросов анкет за заданный период времени.

Комиссией установлено, что разработанный Кузнецовым A.M. программный продукт показал перспективность использования для сбора, обработки и хранения данных результатов социологических исследований с последующим применением методов интеллектуального анализа данных. Информационная система реализует удобный доступ к архивам данных и знаний на основе онтологий предметной области.

Установлено, что использование данной информационной системы позволило существенно ускорить процесс ввода и обработки результатов социологических опросов (ориентировочно на 15-20%). Экспериментальная апробация системы показала, что погрешность прогнозирования результатов событий на основе результатов социологический исследований лежит в пределах допустимого (3-10%).

Комиссия рекомендует продолжить опытную эксплуатацию рассматриваемого программного комплекса с целью совершенствования его рабочих параметров и тестирова"""

Председатель комиссии

Члены комиссии

Федорова И.М.

Калугин О.А.

Жеребецкая Ю.М.

Акт внедрения в ФГБОУ ВО «Тамбовский государственный университет

имени Г.Р. Державина»

TAMEiDDHKKH

государствкнный

УННРГРСНТГТ

ИМЕНИ ГР ДЕРЖАВИНА

щйш

ФАКУЛЬТЕТ ИСТОРИИ, МИРОВОЙ политики И СОЦИОЛОГИИ

FT Талбоь. CoBfiTdaiJSl «К» в [4752} 71-34-54. . S 617 E-mail:1и^пк>'л1в.и[тЪ.111

№_ст к__)>_2024 г.

аа>Ё_ от к »_ 202 г

АКТ

внедрения системы обработки информации социологических

исследований

Комиссией б составе председателя — ™ кафедрой политологии, социологии и международных процессов Тамбовского государственного университета имени Г.Р. Державина Окатова A.B. и членов комиссии - доцента кафедры политологии, социологии и международных процессов Тамбовского государственного университета имени Г.Р. Державина Задонской И.А.: доцента кафедры политологии, социологии и международных процессов Тамбовского государственного университета имени Г.Р. Державина Борисовой О.Н. рассмотрены результаты эксплуатации в период с 01.02.2012 г. по 30.12.2023 г. системы обработки информации социологических исследовании, разработанной A.M. Кузнецовым.

Комиссией установлено, что этот программный продукт обладает значительным потенциалом для использования в сборе, обработке и хранении данных результатов социологических исследований. Информационная система обеспечивает удобный доступ к базе данных результатов опросов и быстрый поиск нужной информации.

Использование данной информационной системы позволило существенно ускорить процесс ввода и обработки результатов социологических опросов. Это позволило получить экономический эффект от внедрения данной системы в размере 100 тысяч рублей ежегодно.

Комиссия рекомендует продолжить модернизацию рассматриваемого программного продукта с целью совершенствования его рабочих параметров н возможности прогнозирования результатов опросов в краткосрочном периоде.

Председатель комиссии ^ A.B. Окатов

Члены комиссии V; И. А. Задонская

мннтнми I

О Н. Борисова

Акт внедрения в частном образовательном учреждении высшего образования «Казанский инновационный университет имени В.Г. Тимирясова (ИЭУП)»

Частно* обеаэоштслыюо учреждение высшего о&р-азааанил «KajaH+ский инновационный унапрмпп имени В.Г. Тимприема (ИЭУП)ч

Шаиеи гагары Се-лем

бвру уЧреИДВНИЕСЕ «Е.Г Тмимрясси мс-ег.шндпгЕ! Кпэпч ИННМ1ЦНЯ VHVlBtpiHTCTtil (ИЭУП)»

Россия. PKn|fflllrtkaTJTJpt.TRH JJOli], Г vn. MufHW»Hd4. 42

тглефаи: В ffl4i| 3il 93 9(3. фанг; В 154Э]

окгщ ОГРЧ lOJiMJSiJws, ИНЧ/НПП HMMOSIVIUSMMI

■?-ч 1F11I: netofJItmL™, nmwicrnl.™

, ¿{Ю. юы

н?

нв и сл. Nv

АКТ

О ВНЕДРЕНИИ ПРО АКТИВНОЙ СИСТЕМЫ ОБРАБОТКИ ИНФОРМАЦИИ СОИ ИОЛ О г И Ч ЕСКИ X ИССЛ КДОВА11И И В ТЕХНОЛОГИЧЕСКИЙ ПРОЦЕСС ПОДГОТОВКИ, СБОРА И ОБРАБОТКИ РЕЗУЛЬТАТОВ С ОЦИОЛОГИЧЕСКИХ ОПРОСОВ НАСЕЛЕНИЯ

Комиссией в составе председателя: Бегишева И.Р., главного научного сотрудника НИИ цифровых технологий и права и членов комиссии: Шутовой А.А., старшого научного сотрудника НИИ цифровых технологий и itpaJiii> Гулйеной П,С., младшего научного сотрудника НИИ цифровых технологии и права, рассмотрены результаты опытной эксплуатации в период с I февраля 202.1 г. по 30 сентября 2024 года экспериментального прототипа проективной системы обработки информации социологических исследований (свидетельство о государственной регистрации программы для ЭВМ № 2Q24617985), реализующей следующие функции:

- автоматическое распознание социологической анкеты при создании нового опроса;

автоматическое создание социологической анкеты для мобильных устройств, позволяющей контролировать правильность ввода ответов;

-автоматический ввод ответов респондентов из файлов, нолученных с мобильных устройств, ручной ввод ответов с использованием манипулятора типа «мышь», а также непосредственно с помощью цифровой клавиатуры;

- автоматическое определение половозрастного, образовательного состава и состава социальных групп принявших участие в опросе респондентов;

- контроль правильности ответов на вопросы при вводе ответов респондентов (наличие ответов и соответствие их количества необходимому [¡а каждый вопрос анкеты, отсутствие лишних ответов, выявление ошибок логических связей между ответами и т. д.);

2

- автоматическое формирование выборки респондентов, удовлетворяющей требованиям таблицы количества половозрастного, образовательного состава и состава социальных групп;

- автоматическое формирование задания на опрос недостающих респондентов;

- вывод результатов опроса в виде абсолютного и процентного количества ответивших респондентов с диаграммами в текстовый файл;

- анализ результатов социологического опроса различными способами;

- расчет средних значений на основе N-ro числа выборок;

- прогнозирование результатов выборов на основе рейтинга определившихся;

- построение истории вопросов анкет за заданный период времени.

Комиссией установлено, что разработанный Кузнецовым A.M.

программный продукт показал перспективность использования для сбора, обработки и хранения данных результатов социологических исследований с последующим применением методов интеллектуального анализа данных. Информационная система реализует удобный доступ к архивам данных и знаний на основе онтологий предметной области.

Установлено, что использование данной информационной системы позволило существенно ускорить процесс ввода и обработки результатов социологических опросов (ориентировочно на 20-25 %). Экспериментальная апробация системы показала, что погрешность прогнозирования результатов событий на основе результатов социологический исследований лежит в пределах допустимого (3-10 %).

Комиссия рекомендует продолжить опытную эксплуатацию рассматриваемого программного комплекса с целью совершенствования его рабочих параметров и тестирования.

Председатель комиссии: Главный научный сотрудник НИИ цифровых технологий и права

Члены комиссии: Старший научный сотрудник НИИ цифровых технологий и права

Младший научный сотрудник НИИ цифровых технологий и права

«М' » октября 2024 г.

Акт внедрения в Центре управления регионом

г

Автономная некоммерческая организация ltu развитию цифровых проектов в сфере общественных связей и коммуникаций «Диалог Регионы»,

отдел по работе с Тамбовской областью

■0ч, M-ti/. f?'-- 2П25 г.

АКТ

использования результатов диссертационного исследования Кузнецова A.M. на тему «ПРОАКТИВНАЯ АВТОМАТИЗИРОВА11НАЯ ИНФОРМАЦИОННАЯ СИСТЕМА ОБРАБОТКИ ИНФОРМАЦИИ СОЦИОЛОГИЧЕСКИХ ИСС ЛЕДОВ AI 1ИЙ>;

Настоящим актом удостоверяется, что в практической деятельности компании AHO jю развитию цифровых проектов в сфере общественных связей и коммуникаций «Диалог Регионы» нашли применение следующие результаты, полученные в диссертации:

L Разработанная автором модель про активного прогнозирования для проактнвной автоматизированной информационной системы обработки информации социологических исследований (ПАИС ОИСИ) социологических исследований, которая объединяет потенциал нейросетей с длительной кратковременной памятью (LSTM) и механизмов трансформера, используемых в модели BERT, для перевода текстовых данных, полученных из ответов на социологические опросы, в векторы.

2. Разработанный автором модуль прогнозирования (фреймворк) позволил объединить различные методологические подходы и аналитические инструменты для обработки и анализа социологических данных. Разработанная архитектура модуля объединяет методы статистического анализа, анализ временных рядов и сезонных эффектов, а также методы машинного обучения, что обеспечивает комплексный подход к прогнозированию социологических явлений, Внедрение модул* значительно повысило точность и обоснованность прогнозов (примерно на 5%), благодаря использованию продвинутых алгоритмов и оптимальному выбору методов анализа на основе характеристик данных.

3, Онтологический подход в классификации и обработке данных, который позволяет значительно улучшить классификацию и семантическую обработку информации, сократить время на поиск релевантной информации. Такая методика существенно повышает качество исследовательских процессов.

позволяя реализовывать сложные запросы и анализы, что необходимо для комплексного и детального исследования социальных явлений. Перечисленные выше научно-исследовательски« результаты взяты на вооружение спецнал истами компании и нашли применение при формировании облика перспективных систем, связанных с обработкой разнородных данных.

Председатель комиссии Руководитель Центра управления регионом Тамбовской области

Члены комиссии Старшин специалист по исследованиям

Ал а м ад Д. И,

Протокол результатов опытной эксплуатации проактивной автоматизированной информационной системы обработки информации

социологических исследований

Автономная некоммерческая организация по развитию цифровых проектов в сфере общественных связей » коммуникаций «Диалог Регионы»,

отдел по работе с Тамбовской областью

от -Ж m; Г.

Протокол

результатов опытной эксплуатации проактивной автоматизированной информационной системы обработки информации социологических исследований

1. Общие сведения

* Дата проведения: с 1 сентября 2023 г, по 20 марта2025 года Место проведения: г. Москва, г. Тамбов

Огветствениыс лица: Гладышева Ю.Б. (руководитель проекта), Нуждина К.С. (системный аналитик), Семенова Е.А. (тестировщик)

2. Цель и условии опытной эксплуатации

Оценка функциональности и эффективности проактивной автоматизированной информационной системы обработки информации социологических исследований (ПАИС ОИСИ) при проведении социологических опросов с использованием мобильных устройств и дальнейшей обработки данных-

В проведении опросов за указанный период участвовали 3 инженера предприятия. Опросы подготавливали 2 социолога. В опросах участвовали 2400 респондентов.

3. Проведенные тесты и процедуры

1. Создание анкет: Создание опроса через меню: Опрос -> Создать (клавиша F5).

П Создание анкеты для мобильных устройств через меню: Опрос -> Создать *.xml анкету {клавиша FI I),

Копирование анкеты на мобильные устройства.

2. Проведение опросов:

С Ввод данных осуществлялся с мобильных устройств.

3. Загрузка результатов опросов; Загрузка опроса в программу через меню: Опрос -> Загрузить (клавиша

F6).

□ Загрузка данных респондентов через меню: Ввод респондентов -> Из файлов *.xinl (сочетание клавиш Shift+Insert). Проверка корректности загрузки данных.

4. Результаты тестирования

X Центр 1 у. \. :■■.-. : ■ чп

3. Загрузка результатов опросов:

• Загрузка опроса в программу через меню: Опрос -> Загрузить (клавиша F6).

■ Загрузка данных респондентов через меню: Ввод респондентов -> Из файлов *.xrnl (сочетание клавиш Shift-Insert).

• Проверка корректности загрузки данных.

4. Результаты тестирования

1. Технические параметры:

• Среднее время отклика системы: 2 секунды.

• Доступность системы: 99.8%.

• Количество сбоев: 1 сбой, время восстановления - 5 минут.

2. Качество данных.

• Процент ошибок в данных: 0,2%.

• Время обновления данных: менее 1 часа.

3. Производительность:

• Количество обработанных запросов: 1500 запросов в минуту.

■ Время на выполнение типовых операций: 3 секунды.

4. Аналитические возможности:

• Количество доступных отчетов: более 20.

■ Гибкость настройки отчетов: высокая.

5. Заключение

Опытная эксплуатация 11АИС ОИСИ показана высокую эффективность и надежность системы при проведении социологических опросов и обработке данных. Система обеспечивает быстрое создание опросов, удобство использования мобильных устройств, точность и оперативность обработки данных, достаточную точность прогнозирования, а также высокую удовлетворенность пользователей.

Применение ПЛИС ОИСИ позволяет сократить время организации и проведения социологических исследований на 15-20% по сравнению с имеющимися в организации системами.

6. Рекомендации

• Внедрение ПАИС ОИСИ в постоянную эксплуатацию.

• Дополнительное обучение пользователей для повышения эффективности работы с системой.

■ Проведение регулярных проверок и обновлений системы для поддержания ее работоспособности и безопасности.