CC BY
40
2018.03.008. А.А. АЛИ-ЗАДЕ. «БОЛЬШИЕ ДАННЫЕ» И МЕТОДОЛОГИЯ ОБЩЕСТВЕННЫХ НАУК. (Обзор).
Ключевые слова: «большие данные»; общественные науки; методология; методы; компьютерные технологии коммуникации; социально-техническая система; интерфейсы; когнитивные науки; качественный анализ; компьютерная автоматика; соисследо-вание; онлайн-исследования.
В связи с появлением новой реальности «больших данных» -прямого порождения социальной среды, выстраиваемой компьютерными технологиями коммуникации, - требуется обновление исследовательской тематики и теоретико-методологического арсенала. Необходим адекватный исследовательский ответ на радикальное изменение социума, ставшего социумом интерфейсов, взаимодействия человека и компьютерной автоматики, которая сегодня необратимо завоевывает социальную коммуникацию, превращая ее в глобальное технологическое пространство производства «больших данных».
Режим интерфейсов, в который благодаря информационно-коммуникационным технологиям (ИКТ) вошло современное социальное взаимодействие, повернул исследовательское внимание к человеческим возможностям работать с информацией, производимой в интерфейсах, т.е. с информацией в формате «больших данных». Это привело к возникновению в области общественных наук специального исследовательского направления, изучающего в рамках так называемых когнитивных наук человеческую способность осваивать «большие данные» как информацию нового качества, производимую через многообразные компьютерные устройства. Существуют многочисленные прикладные исследования, посвященные реальности «больших данных» именно в аспекте изучения когнитивной адаптации человека к автоматизированной (компьютерной) информации в условиях трансформации общества в систему взаимодействия человека и компьютерной автоматики. Исследователи, работающие в этом направлении, пытаются выстраивать и тестировать различные когнитивные механизмы принятия решений, которые принимаются в крайне быстрой и высокотехнологичной коммуникационной среде, обрушивающей «большие данные» на когнитивный аппарат человека (26). При этом особый упор де-
лается на исследовании когнитивного механизма принятия решений (1) по критическим инцидентам и (2) в экспериментальных условиях максимальной имитации полевых условий. Можно выделить две причины: 1) «присущая критическим инцидентам сложность, их многообразный и системный состав (они не представляют бессвязный унитарный ряд проблем), делающий вызов задаче нахождения по ним ключевых решений»; 2) «принятие решений в реальном времени характеризуется цейтнотом, неопределенностью, высокими ставками и рисками, конфликтом целей, организационными ограничениями - элементами, которые в лаборатории воспроизвести весьма непросто» (1, с. 256).
Исследования в области когнитивных наук поставили в актуальную повестку вопрос методологии качественного анализа, характеризующего общественные науки в отличие от естествознания, в котором главным является количественный анализ, математически моделирующий предмет естественно-научного познания. Собственно человеческая / социальная реальность, которой занимаются общественные науки, - в принципе реальность качественная, допускающая количественную обработку весьма опосредованно и приблизительно. Количественные модели этой реальности представляют не более чем эмпирические данные, подлежащие интерпретации, т.е. качественному анализу. Тем более радикально перестроенная компьютерными технологиями коммуникации социальная среда, ставшая в силу социально-сетевого / многосубъектного своего характера гораздо более неопределенной, непредсказуемой, «качественной» реальностью, чем она была до развития ИКТ, потребовала соответствующей перестройки общественных наук как области прежде всего качественного анализа, существенно повысив его значение (1, с. 260).
В современной методолого-научной литературе для исследований в области когнитивных наук предлагаются различные методы качественного анализа в новых социальных и исследовательских условиях, удовлетворяющие исследовательскому моделированию событий высокого риска. Например, с помощью метода моделирования микромиров (micro-world simulations) создаются сложные, компьютерные, поведенческие модели для исследования умений динамичного принятия решений и решения комплексных проблем. Умение динамично принимать решения подразумевает эффектив-
ные решения в условиях сложных взаимосвязей, ограничений предыдущими действиями, необходимости постоянной адаптации и дефицита времени. Подобным образом умение решать комплексные проблемы связано с принятием решений в условиях, характеризуемых дефицитом прозрачности (только некоторые переменные непосредственно наблюдаемы), плюрализмом целей, сложностью из-за ситуативных вызовов, взаимозависимостью (изменения в одной переменной влияют на другие переменные), динамичностью (нужны ответы, сделанные вовремя) и эффектами отложенного времени (отложенные последствия). Метод моделирования микромиров используется для исследования принятия критических решений путем помещения участников в интерактивные условия, где их решения влияют на текущую и будущую ситуации (1, с. 261).
Другой метод - моделирование сред «погруженного» познания (МСПП) (immersive simulated learning environments) - характеризуется: а) вовлечением экспертов; б) признанием системной взаимосвязи проблем критического инцидента; в) когнитивным и психологическим погружением в моделирование критического инцидента для максимального воспроизведения полевой ситуации. Метод МСПП отличается от метода моделирования микромиров только тем, что распространяет моделирование на сложности, связанные с решением командами-организациями, работающими по проблемам критических инцидентов, неспецифических, экзогенных задач (1, с. 263).
Для изучения поведения человека в новой информационно-коммуникационной реальности - реальности «больших данных» -предлагается также метод когнитивного анализа задачи (КАЗ), призванный исследовать развитие когнитивных навыков осмысления новой, основанной на ИКТ действительности именно в отношении навыка КАЗ. Иными словами, предлагаемый метод представляет некое метаисследование, поскольку нацелен на изучение эффективности самого когнитивного анализа, т.е. представляет когнитивный анализ когнитивного анализа. По важному замечанию исследователей, КАЗ как метаанализ (когнитивный анализ когнитивного анализа) помогает вскрыть процесс сбора и изучения данных («больших данных») (24).
Разработки в рамках когнитивных наук явно демонстрируют исследовательский интерес к взаимосвязи между превращением
современного общества в глобальную систему взаимодействия человека и компьютерной автоматики (основанную на компьютерных технологиях коммуникации) и феноменом «больших данных», с которым вынуждены иметь дело операторы тотального интерфейса на разных операциональных уровнях: 1) операторов разного рода специализированных автоматизированных систем; 2) операторов -пользователей социальных сетей.
Исследователи, занимающиеся операционным уровнем (1), пытаются понять и смоделировать механизмы когнитивной работы операторов, находящихся в автоматизированной (компьютерной) информационной среде «больших данных». Так, исследователи из США отмечают, что в связи с технологическим прогрессом растет ответственность людей за взаимодействие со сложными, многофункциональными механизированными системами в самых разных областях - контроля воздушных перевозок, установок ядерной энергии, медицинской практики, беспилотных механизмов и т.д. Это новое информационное давление вынуждает операторов работать на пределе когнитивных возможностей. Значит, полагают они, в противоположность многочисленным исследованиям феномена механизации, где этот феномен анализируется как некая отчужденная от человека данность, с которой человек взаимодействует, получая какие-то выгоды и терпя какие-то убытки, необходимо исследовать механизацию в ее отношении к когнитивным ресурсам человека - механизацию со встроенным в нее когнитивным измерением (23).
«Компьютерные технологии сделали механизацию компонентом человеческого сознания как информационного (когнитивного) процесса, который призвана поддерживать механизация. Некоторые механизированные системы таким образом и сконструированы, например система автопилотирования в самолетах позволяет оператору регулировать уровень механизации в любое время и тем самым выступает системой адаптивной механизации - адаптивной в смысле адаптации механизированной системы к меняющимся потребностям оператора путем соответствующего автоматического изменения уровня механизации с целью избежать проблем, обычно возникающих в условиях статической механизации. Адаптивная модель удерживает более низкий уровень механизации в рутинные рабочие периоды, позволяя оператору сохранять контроль над ме-
ханизированной системой без риска сбоя работы системы в целом. При возрастании требований к оператору адаптивная механизированная система будет реагировать повышением уровня механизации. Такое поведение системы ослабляет рабочую нагрузку оператора, освобождая его когнитивные ресурсы для их сосредоточения на критических в эти периоды элементах выполняемой задачи» (23, с. 312).
Понятие «адаптивная механизация» хорошо отражает суть общества, ставшего благодаря компьютерным технологиям коммуникации глобальной системой взаимодействия человека и компьютерной автоматики, в которой человек и создаваемая им автоматизированная среда слились в неразрывное целое, производящее и обрабатывающее огромные объемы информации («больших данных»), что характеризует эту систему уже как информационное («больших данных») общество. Иными словами, исследования в области когнитивных наук есть определенный ответ общественных наук на вызов «больших данных». Феномен «больших данных» порожден слиянием человеческого / когнитивного и технико-технологического измерений социальной жизни, поэтому необходимо именно это слияние сделать предметом исследования, изучать, как человек решает когнитивную задачу оперирования «большими данными», по сути дела, задачу своей адаптации к информационному обществу. Тем самым исследования, ведущиеся в области когнитивных наук, подсказывают для общественных наук новую методологическую парадигму, согласно которой с «большими данными» следует работать, осознавая, что они производятся, воспринимаются и анализируются в системах интерфейса, будь это интерфейсы социальных сетей или специализированных автоматизированных систем. В эти интерфейсы должны непосредственно вовлекаться и исследователи «больших данных», становясь участниками процессов производства, восприятия и анализа этих данных.
Исследования в области когнитивных наук не просто подсказывают, но сами реализуют эту новую методологию. Этот факт иллюстрирует, например, разработка понятия «когнитивная готовность» (25), которое определяется его разработчиками как «психологическое и социологическое знание, а также умения и позиции отдельных людей и членов команд, необходимые для фор-
мирования и поддержания компетентного профессионального поведения и ментального благополучия (mental well-being) в динамичных, сложных и непредсказуемых условиях» (14, с. 96). Ссылка в этом определении на «динамичные, сложные и непредсказуемые условия» и есть описание современной социальной среды с ее мгновенной онлайн-коммуникацией и онлайн-выплеском «больших данных». Она требует от людей (а не только от специализированных структур быстрого реагирования) находиться в постоянной «когнитивной готовности», которая не может не исследоваться по методологии проведения соответствующего эксперимента «с акцентом на перенос компонентов когнитивной готовности в динамичные, стрессовые, непредсказуемые условия, поскольку такой перенос, собственно, и устанавливает средства достижения когнитивной готовности. Подобный перенос - основной элемент, связывающий требования компетентной реализации когнитивной готовности в сложной и непредсказуемой среде с требованиями тренинга и практики когнитивной готовности. Этот тренинг нацелен на ментальную подготовку человека (сообщая ему определенные знания, умения и позиции) к выполнению сложных динамичных задач» (14, с. 99).
Существует множество прикладных исследований, моделирующих работу людей с информацией в эпоху «больших данных» и ведущих соответствующие методологические поиски, которые вносят вклад в формирование новой методологической парадигмы общественных наук. Это формирование происходит на той теоретико-методологической базе, согласно которой реальная деятельность человека обычно далека от идеальной упорядоченности и несет на себе неизгладимый этнографический отпечаток, поскольку всегда встроена в определенную этнографическую культуру. Поэтому изучение социального поведения человека как реальной человеческой деятельности должно выливаться в долговременное когнитивное и этнографическое исследование, позволяющее не только интерпретировать полученные результаты, но и обеспечить исследованию более глубокое обоснование. Исследуемая этнографически реальная человеческая деятельность вовлекает множество операторов в их взаимодействии друг с другом и сложными техническими системами, т.е. объект подобного исследования чрезвычайно сложный, системный, имеющий много аспектов и модально-
стей. Методологическая новизна такого рода исследований заключается в использовании ими, например, методологии «распределенных когнитивных усилий», позволяющей объяснять социальное поведение людей не в отдельности друг от друга, а в системе социального взаимодействия / социального обмена - в системе распределения когнитивных усилий и поведения между участниками социального действия.
В прикладных исследованиях влияния на человека перегруженной информацией («большими данными») социальной среды специально изучается профессиональное поведение людей под сильным информационным давлением и отмечается, что «чем дольше человек находится в "информационно атакующей" его среде, требующей от него повышенной когнитивной готовности / бдительности, тем больше он теряет в скорости и эффективности выполнения своей профессиональной задачи. Чтобы у людей длительно сохранялась высокая когнитивная готовность / бдительность, требуется постоянное стимулирование ее важной целью выполняемой ими работы - внимание людей все время должно быть мобилизовано этой целью, которая устойчиво должна воспроизводиться в их сознании» (15, с. 84).
Сегодня исследователями в области общественных наук признано, что общество в целом представляет сложную социально-техническую систему, в которой техническая сторона определяется компьютерной автоматикой и которая структурирована в соответствии с разными областями общественной жизни на множество сложных социально-технических систем. Для исследования каждой такой «областной» системы предлагается методология «когнитивного анализа работы системы» (КАРС), эффективная в исследовании взаимодействия людей, технологии и рабочего пространства. Это взаимодействие исследуется по четырем пластам: по пласту (1) средового контекста, внутри которого находится пласт (2) организационной структуры, «заселенный» пластом (3) индивидов, которые, используя стратегии, общепринятую информацию и целевые ориентиры, определенным образом взаимодействуют с пластом (4) технической системы, призванной в поддержку выполняемых задач. КАРС предусматривает пять фаз исследования этих пластов, каждый из которых имеет назначение выявлять ограничители работы социально-технической системы. Такими ограничителями вы-
ступают законы физики, регулятивные нормы, финансовые ограничения, организационные структуры, ограниченные когнитивные возможности человека (12, с. 3).
Известная еще с 1970-х годов методология КАРС не случайно стала актуальной в современном обществе, когда оно вошло в динамику, определяемую компьютерными технологиями, выстроившими общественную жизнь как систему интерфейсов. В этой системе человек-оператор живет уже внутри компьютерной автоматики и мало от нее отделим. Общество всегда было социально-технической системой, поскольку человек обустраивает среду своего обитания с помощью технологий. Однако компьютерные технологии особые. Они не просто традиционно «помогают» человеку, как это делают любые другие технологии, не стирающие дистанцию между ним и техникой, но вбирают его в себя, превращают в «социально-техническое» существо - оператора социально-технической системы. И это - новый человек и новое общество, где методология КАРС востребована гораздо сильнее, чем в обществе 1970-х годов. Поэтому сегодня так много исследований, посвященных работе системы «человек-машина». Поскольку эта система представляет социально-техническую систему - взаимодействие команды людей и автоматизированных систем, эти исследования определяют требования эффективного распределения функций внутри такого интерфейса. Чтобы во взаимодействии коллектива людей и машин было эффективное распределение функций, нужно правильно сконструировать этот интерфейс. И соответствующее конструкторское решение должно быть принято до начала работы интерфейса, поскольку это конструкторское решение должно программировать логику взаимодействия операторов и компьютерной автоматики (9, с. 24-25).
Формулируемые исследователями требования к конструированию эффективного рабочего пространства взаимодействия человека с компьютерной автоматикой представляют не что иное, как заявление новой повестки для исследований в области общественных наук. Происходит фактическая трансформация социальной реальности в систему компьютеризированных интерфейсов, оставляющих все меньше места для социального взаимодействия / социального обмена, не затронутого компьютерными технологиями коммуникации (19). Эту новую исследовательскую повестку де-
монстрируют, например, исследования, разрабатывающие методологию анализа адаптаций в повседневных рабочих ситуациях с целью создания модели управления безопасностью, основанной на изучении успешных адаптивных реакций социально-технической системы, т. е. системы организованного взаимодействия человека и технологии, на эмерджентные рабочие ситуации. Разработчики такой методологии считают, что изучение того, как практики справляются с текущими рисками и неожиданными событиями, угрожающими социально-технической системе извне, когда не помогают формальные инструкции и процедуры, позволяет достичь углубленного понимания сложностей рабочей ситуации, степеней прочности и уязвимости социально-технической системы. «Методология формирования стратегий адаптивного поведения социально-технической системы - инструмент, разрабатываемый для анализа того, как сложные системы адаптируются к текущим условиям своей работы, справляются с изменчивыми ситуациями и компенсируют ограниченность собственных возможностей. Такую методологию следует рассматривать как необходимое и весьма весомое дополнение к исследованию инцидентов и анализу рисков -дополнение, высвечивающее не только слабости, но и силу системы. Использование этой методологии дает информацию, которую нельзя получить, применяя традиционные методы анализа проблем безопасности в работе социально-технической системы. Выявление адаптивных способностей социально-технических систем обеспечивает направление конструкционного улучшения таких систем, в том числе в отношении введения новых технологий, тренинга, процедур» (20, с. 94).
«Большие данные» - это не только технократический феномен, открывший для общественных наук новую исследовательскую повестку, это еще и информационный феномен нового типа, вызывающий исследовательский интерес к тому, как потоки информации в обществе, в котором социальное взаимодействие / социальный обмен все больше обеспечивается компьютерными технологиями коммуникации, формируют у людей ментальные модели / картины мира - матрицы осознания людьми текущих ситуаций. «Осознание ситуации» - одно из ключевых понятий, разрабатываемых в прикладных исследованиях социального феномена «больших данных» (4; 7; 21).
Реагируя на ситуацию «больших данных», общественные науки делают предметом своего внимания онлайн-активность потребителей высокотехнологичных услуг. Например, они изучают такое массовое явление, как онлайн-самообразование людей самых разных возрастов в самых разных областях знания, а также стратегии поведения людей при работе с «большими данными» тех или иных специализированных сайтов. Так, одно из таких исследований посвящено выстраиванию когнитивной модели поведения взрослых людей, ищущих онлайн-информацию о своих проблемах со здоровьем. В исследовании отмечается, что «люди все в большей степени вовлекаются в медицинское самообслуживание, имея в своем распоряжении огромное число посвященных здоровью сайтов, которые содержат информацию о болезнях, лекарственном выборе, сохранении здоровья. Хотя эта онлайн-информация призвана помочь человеку в некотором смысле стать для себя медиком, невероятный ее объем и плюрализм могут сделать ее поиск и использование большой проблемой. Поскольку подобного рода онлайн-информация многообразна тематически и рассеяна по многим сайтам, пользователю необходимо проявить немалое когнитивное напряжение, чтобы из всех этих источников ее точно собрать и отфильтровать (22, с. 211).
Значение этого исследования заключается в том, что оно рассматривает простых пользователей Интернета в качестве онлайн-исследователей-непрофессионалов - аналитиков нужной им информации, использующих настоящие исследовательские стратегии информационного поиска онлайн. Академические исследователи идентифицируют два типа стратегий: 1) стратегии «снизу вверх», представляющие аналитический стиль поиска: поисковыми терминами становятся ключевые слова проблемы; такого рода осознанный, систематизированный, руководимый смысловыми маркерами поиск приводит к нахождению желаемой информации; 2) стратегии «сверху вниз», которые характеризуются простым «чтением подряд» любой информации по проблеме; у того, кто ищет, нет никакой систематизирующей поиск идеи, он не проводит селекцию информации, но вынужден читать ее всю (22, с. 212).
Этим обозначен принципиально новый подход в исследованиях социальной реальности, определяемой компьютерными и коммуникационными технологиями. Это подход к ней не как к
объекту исследовательского воздействия, а как к субъекту в лице субъектов реального социального процесса, идущего в онлайн-режиме. С этими субъектами академический исследователь вынужден устанавливать равноправные, субъектно-субъектные взаимоотношения, вовлекать их в постановку и решение исследовательских задач в качестве соисследователей, сам непосредственно вовлекаясь в изучаемый социальный процесс в качестве такого же соисследователя. Это вызванное феноменом «больших данных» формирование в общественных науках новой методологической парадигмы отчетливо демонстрируют социологические исследования, перешедшие на методы погружения в исследуемую реальность, диалога с ней в ее же, а не «лабораторном», контексте.
Исследователи не могут игнорировать появление чрезвычайно интересной для социологии области «больших данных» - огромного эмпирического материала, размещаемого на ресурсах Интернета и легко доступного исследователям. Нужен новый инструментарий социологического исследования - инструментарий онлайн-исследования. Положение традиционного социологического исследования пошатнулось из-за возрастающей аналитической активности в отношении социологических данных со стороны коммерческих организаций. Кроме того, неуклонное возрастание значения Интернета как средства массовой коммуникации и «океана» мнений, комментариев и индивидуальных самопрезентаций уже радикально реформировало социальное взаимодействие / социальный обмен. Все это открывает огромные возможности для исследователей-обществоведов, которые вынуждены переоценивать не только свои методологические подходы к пониманию процессов социальной коммуникации и социального взаимодействия, но и сами теории общества. Сегодня в распоряжении социолога, даже не имеющего финансирования и раньше с борьбой добивавшегося проведения интервью с маленькой выборкой респондентов, находятся сотни, тысячи, а то и миллионы (в случае с Твиттером) «респондентов» при явно меньших затратах усилий и времени. Скрытное присутствие исследователя на форумах в Интернете помогает решить проблемы, связанные с неизбежно возникающим эффектом, когда респонденты знают, что они именно участники исследования. Но есть и другая сторона - в этой новой исследовательской реальности существует вопрос честности онлайн-
респондентов, которые становятся для исследователя респондентами не по его выборке и которые поэтому вполне могут создавать ложные о себе впечатления без какого-либо исследовательского контроля. Сегодня это действительно большая проблема для работающего в виртуальном мире социолога. Самоотбирающиеся группы респондентов могут формировать искаженное представление о проблемах, что сильно затруднит оценку исследовательских данных или сделает ее невозможной. Но верно и то, что само по себе разрастание «больших данных», их многообразие будут сводить указанные искажения к минимуму, делать их хотя и неизбежной, но несущественной статистической величиной (5, с. 4).
Исследователи отмечают, что в настоящее время в общественных науках при исследовании разного рода проблемных социальных групп растет популярность приглашения в такие исследования непрофессиональных интервьюеров, способных разговаривать с проблемными сообществами на их языке. Почему привлекаются интервьюеры - резиденты исследуемых проблемных сообществ? В силу разных причин определенные социальные группы для исследователей менее доступны, чем прочие. И признавая некоторые социальные группы «невидимками», исследователи используют различные методы, чтобы «достучаться» до таких сообществ. В частности, они используют метод «снежного кома» (snowball), когда каждый участник исследования обязуется привлечь еще нескольких участников. В этих условиях оказывается востребованной давно принятая в этнографической науке методология «инсайдерского исследования» - исследования, проводимого членами сообщества, которое, собственно, и исследуется. Существует ряд методологий инсайдерского исследования, в которых: а) исследователи -члены исследуемых групп; б) «контактеры» вербуют членов из целевых групп; в) «резиденты» областей, интересующих исследователей, сообщают об образцах поведения и трендах в этих областях. Существует также методология «интервьюеров, равных интервьюируемым» (ИРИ), в которой ИРИ, определяемые как таковые по их жизненному опыту, вовлекаются в исследуемую группу для сбора качественных данных об этой группе. Извлекаемая исследователями польза от методологии ИРИ - лучшее понимание социально неодобряемых групп, более высокое качество исследования, легкий доступ в обычно малодоступные сообщества и более ком-
фортная обстановка исследования. Основное понятие методологии ИРИ - «экспертиза по опыту». Смысл этого понятия состоит в том, что сама по себе идентичность производит знание. Сторонники такой идеи убеждены, что идентичность того или иного индивида создает специфическое мировоззрение, а оно производит знание, рассматриваемое как аутентичное и обоснованное, поскольку базируется на жизненном опыте тех, кого исследуют. Поэтому и нужны ИРИ-инсайдеры исследуемого сообщества, обладающие информацией, недоступной для традиционных исследователей (аутсайдеров). Одно из достоинств методологии ИРИ - демократизация производства знания. И хотя практика привлечения ИРИ в академический исследовательский процесс может пока представляться достаточно экзотичной, главное в ее использовании - это новая школа для исследователей, их обучение и как методологов, и как ученых (8, с. 3-4, 14, 16).
Исследовательская практика сбора «больших данных» осуществляется также и по широко распространенной сегодня методологии «исследовательского наблюдения в виртуальных мирах» (ИНВМ). Виртуальные миры растут экспоненциально. Например, число зарегистрированных аккаунтов к 2013 г. достигло 200 млн; доля юных пользователей (9-13 лет) составляет 66,4 млн. Столь же популярны у многих миллионов пользователей и виртуальные миры других профилей. Очевидно, что исследовательская практика использования методологии ИНВМ весьма далека от прямолинейности. Исследователи должны быть осторожны в отношении интерпретации данных наблюдения из-за сложностей в определении, куда направлено внимание участников виртуальных миров, какие действия они предпринимают в данный момент и являются ли идентифицированные исследователем действия участников результатом намерения, или это ненамеренные действия, или просто технические ошибки. Для минимизации этих достаточно серьезных проблем методологии ИНВМ используется, например, стратегия мультиметодического исследования, которая сочетает разные исследовательские методы и позволяет создавать исследовательский «объем» в отношении изучения поведения участников виртуальных миров. «Объемное» исследование получается посредством объединения наблюдения физической и виртуальной активности - проведения живого, «лицом к лицу» интервью с участниками виртуаль-
ных миров, которые ранее наблюдались виртуально. Мультимето-дическое исследование с успехом применяется в этнографии. Этнографы используют наблюдения онлайн и оффлайн вместе с формальным и неформальным интервьюированием, анализом документов, фотографий и множеством других подходов (16, с. 162, 173).
Феномен «больших данных» способствовал разработке нетрадиционных исследовательских методов, часто обобщенно описываемых как парадигма исследовательского участия / партиципа-тивного исследования, когда исследователи находятся «внутри» изучаемой ими реальности (а не смотрят на нее «со стороны»), таким образом превращая аутсайдеров исследования в его инсайдеров, мотивированных высказывать новые идеи по важным социальным и политическим проблемам. В рамках этой парадигмы существует имеющий, по экспертному мнению, большой потенциал так называемый дельфийский метод. Дельфийский метод, получивший известность в конце 1960-х годов под названием конвенционального метода, призван устанавливать согласие и используется исследователями как инструмент принятия решений. Особенно хорошо он работает, когда нужно глубже понять проблемы, возможности, принять решения либо сделать прогноз. Но наиболее эффективен он в отношении проблем, которые трудно исследовать с помощью точных аналитических методов: требуется изучать субъективные суждения людей, чтобы сложить из них понимание таких проблем. Этот метод также применяется при изучении проблемы, относительно которой существует неполное знание или отсутствует единство мнений участников об исследуемом событии. Исследователи находят дельфийский метод полезным и при изучении ситуаций быстрых средовых изменений или возрастающей сложности, когда необходим пересмотр ранее достигнутого знания и перспектив развития ситуации.
Для успеха в исследованиях по дельфийской методологии важно произвести хорошо продуманную выборку участников, идентифицировать ключевых экспертов или «заинтересованных лиц». Защитники дельфийского метода утверждают, что смешанное исследовательское сообщество, сочетающее экспертов и неспециалистов, вполне может работать на повышение достоверности и сложности исследовательских результатов, поскольку неспециали-
сты склонны видеть проблемы с неожиданных сторон, они более чувствительны к контекстуальным проблемам и способны менять свои представления, получив новую информацию. Дельфийский метод, по экспертному утверждению, может широко использоваться в областях, отличающихся прямым и сильным взаимовлиянием теории и практики, таких как медицина, социальная работа, государственная политика и т.д. Поскольку этот метод стал широко применяться для лучшего понимания практического знания в областях, где теория и практика неразрывно переплетены, он распространил свой мандат на все без исключения исследовательские звенья, включая и привлечение неспециалистов в качестве полноправных исследователей (13, с. 143, 145, 147, 157). Исследователи в области общественных наук предлагают и другие методологические инновации:
- методологию изучения проблем повседневной-рутинной социальной практики людей, призванную к тому, чтобы дать новые ответы на вопросы о том, что такое общество (17);
- методологию анализа данных, опирающуюся на понятие коммуникационного напряжения - напряжений взаимодействия людей, которые, находясь на своих ментальных позициях, отстаивают их в дискуссиях по вопросам культуры, политики, экономики, социальной справедливости и т.д.;
- методологию качественного исследования, расширяющуюся и углубляющуюся, на основе освоения так называемых методов-умений, т.е. эмпирических (не опосредованных теорией) методов; методологию, пересматривающую образ «человеческого», помещенного в цифровые контексты (11);
- методологию «воплощения-овеществления» качественного исследования, сдвигающую исследовательское внимание к «телу» предмета общественных наук, к тому, что можно ощутить и почувствовать (6, с. 55);
- методологию онлайн-анализа поведения разных социальных групп, прежде всего проблемных, маргинализированных, сообществ в цифровой среде (3);
- методологию так называемой «активистской этнографии»; входящий сегодня в исследовательскую практику умышленно политизированный, активистский подход к качественному исследованию, который помогает исследователям работать с культурой и
практикой современных анархистских и антиавторитаристских социальных тенденций (2, с. 3);
- методологию исследования социальных процессов с помощью метода визуализации данных качественного исследования; этот подход позволяет увязывать в единую систему все сущности социального процесса в их контексте (18, с. 118);
- методологию изучения перформансов в кооперированном исследовании, когда члены исследуемого сообщества становятся соисследователями, а исследователи получают доступ к культурным кодам изучаемого сообщества через обсуждение с соисследо-вателями смысла различных перформансов сообщества, тем самым производя новые знания об изучаемой реальности и одновременно продвигая ее социальную практику (10).
Этот вызванный новой социальной реальностью (реальностью «больших данных») сдвиг в исследовательском инструментарии общественных наук привел не только к методологическим инновациям, но и к беспрецедентной демократизации научного метода, к свободному выбору любых методов. Они работают на получение знаний об обществе, которое уже не ждет, когда социологи произведут данные для теоретической социологии, а само активно снабжает их «большими данными», заставляя академических исследователей вступать с собой в равноправный диалог, равноправное сотрудничество.
Список литературы
1. Immersive simulated learning environments for researching critical incidents: A knowledge synthesis of the literature and experiences of studying high-risk strategy decision making / Alison L., Heuvel C., van den, Waring S., Power N., Long A., O'Hara T. // Journal of cognitive engineering and dedsion making. - 2013. - Vol. 7, N 3. - P. 255-272. - DOI: 10.1177/1555343412468113.
2. Apoifis N. Fieldwork in a furnace: Anarchists, anti-authoritarians and militant ethnography // Qualitative research. - 2017. - Vol. 17, N 1. - P. 3-19. -D0I:10.1177/1468794116652450.
3. Barratt M., Maddox A. Adive engagement with stigmatised communities through digital ethnoraphy // Qualitative research. - 2016. - Vol. 16, N 6. - P. 701-719. -D0I:10.1177/1468794116648766.
4. Bass E., Baumgart L., Shepley K. The effect of information analysis automation display content on human judgment performance in noisy environments // Journal of
cognitive engineering and decision making. - 2013. - Vol. 7, N 1. - P. 49-65. -DOI: 10.1177/1555343412453461.
5. The social sciences and the web: From «lurking» to interdisciplinary «big data» research / Bone J., Emele Ch., Abdul A., Coghill G., Pang W. // Methodological innovations. - 2016. - Vol. 9. - P. 1-14. - DOI: 10.1177/2059799116630665.
6. Chadwick R. Embodied methodologies: Challenges, reflections and strategies // Qualitative research. - 2017. - Vol. 17, N 1. - P. 54-74. - DOI: 10.1177/1468794116656035.
7. Degani A., Barshi I., Shafto M. Information organization in the airline cockpit: Lessons from flight 236 // Journal of cognitive engineering and decision making. -2013. - Vol. 7, N 4. - P. 330-352. - DOI: 10.1177/1555343413492983.
8. Enriching qualitative research by engaging peer interviewers: A case study / De-votta K., Woodhall-Melnik J., Pedersen Ch., Wendaferew A., Dowbor T., Guil-cher S., Hamilton-Wright S., Ferentzy P., Hwang S. // Qualitative research. - 2016. -P. 1-20. - DOI: 10.1177/1468794115626244.
9. Feigh K., Pritchett A. Requirements for effective function allocation: A critical review // Journal of cognitive engineering and decision making. - 2014. - Vol. 8, N 1. -P. 23-32. - DOI: 10.1177/1555343413490945.
10. Godden N. A co-operative inquiry using narrative, performative and visual methods // Qualitative research. - 2017. - Vol. 17, N 1. - P. 75-94. - DOI: 10.1177/1468794116668000.
11. Jewitt C., Price S., Sedo A. Conceptualising and researching the body in digital contexts: Towards new methodological conversations across the arts and social sciences // Qualitative research. - 2017. - Vol. 17, N 1. - P. 37-53. - DOI: 10.1177/1468 794116656036.
12. Jiancaro T., Jamieson G., Mihailidis A. Twenty years of cognitive work analysis in health care: A scoping review // Journal of cognitive engineering and decision making. - 2014. - Vol. 8, N 1. - P. 3-22. - DOI: 10.1177/1555343413488391.
13. Kezar A., Maxey D. The Delphi technique: An untapped approach of participatory research // International journal of social research methodology. - 2016. - Vol. 19, N 2. - P. 143-160. - DOI: 10.1080/13645579.2014.936737.
14. Kluge A., Burkolter D. Enhancing research on training for cognitive readiness: Research issues and experimental designs // Journal of cognitive engineering and decision making. - 2013. - Vol. 7, N 1. - P. 96-118. - DOI: 10.1177/15553434 12446483.
15. Langhals B., Burgoon J., Nunamaker J. Using eye-based psychophysiological cues to enhance screener vigilance // Journal of cognitive engineering and decision making. - 2013. - Vol. 7, N 1. - P. 83-95. - DOI: 10.1177/1555343412446308.
16. Mawer M. Observational practice in virtual worlds: Revisiting and expanding the methodological discussion // International journal of social research methodology. -2016. - Vol. 19, N 2. - P. 161-176. - DOI: 10.1080/13645579.2014.936738.
17. Michael M. Notes toward a speculative methodology of everyday life // Qualitative research. - 2016. - Vol. 16, N 6. - P. 646-660. - DOI: 10.1177/1468794115626245.
18. Payne L. Visualization in analysis: Developing ANT analysis diagrams (AADs) // Qualitative research. - 2017. - Vol. 17, N 1. - P. 118-133. - DOI: 10.1177/1468794116661229.
19. Pritchett A., So Young Kim, Feigh K. Modeling human-automation function allocation // Journal of cognitive engineering and decision making. - 2014. - Vol. 8, N 1. -P. 33-51. - DOI: 10.1177/1555343413490944.
20. Resilience in everyday operations: A framework for analyzing adaptations in high-risk work / Rankin A., Lundberg J., Woltjer R., Rollenhagen C., Hollnagel E. // Journal of cognitive engineering and decision making. - 2014. - Vol. 8, N 1. -P. 78-97. - DOI: 10.1177/1555343413498753.
21. Saetrevik B., Eid J. The «Similarity index» as an indicator of shared mental models and situation awareness in field studies // Journal of cognitive engineering and decision making. - 2014. - Vol. 8, N 2. - P. 119-136. - DOI: 10.1177/155534 3413514585.
22. Online information search performance and search strategies in a health problemsolving scenario / Sharit J., Taya J., Berkowsky R., Czaja S. // Journal of cognitive engineering and decision making. - 2015. - Vol. 9, N 3. - P. 211-228. - DOI: 10.1177/1555343415583747.
23. What to automate: Addressing the multidimensionality of cognitive resources through system design / Taylor G., Reinerman-Jones L., Szalma J., Mouloua M., Hancock P. // Journal of cognitive engineering and decision making. - 2013. -Vol. 7, N 4. - P. 311-329. - DOI: 10.1177/1555343413495396.
24. Tofel-Grehl C., Feldon D. Cognitive task analysis-based training: A meta-analysis of studies // Journal of cognitive engineering and decision making. - 2013. - Vol. 7, N 3. - P. 293-304. - DOI: 10.1177/1555343412474821.
25. Predicting team performance in a dynamic environment: A team psychophy-siological approach to measuring cognitive readiness / Walker A., Muth E., Switzer F., Rosopa P. // Journal of cognitive engineering and decision making. -2013. - Vol. 7, N 1. - P. 69-82. - DOI: 10.1177/1555343412444733.
26. Ward P., Ericsson K., Williams A. Complex perceptual-cognitive expertise in a simulated task environment // Journal of cognitive engineering and decision making. -2013. - Vol. 7, N 3. - P. 231-254. - DOI: 10.1177/1555343412461254.
2018.03.009. НАНАЙ Б. ЧЕМУ ПОППЕР НАУЧИЛСЯ У ЛАКА-ТОСА?
NANAY B. What did Popper learn from Lakatos? // British journal for the history of philosophy. - 2017. - Vol. 25, N 6. - P. 1202-1215. -DOI: 10.1080/09608788.2017.1298514. - Mode of access: ttps://www. tandfonline.com/doi/full/10.1080/09608788.2017.1298514
