ИССЛЕДОВАНИЕ МЕТОДОВ ПОСТРОЕНИЯ КАУЗАЛЬНЫХ ГРАФОВЫХ МОДЕЛЕЙ ДЛЯ СЛОЖНЫХ СОЦИОГУМАНИТАРНЫХ СИСТЕМ
Аннотация
Сложные социогуманитарные системы - это разновидность систем, которые изучаются в
социологии, антропологии, экономике, политологии, и других гуманитарных науках. Эти системы
характеризуются сложностью взаимодействий между их составляющими элементами, которые
могут быть как людьми (индивидами, группами), так и культурными, социальными, экономиче-
скими и политическими аспектами. Например, общество как социогуманитарная система состо-
ит из различных элементов, таких как люди, культура, институты, ценности и так далее.
Они взаимодействуют между собой, образуя сложную сеть связей и влияний, которая определяет
поведение и развитие общества. Чтобы лучше понять такие системы, используются различные
подходы, включая системный анализ, социальную сетевую теорию, теорию сложности и другие
методы. Эти подходы помогают выявить основные закономерности в функционировании слож-
ных социогуманитарных систем и предсказать их развитие в будущем. В данной статье рас-
сматриваются подходы к выявлению причинно-следственных связей, выделяются основные тре-
бования к построению этих связей в контексте сложных социогуманитарных систем, имеющих
дело, в основном, со слабоструктурированной информацией, часто в виде естественного языка и
текстов. Были определены слабые и сильные стороны выявленных подходов, а также рассмотре-
ны примеры использования современных методов построения графов на разных задачах: выявле-
ние рисков в бизнесе, анализ социальных явлений, выявление наличия причинности в текстах. Ис-
следование показало, что наиболее продуктивными являются методы машинного обучения, на-
пример языковые модели для извлечения знаний из текста в совокупности с нейросетевыми тех-
нологиями и графовым представлениями знаний. Они требуют уверенных знаний математики,
статистики и программирования, как минимум на языке Python, имеющих самую внушительную
инструментальную поддержку для решения задач машинного обучения. Также, выявление причин-
ности основывается не только на корреляции, но и на других методах, таких как тест Грейнд-
жера, используемый для анализа временных рядов.
Литература
Social Science Research, 2022, Vol. 108, 102799. ISSN 0049-089X.
2. Lahti H., Kulmala M., Hietajärvi L., Lyyra N., Kleszczewska D., Boniel-Nissim M., Furstova J., van
den Eijnden R., Sudeck G., Paakkari L. What Counteracts Problematic Social Media Use in Adolescence?
A Cross-National Observational Study, Journal of Adolescent Health, 2024, Vol. 74, Issue 1,
pp. 98-112. ISSN 1054-139X.
3. Asteriou Dimitros, Hall Stephen G. ARIMA Models and the Box–Jenkins Methodology, Applied
Econometrics. 2nd ed. Palgrave MacMillan, 2011, pp. 265-286. ISBN 978-0-230-27182-1.
4. Terence C. Mills. Time Series Techniques for Economists. Cambridge University Press, 1990. ISBN
978-0-521-34339-8.
5. Percival Donald B., Walden Andrew T. Spectral Analysis for Physical Applications. Cambridge University
Press. 1993. ISBN 978-0-521-35532-2.
6. Shumway R.H. and Stoffer D.S. Time Series Analysis and Its Applications: With R Examples. Springer,
2017. DOI: 10.1007/978-3-319-52452-8.
7. Gers F., Schraudolph N., Schmidhuber J. Learning precise timing with LSTM recurrent networks
(engl.), Journal of Machine Learning Research: journal, 2002, Vol. 3, pp. 115-143.
8. Greff K., Srivastava . K., Koutník Jan, Steunebrink Bas . , Schmidhuber Jürgen. LSTM: A Search
Space Odyssey, Neural and Evolutionary Computing, 2015
9. Gers F.A., Schmidhuber J. LSTM Recurrent Networks Learn Simple Context Free and Context Sensitive
Languages (engl.), IEEE Transactions on Neural Networks (engl.) russ.: journal, 2001, Vol. 12,
No. 6, pp. 1333-1340. DOI: 10.1109/72.963769.
10. Kaminski M., Ding M., Truccolo W.A., Bressler S.L Evaluating causal relations in neural systems:
Granger causality, directed transfer function and statistical assessment of significance, Biol Cybern,
2001, 85, pp. 145-57.
11. Ancona N., Marinazzo D., Stramaglia S. Radial basis function approaches to nonlinear Granger causality
of time series, Physical Review E, 2004, Vol. 70, 056221.
12. Arendt F., Mestas M. Suicide among soldiers and social contagion effects: An interrupted time-series
analysis, Social Science & Medicine, 2023, Vol. 320, 115747. ISSN 0277-9536.
13. Ding L., Chen J., Du P., Xiang Ya. Event causality identification via graph contrast-based knowledge
augmented networks, Information Sciences, 2024, Vol. 656, 119905.
14. ConceptNet. Режим доступа: Available at: https://conceptnet.io/ (accessed 28 March 2024).
15. Bond F., Paik K. A survey of wordnets and their licenses, In Proceedings of the 6th Global WordNet
Conference (GWC 2012). Matsue, 2012, pp. 64-71.
16. Bond F., Vossen P., McCrae John. CILI: the Collaborative Interlingual Index./ F. Bond, P. Vossen,
John McCrae, Christiane Fellbaum, In Proceedings of the 8th Global WordNet Conference
(GWC2016). Bucharest, 2016, pp 50-57.
17. Pre-training of deep bidirectional transformers for language understanding, Proceedings of the 2019
Conference of the North American Chapter of the Association for Computational Linguistics: Human
Language Technologies, (Vol. 1: Long and Short Papers), 2019, pp. 4171-4186.
18. Cheng F., Miyao Y. Classifying temporal relations by bidirectional lstm over dependency paths, Proceedings
of the 55th Annual Meeting of the Association for Computational Linguistics, 2017, Vol. 2:
Short Papers, pp. 1-6.
19. Hajime Sasaki, Motomasa Fujii, Hiroki Sakaji, Shigeru Masuyama. Enhancing Risk Identification
with GNN: Edge Classification in Risk Causality from Securities Reports, International Journal of Information
Management Data Insights, 2024, Vol. 4. Issue 1, 100217. ISSN 2667-0968.
20. Wu Lingfei, Cui Peng, Pei Jian; Zhao Liang. Graph Neural Networks: Foundations, Frontiers, and
Applications. Springer Singapore, 2022, 725 p.
