ИССЛЕДОВАНИЕ МЕТОДОВ ПОСТРОЕНИЯ КАУЗАЛЬНЫХ ГРАФОВЫХ МОДЕЛЕЙ ДЛЯ СЛОЖНЫХ СОЦИОГУМАНИТАРНЫХ СИСТЕМ
Ключевые слова:
Каузальные графы, построение причинно-следственных связей, представление знаний, машинное обучение, социогуманитарные системы, выявление причинностиАннотация
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.
