Коллеги-кабинетники! Ищу коллегу в Центр исследований Т-Банка, где сама работаю.

Вакансия: https://hh.ru/vacancy/118761284?from=employer&hhtmFrom=employer

Заглянул туда, где щедро отсыпают знания. Только успевай подставлять ладошки😄

arXiv.org - место хранения научных статей, в т.ч. и по иишной тематике.

Я пришел туда с конкретной целью: найти рабочие подходы для анализа юридических документов с помощью ллм. В интернетах не так уж и много полезной инфы.

Опишу свой подход по поиску полезнях:

1. Начало базовое стандартное: делаю поисковые запросы по теме. Полученные результаты поисковой выдачи отправляю Клоду с вопросом "а есть знания? а если найду?"
"сообщи список статей, которые могут касаться работы с юридическими документами или извлечения смыслов"

2. Сохраняю нужные мне статьи из поисковой выдачи.
И так перебираю далее еще десяток страниц с выдачей.

3. Следом, по очереди отдаю Клоду по одному документу с таким промптом:
Мне нужно проанализировать эту статью.
Я сейчас занимаюсь анализом юридических документов с помощью LLM
Меня интересует:
1. о чем это исследование и ключевые выводы. методы, которые в нем использовались (3-5 предложений)
2. есть ли информация об извлечении смыслов из документа?
3. используемая методология извлечение и обработки смыслов
4. какие знания можно использовать в моем сервисе по анализу документов? жди документ

4. Если документ оказался релевантным – я перевожу эту пдфку с яндекс переводчиком и изучаю уже подробнее

Таким образом за несколько дней аналитики нашел достаточно интересностей, которые расширили мой кругозор🤔 Там, кстати, про ИИ агентов ну очень много вкусного постоянно появляется.

Надеюсь, хоть кого-то вытащил из творческого ступора❤️

Как я перестала бояться новых тем и начала их понимать (секрет от науки о памяти!)

"Понимание контекста – это половина успеха в деле восприятия, обработки и запоминания информации." Эти слова Елены Сосновцевой из книги "Memento memory" попали прямо в точку! Как человек, занимающийся кабинетными исследованиями, я постоянно сталкиваюсь с необходимостью быстро погружаться в совершенно новые для меня темы. И признаюсь, раньше это вызывало у меня панику.

Только представьте: еще вчера я изучала глобальные тренды в образовании, а сегодня мне нужно срочно разобраться в ИТ-рынке Бразилии! Сроки горят, информации море, и все кажется каким-то "птичьим языком", как описывает Елена свой опыт на выставке. Знакомо?

Я долго мучилась, пытаясь сразу "впитать" все, но в итоге в голове оставалась каша. Помню, как пыталась разобраться в бразильских стартапах, и чувствовала себя абсолютно потерянной. Пока не выработала свою систему, которая, как оказалось, подтверждается наукой о памяти!

Теперь я делаю так:

1. Первое погружение: Гуглю 10-15 страниц с обзорами, отчетами, новостями по теме. Просто бегло просматриваю, чтобы уловить основные понятия, тренды, ключевых игроков. Например, когда изучала ИТ-рынок Бразилии, искала информацию о ключевых компаниях, правительственных программах поддержки и основных технологических трендах.

2. Перерыв – это важно! Самое главное – после этого я откладываю задачу до следующего дня.


И вот тут начинается магия! За ночь мозг как бы "переваривает" полученную информацию, выстраивает первые нейронные связи. На следующий день, когда я возвращаюсь к теме, все кажется уже не таким чужим и непонятным.

Как пишет Елена Сосновцева, когда мозг – "чистый лист", новой информации не за что зацепиться. Но после первого погружения и перерыва, у меня уже есть какой-то контекст, какие-то "крючки", к которым можно прицепить новые знания.

Этот метод помогает мне избежать перегрузки, усвоить хотя бы базовый контекст и, самое главное, перестать бояться новых тем.

Оказывается, мой интуитивный подход подтверждается наукой! Елена Сосновцева в своей книге объясняет, что без контекста информация просто "проваливается в никуда". А вот когда есть система знаний, новая информация легко "прицепляется" к уже существующим знаниям и лучше запоминается.

Приглашаем принять участие в опросе посвящённом применению ИИ в деятельности исследователей. 

Мы стремимся собрать информацию о том, как исследователи используют ИИ в своей работе, какие инструменты предпочитают, и какие задачи решают с его помощью. 

Ваши ответы помогут нам понять, как ИИ может быть полезен в различных аспектах маркетинговых, социологических, продуктовых, CX, UX/UI исследований и как можно улучшить существующие решения для поддержки вашей работы. 


Результаты будут презентованы на митапе к 5летию чату рисёчеров.

Ссылка на анкету:
https://docs.google.com/forms/d/e/1FAIpQLSe_BtcZvzuBp6liGZSs6DEPAwvSLYuB1X8GQoRCtc6jIGmVEQ/formResponse

🎤 Как превратить голос в текст (и сэкономить кучу времени)

Иногда идеи приходят не тогда, когда сидишь за компьютером, а где-нибудь в дороге или на прогулке. Я, например, часто набрасываю заметки голосом — так быстрее и проще, чем печатать. Особенно, когда лень или руки заняты.

Раньше эти голосовухи оседали в чатах и терялись. Теперь я просто скидываю их Memo AI — бот превращает аудио и видео в текст за пару минут.

📌 Что удобно:
— Можно расшифровать голосовые, кружочки и даже видео с YouTube.
— Бот сразу делает краткое содержание (если нет сил читать всё).
— Делит текст на тайм-коды и определяет, кто говорит.
— Можно скачать расшифровку в PDF, Word или TXT — в каком формате удобнее работать.

Если вам тоже проще говорить, чем печатать — попробуйте. Есть бесплатные минуты на тест: https://t.me/VoiceTextAI_bot?start=_tgr_t-CCJidhNjdi

Теория, которая ускользнула: история о непонимании, механическом чтении и едва спасенном дипломе

Поддерживаю идею поговорить о познавательном опыте через рассказ о том, что не получилось. Спасибо, Учусь, как умею

В магистратуре теория социальных исследований и науки и техники стала для меня настоящим кошмаром. Предмет, который должен был расширить мои горизонты, превратился в источник постоянного стресса и тревоги. Сложные тексты на английском, незнакомые понятия, неспособность увидеть связь с практикой – все это создавало огромный познавательный барьер. Я привыкла к конкретным результатам в прикладных исследованиях, где все можно измерить и представить в виде графиков. А тут нужно было мыслить абстрактно, выстраивать сложные аргументы, анализировать теории, что казалось мне совершенно невозможным. И, конечно, мой комплекс отличницы не позволял мне признаться себе и другим, что я просто не понимаю этот предмет.

Преподаватель, возможно, и старался помочь, но я была настолько зажата своим страхом и комплексом, что не могла воспользоваться его помощью в полной мере. Я не могла преодолеть этот барьер, не могла освоить методы аналитического чтения, не могла понять, как применять теорию к конкретным проблемам, не могла увидеть логику и структуру этого предмета. Я механически читала тексты, выделяла ключевые слова, переписывала цитаты, писала эссе, но все это было поверхностным, формальным, без настоящего понимания.

Сейчас я понимаю, что упустила важную возможность. Я сожалею, что не смогла превратить этот сложный образовательный опыт в возможность для роста и развития, не смогла расширить свои познавательные горизонты и освоить новые инструменты мышления, не смогла научиться мыслить критически и аналитически.

В итоге, я едва не завалила диплом. Я не смогла использовать теорию для анализа своей темы, не смогла продемонстрировать глубокое понимание предмета, не смогла связать свои прикладные исследования с теоретическими концепциями. Диплом удалось спасти, но ценой огромных усилий и нервов (и приступов мигрени). Я помню, как сидела над дипломом, перечитывая одни и те же тексты, пытаясь хоть что-то понять, но все казалось бессмысленным и запутанным.

Этот опыт до сих пор влияет на мою жизнь. Я избегаю теоретических текстов, как огня, и не решаюсь пойти в аспирантуру, хотя это всегда было моей мечтой. Неудача в освоении теории оставила глубокий след и подорвала мою уверенность в своих познавательных способностях. Я боюсь, что снова столкнусь с тем, что я просто не смогу понять предмет, что снова буду механически читать тексты, не понимая их смысла.

Я часто думаю, как можно было бы поступить иначе. Как найти в себе силы признаться, что мне нужна помощь. Как научиться мыслить теоретически, анализировать сложные тексты и видеть связь между теорией и практикой. Как преодолеть этот познавательный барьер, как научиться понимать то, что кажется непонятным, как научиться видеть за словами смысл и логику.

жду завтра на воркшопе

онлайн тоже будет

https://t.me/vectorsdiary/463

Инструменты ИИ это удобно, но последнюю неделю понаблюдала за своей работой с литературой и поняла, что главная поддержка для меня не они. А проверенные техники, которые помогают хранить знания в памяти, а не искусственном интеллекте.

Это не что-то новое с вау-эффектом, а стабильные помощники на каждый день. Добавила ссылки на примеры и шаблоны.

💡 Ведение заметок по методу Корнелла
Этот метод обычно ассоциируется с записью лекций, но я активнее его использую для работы с текстами. Когнитивный психолог Дэниел Уиллингем в книге «Почему ученики не любят школу?» писал, что запоминается то, о чем мы задумались (а не то, что вызывает эмоции). Для этого я и использую эти заметки — не только для выделения ключевых мыслей, но и вдумывания в материал.

Это получается за счет структуры метода. Нужно разделить страницу на две колонки. Правая колонка: для основных заметок. Левая колонка: для коротких вопросов и тезисов (заполняется после правой). В нижней части — место для саммари. Выглядит это так, а подробнее по шагам в этой статье. Левая колонка и саммари — это как раз то, что помогает вдуматься в материал.

На сайте Cornell Universtity написано, что заметки от руки эффективнее электронных, но для меня это недоступная роскошь. Хорошая заметка та, которая работает и помогает дальше. Поэтому я скачала этот бесплатный шаблон Notion, заполняю его — и через время к ним возвращаюсь. Например, вот мои заметки по статье Аузана про университеты.

При этом саммари для меня самый важный элемент метода. Следую лайфхаку от Хубермана — закрываю глаза, мысленно воссоздаю прочитанное, а потом записываю основные идеи (не пересказ, а что потом будет полезно). Такое саммари я выношу в начало, а не в конец, как в методе — по нему потом могу быстро вспомнить содержание, не вчитываясь в детали.

Метод оказался настолько действенным, что я начала использовать его и для структурирования длинных текстов. Например, пишу так посты в этот канал — помогает ответить на вопрос, зачем я об этом рассказываю. Так же представляла литобзор научному руководителю: 12-страничный текст воспринимается легче, если сначала идет краткое резюме, а затем таблица, где слева указаны ключевые тезисы, а справа — полный текст.

💡 Библиографический менеджер
Начала использовать в сентябре, в самом начале учебы, и не понимаю, почему не знала о нем раньше. Без преувеличения, нужен любому читающему человеку. Он помогает систематизировать все скачанные книги и статьи. Раньше у меня был страшный бардак. Файлы разбросаны, цитаты теряются — потому что все хранится в разных местах.

А теперь у меня появилась своя домашняя библиотека. Вот так выглядят в ней разделы. Помимо удобства, думаю о том, что прочитанное — это часть меня. Это моя история, которую я не хочу потерять. С детства, повторяя за старшей сестрой (а она — за нашим дедушкой), делала заметки с карандашом и блокнотиком. Но эти блокнотики теряются, и даже электронные заметки по итогам прочтения (например такие) — не работают.

А собрать книги и цитаты в одном месте — работает. Когда все собрано в одном месте, соединять мысли между прочитанным проще. Я выбрала Zotero, потому что у приложения есть интеграция с Google-доками (автоматизирует работу с источниками). Но есть и другие хорошие варианты, например Mendeley более симпатичный по дизайну.

💡 И наконец, третья техника — это мудрое замечание моего научного руководителя
На первой встрече в этом году, когда мы обсудили план работ, мой научник сказал мне: «Саша, надо просто делать». Наклеила эту цитату себе на стену. Техники и планирование помогают, но они только полдела. Еще «нужно просто делать». Это главное. И это, кстати, совсем не просто :)

У всех выпытываю приемчики. Они круто меняют повседневность. Какие у вас простые, но рабочие техники для запоминания и работы с литературой?

🖥 Воркшоп «Как автоматизировать исследование трендов EdTech с помощью ИИ» от секции «Образование — социальный лифт? Почему не у всех есть доступ к верхним этажам»

Как быстро и эффективно анализировать тренды EdTech? Какие инструменты ИИ помогают исследователям? Разберем на воркшопе: практический кейс, работающие методики и полезные инструменты, которые можно сразу применять в работе.

🌸 Спикер — Елена Каганова, специалист по кабинетным исследованиям Т-Банка, ex-старший аналитик Dsight.

Кому будет полезно?
Аналитикам, EdTech-предпринимателям, инвесторам, специалистам в сфере образования и всем, кто хочет быстро и эффективно исследовать тренды с помощью ИИ.

Что узнаете?
🔘Где искать ключевую информацию о трендах EdTech: от отраслевых отчетов до венчурных сделок
🔘Как структурировать данные и выявлять закономерности
🔘Как масштабировать выводы от частных кейсов к глобальным тенденциям
🔘Какие возможности ИИ помогают автоматизировать исследовательские процессы

🗓 20 марта, 19:00
📍 Кампус Шанинки, аудитория 511/513 (Газетный переулок, 3/5с1, 5 этаж) + онлайн-трансляция
ℹ️ Регистрация

В качестве привлечения: я готовлю новую книжку про desk research, и она выйдет на новом канале.

https://t.me/kaganova_deskresearch

Хочу поделиться важной новостью: эпоха моего проекта по научной библиографии подошла к концу. Я почувствовала, что переросла это направление и хочу двигаться дальше. Какая-то библиотека закрывается. Нового контента здесь появляться не будет.

Чтобы не смешивать академический контент с бизнес-тематикой и не путать вас я создаю новый канал. Там я буду рассказывать о своей работе и методологии кабинетных исследований для бизнеса.

Тиры на Boosty будут закрыты, подписки продлеваться не будут. Не волнуйтесь, весь контент останется на месте и доступен.

Спасибо вам огромное за то, что были рядом все это время!

😍

Научные работы стали доступнее: Claude 3.7 интегрирован в репозиторий alphaXiv

Разработка академических материалов упростилась благодаря интеграции нейросети Claude 3.7 в обширную базу научных публикаций alphaXiv.

Для получения структурированной информации с референсами, аналитикой и заключениями достаточно сформулировать запрос и отметить систему через символ «@». Сервис автоматически сформирует требуемые материалы на основе релевантных научных источников.​​​​​​​​​​​​​​​​

Бесплатный GPT | Экспертный канал

Институт образования Вышки и факультет компьютерных наук Восточно-китайского педагогического университета приглашает принять участие в международном летнем институте по образованию, который пройдет в Шанхае с 7 по 12 июля. Сквозная тема института – искусственный интеллект в исследованиях образования.

В рамках института будет представлено несколько треков:
🔘ИИ и навыки в образовании и на рынке труда,
🔘ИИ и измерения (психометрический трек),
🔘ИИ и педагогика,
🔘Внедрение ИИ в университетах

Интенсивная программа летнего института предлагает участникам лекции ведущих мировых экспертов и исследователей, практические семинары по сбору и анализу данных, а также специальные сессии для обсуждения и доработки собственных исследовательских проектов.

🔜Успейте подать заявку на участие в летней школе до 6 апреля

💌 Узнать больше об институте и зарегистрироваться можно на сайте

Коллеги, а (ну вдруг) есть кто-то из промышленности, кто внедряет в работу генеративный ИИ?

Хочу попросить об интервью для важного исследования. 👾

🔬 ChatGPT для научных публикаций: продвинутый гайд для исследователей 🔬

Коллеги! 👩‍🔬👨‍🔬 В сегодняшнем посте разбираем продвинутый гайд по использованию ChatGPT для подготовки научных публикаций, основанный на публикации в JPPT. Этот инструмент может значительно оптимизировать ваш workflow, но требует глубокого понимания его возможностей и ограничений.

Основные этапы работы с ChatGPT (Продвинутый уровень):

1. Генерация заголовков и титульных страниц: ChatGPT может предложить варианты заголовков, учитывая ключевые слова, методологию и результаты. Лайфхак: Используйте промпты с уточнением целевой аудитории и тематического направления журнала. При создании титульной страницы убедитесь в соответствии с требованиями конкретного издательства (формат, порядок элементов, контактная информация).

2. Создание аннотации/резюме: Помните о принципе "меньше слов - больше смысла". ChatGPT поможет сжато изложить суть работы. Продвинутый прием: Используйте технику "Summary of summaries", предоставив ChatGPT уже отредактированные версии разделов работы, чтобы он сгенерировал обобщение.

3. Написание введения: ChatGPT структурирует введение, но требует глубокой ревизии. Ключевой момент: Убедитесь, что введение четко отражает актуальность исследования, его цели и связь с предшествующими работами. Используйте ChatGPT для генерации ключевых слов и сокращений, но обязательно проверьте их корректность и соответствие общепринятым стандартам.

4. Обзор литературы: ChatGPT может помочь в создании базового обзора, но КРИТИЧЕСКИ важно: не полагаться только на его результаты. Проверяйте актуальность цитируемых источников, обращайте внимание на методологию исследований, на которые ссылается ChatGPT. Продвинутый подход: Используйте ChatGPT для поиска работ по ключевым словам, но всегда проводите независимый поиск в релевантных базах данных (Scopus, Web of Science и др.).

5. Мозговой штурм методологии: ChatGPT может предложить варианты дизайна исследования, методов сбора и анализа данных. Важно: Используйте эти предложения как отправную точку для критического анализа. Учитывайте ограничения ChatGPT в отношении специфики вашего исследования. Продвинутый метод: Попросите ChatGPT сгенерировать список вопросов, которые следует учитывать при выборе методологии, чтобы убедиться в ее обоснованности.

6. Запрет на фальсификацию данных: Недопустимо использовать ChatGPT для создания, подделки или анализа результатов исследований! Это прямо противоречит этике научных публикаций.

7. Разделы "Обсуждение" и "Выводы": ChatGPT может помочь в структурировании этих разделов, но требует тщательной проверки и редактирования. Учитывайте: ChatGPT может упустить важные аспекты интерпретации результатов, потенциальные ограничения исследования. Обязательно проанализируйте сильные и слабые стороны своей работы.

8. Ссылки (Список литературы): ChatGPT не является надежным источником для создания списка литературы. Рекомендуется: использовать ChatGPT для преобразования существующих ссылок в определенный стиль, но всегда перепроверять корректность.

✨

📊🤔 Можно ли доверять соцопросам? А если нет, как интерпретировать их результаты?

Каждый день мы встречаемся с результатами соцопросов: политики, журналисты и блогеры приводят разные цифры в подтверждение своих слов. Часто они подают опросы как зеркало общественного мнения.

Тем не менее, их результаты по одним темам нередко расходятся, а разные акторы по-разному интерпретируют и подают данные. Опросы могут работать не только как достоверная обратная связь, но и как конвейер по производству нужных результатов. Итоги исследований превращают в кликбейтные заголовки, которые вводят людей в заблуждение.

Почему все цифры разные? Каким из них можно доверять? Можно ли судить о мнении населения по ответам 1600 респондентов? И как формулировки вопросов подталкивают к «правильным» ответам? Разбираемся в карточках с исследовательницей «Коллективного действия» Людмилой Рудаковой.

📎 Окей, но ведь кто-то в России делает качественные опросы?

Есть исследовательские центры, которые занимаются проведением опросов со знанием и соблюдением методологии. К их результатам можно относиться с меньшим скепсисом, чем к другим, но не забывать сверяться с описанными в карточках нюансами.

— Всероссийский центр исследования общественного мнения (ВЦИОМ)

— Фонд «Общественное Мнение» (ФОМ)

— Левада-Центр*

— Исследовательский холдинг «Российское общественное мнение и исследование рынка» (РОМИР)

— Russian Field

📎 Каждые две недели команда Коллективного действия выпускает дайджесты соцопросов и исследований о россиянах и россиянках. Следите за обновлениями, смотрите видеоверсии на YouTube и относитесь к данным с осторожностью.

* Иноагент по версии Минюста РФ

🧩 Подписывайтесь на Коллективное действие и читайте важные исследования о городской и региональной политике

Застряли с темой для исследования? Вот как найти тот самый вопрос! 🧐

В науке, как и в жизни, всё начинается с вопроса. Но как сформулировать такой исследовательский вопрос, чтобы он был захватывающим, актуальным и, главное, решаемым? 🤔

Вот, что советуют в книге Doing Good Qualitative Research:

1. Остерегайтесь "исследовательских тем". "Исследовательская тема" – это общее направление интереса (например, "экологическая политика в Латинской Америке"). А "исследовательский вопрос" – это конкретная проблема, на которую вы хотите пролить свет. 💡

2. Заполнять пробелы в литературе или решать проблемы реального мира? Это вечный вопрос! Одни советуют искать маленькие, нерешенные вопросы в существующих исследованиях, другие – черпать вдохновение из реальных проблем, которые важны здесь и сейчас. Главное – найти баланс между академической значимостью и практической пользой. ⚖️

3. Ориентируйтесь на свои навыки, методы и рынок. Выберите вопрос, который вам под силу. Но не бойтесь выходить за рамки! Новые навыки – это новые возможности! Главное, чтобы их освоение было реалистичным по срокам. А еще, стоит подумать, как ваш вопрос будет воспринят в научном сообществе. 🧐

4. Проекты, движимые страстью. Они существуют! И хорошо, если они у вас есть! 🔥 Но и здесь важно помнить о рамках, не уходить в дебри и стараться формулировать вопросы так, чтобы они были проверяемыми и решаемыми.

5. Ищите головоломки! Исследовательский вопрос, как хорошая головоломка, будит любопытство и заставляет задуматься, искать объяснение неожиданному явлению. 🧩

И главный секрет? 💪

Все хорошие исследовательские вопросы обладают аналитическим потенциалом (leverage). Это соотношение между масштабом вопроса и количеством новых знаний, которые он позволяет получить. Вопрос должен быть достаточно узким, чтобы быть решаемым, но при этом иметь широкий охват и значимость.

Помните, выбор исследовательского вопроса – это личный и итеративный процесс. Ищите то, что вас вдохновляет, подходит вашим навыкам и соответствует вашим целям. 😉

Cyr, J., & Goodman, S. W. (2024). Doing Good Qualitative Research. Oxford University Press. 10.1093/oso/9780197633137.001.0001

Полезная ссылка для тех кто учится и кому нужны доступы к платным англоязычным научным статьям или книгам:
http://open-slum.org - тут собраны крупные «теневые библиотеки» и их статусы в режиме реального времени

Вторичный анализ данных: новый взгляд на старые данные

В эпоху больших данных, когда объемы собранной и заархивированной информации растут экспоненциально, вторичный анализ данных становится все более актуальным инструментом для исследователей. Что это такое? Вторичный анализ – это использование данных, собранных кем-то другим для другой цели, для ответа на новые исследовательские вопросы.

Почему это важно?

Экономия ресурсов: Позволяет проводить исследования с ограниченными временными и финансовыми ресурсами.

Доступ к большим выборкам: Открывает возможности для анализа данных, собранных в рамках крупных проектов с репрезентативными выборками.

Ускорение исследований: Сокращает время, затрачиваемое на сбор данных, что особенно важно в быстро меняющейся сфере информационных технологий.

Новые перспективы: Позволяет переосмыслить существующие данные и получить новые знания.

Пример из практики:

В статье, на основе которой написан этот пост, рассматривается исследование роли школьных библиотекарей в интеграции технологий. Изначально данные были собраны для оценки текущей ситуации, но вторичный анализ позволил выявить факторы, способствующие и препятствующие лидерству библиотекарей в этой области.

Важные моменты:

Вторичный анализ – это не просто "халява". Это серьезный метод, требующий систематического подхода:

Четкая формулировка исследовательских вопросов.

Тщательный выбор подходящего набора данных.

Оценка качества и пригодности данных для решения поставленных задач. (Например, необходимо учитывать цель первоначального исследования, методы сбора данных, временной период и т.д.)

Учет ограничений: Важно помнить, что данные были собраны для другой цели, и это может накладывать ограничения на интерпретацию результатов.

📢 Книга о кабинетных исследованиях от ex-аналитика Dsight

Мы всегда радуемся успехам наших бывших сотрудников, и как раз есть отличный повод. Это книга, которую написала Елена Каганова, в прошлом — старший аналитик Dsight.

🐈‍⬛Эта книга — результат шести лет работы, в течение которых Елена училась искать данные в самых неожиданных местах, систематизировать их так, чтобы ничего не терялось, и адаптироваться к разным задачам, используя доступные цифровые средства.

🔤 О чем книга?
Это сборник советов, историй и практических кейсов.
🟣Как искать, систематизировать и сохранять данные так, чтобы не тратить время зря.
🟣Чек-листы и пошаговые инструкции — всё, что помогает на практике.
🟣Кейсы из практики — реальные истории по поиску данных и их анализу.

⭐️ Для кого книга?
Для студентов, исследователей, аналитиков, консалтеров — для всех, кто регулярно работает с информацией: ищет её, сохраняет и использует в работе.

❗️Важно, что эта книга обновляемая. В нее будут добавляться новые главы с примерами из текущей практики Елены и методами, которые помогают ее каждый день.

Доступ к книге тут.💜

Огонь? Огонь! 🔥

любимые, хоть и бывшие коллеги!

📌Матрицы: ваш инструмент для структурирования информации

Матрицы – не просто таблички, а мощный инструмент для визуализации связей между разными факторами и понимания их влияния друг на друга. Они пригодятся для анализа конкурентов, оценки рисков, принятия стратегических решений и многого другого.

➡️Давайте разберем несколько примеров:

🔴Анализ конкурентов: Создайте матрицу, где столбцы – критерии сравнения (цена, качество, ассортимент), а строки – названия компаний. Оценивайте конкурентов по шкале, например, от 1 до 5. Визуализируйте данные тепловой картой – так вы легко увидите сильные и слабые стороны каждого.

🔴Систематизация интервью: Проводите серию интервью? В столбцы матрицы запишите ключевые темы, в строки – имена экспертов. В ячейках – ключевые цитаты. Это поможет сравнить мнения экспертов по каждой теме и сделать выводы.

🔴Анализ отзывов пользователей: Столбцы – ключевые аспекты приложения (дизайн, функциональность, производительность), строки – категории отзывов (положительные, нейтральные, отрицательные). В ячейках – количество отзывов. Так вы выявите сильные и слабые стороны продукта и поймете, на что обратить внимание в первую очередь.

Важно помнить: матрицы – это инструмент, а не самоцель. Главное – не просто заполнить ячейки, а проанализировать данные и найти инсайты для принятия обоснованных решений.

Это отрывок из моей книги про кабинетные исследования в библиотеке. Подробнее о методике тут.

#мемы_для_презентаций #кринж

Сетевой анализ для поиска научной литературы: обзор простых и бесплатных сервисов

В этом посте я расскажу о сетевом анализе в научной библиографии и поделюсь простыми и бесплатными инструментами для его проведения.

Что такое сетевой анализ?

Сетевой анализ в библиографии — это метод, который позволяет исследовать связи между научными публикациями. Он основан на анализе цитирований: кто кого цитировал, какие статьи похожи по ключевым словам и цитированиям.

〰️Инструменты для сетевого анализа:

✔️Google Scholar: Да, в Google Академии уже есть элементы сетевого анализа. Функция "Похожие статьи" основана на семантическом анализе, то есть подбирает статьи, похожие по ключевым словам и цитированиям.

✔️Inciteful: Мой любимый инструмент с интуитивно понятным интерфейсом. Позволяет провести сетевой анализ одной статьи или сравнить две статьи между собой.

🟣Анализ одной статьи: Показывает, кто цитировал статью, на какие статьи она ссылается, а также предлагает похожие статьи, статьи с обзорами и наиболее влиятельные статьи в этой области.

🟣Сравнение двух статей: Позволяет увидеть, как связаны две статьи и насколько близко они расположены в сети цитирований.

✔️ResearchRabbit: Похож на Inciteful, но с интеграцией с Zotero. Позволяет строить графы цитирований, находить похожие работы и добавлять их в свою библиотеку Zotero.

✔️Litmaps: Позволяет проводить сетевой анализ по названию статьи или ключевым словам. Показывает цитирования, референсы (библиографический список) и связанные статьи на основе семантического анализа.

⭐️Как использовать сетевой анализ?

Сетевой анализ — отличное дополнение к поиску по ключевым словам. Особенно полезен, когда у вас есть одна релевантная статья, и вы хотите найти похожие публикации.

🐈 Мой тревожно-творожный тайм-менеджмент (и как он работает)

Меня часто просят поделиться секретами тайм-менеджмента для кабинетной работы, да и вообще. Проблема в том, что я не могу четко сформулировать свои практики. Я просто… делаю. Поэтому мне сложно писать такие посты и даже рассказывать об этом. Если есть силы — делаю. Если серотонин сегодня решил не вырабатываться — не делаю. Как будто это происходит помимо меня.

Да, я ленюсь. Часто пропускаю зал, бросила английский из-за нехватки сил. Но при этом успеваю выполнять рабочие задачи (за 8 часов в день было бы странно не успевать) и вести этот блог (спасибо ИИ, с ним не так много мороки).

Секрет, наверное, в том, что я всё планирую. Иногда это причина, по которой я злюсь на бойфренда, у которого горизонт планирования покороче (прости, любимый, я работаю над собой!).

💕 Мои принципы планирования:

✔️Запланировать всё: В моем календаре расписан каждый день. Это включает и рутину (подъем, дорога на работу), и тренировки, и рабочие задачи. Даже "валяние в кровати и просмотр ток-шоу 8 часов" — если этого нет в календаре, я нервничаю. Называю это "тревожно-творожным" планированием.

✔️Регулярная ревизия: Раз в неделю разбираю задачи и планирую проекты. Раз в квартал провожу "ревизию" долгосрочных целей. Так, например, я отказалась от английского в пользу продуктовых исследований и программирования.

✔️Приоритизация: Важно не успеть всё, а успеть то, что действительно хочется. Регулярно спрашивайте себя: "Успеваю ли я то, что мне нужно?"

✔️Эстетика: Обожаю красивые картинки из Pinterest, ежедневники и даже мечтаю издать собственный планнер! В моем таск-трекере проекты окрашены разными цветами, а главные дела дублируются в бумажный ежедневник и украшаются наклейками. #aestheticgirl — это вдохновляет!

✔️Действие: Планировать — это только полдела. Многие об этом забывают. Делайте. Тогда и будете успевать больше.

Вот и весь мой "тайм-менеджмент". Может, он и странный, но мне работает.

ДА

ИИ для социальных исследований: новые подходы к качественным и количественным методам

В статье "Generative AI for Social Research: Going Native with Artificial Intelligence", опубликованной в Sociologica, Pilati, Munk и Venturini представляют обзор новых способов применения генеративного ИИ в социальных науках. Авторы не ограничиваются описанием возможностей, а акцентируют внимание на методологических аспектах, подчеркивая сближение качественных и количественных методов и переход к "нативно-цифровым" подходам.

Статья рассматривает два основных направления использования генеративного ИИ в социальных исследованиях:

Сглаживание границы между качественными и количественными методами: LLM (большие языковые модели) демонстрируют эффективность как в качественных задачах (чистка данных, аннотация, анализ нарративов), так и в количественных (создание опросников, анализ статистических моделей). Это разрушает традиционное разделение методов и открывает новые возможности для исследователей.

Переход к "нативно-цифровым" методам: Авторы призывают к использованию ИИ не просто как инструмента для обработки существующих данных, но и как метода генерации новых данных и анализа цифровых инфраструктур. Это предполагает более глубокое понимание того, как ИИ "видит" мир и как его модели отражают культурные и социальные контексты.

Примеры использования генеративного ИИ:

Качественные исследования: LLM используются для очистки транскрипций интервью, аннотации данных, обнаружения сюжетов в литературных текстах, проведения полуструктурированных интервью и анализа мультимодальных данных.

Количественные исследования: LLM применяются для создания адаптивных опросников, улучшения точности статистических моделей и автоматизации рутинных задач.

Анализ культурных и социальных контекстов: Исследования фокусируются на выявлении культурных предвзятостей LLM, сравнении их ответов с ответами людей из разных культурных групп и анализе внутренних механизмов работы моделей.

Статья призывает к осмысленному использованию генеративного ИИ в социальных исследованиях, подчеркивая необходимость развития новых методологических подходов и критического анализа результатов. Авторы предлагают рассматривать ИИ не только как инструмент, но и как объект исследования, что позволит глубоко понять его возможности и ограничения. Дальнейшие исследования в этом направлении обещают значительный прогресс в социальных науках.

Анализ конкурентной среды для AI-стартапа DataVision Italia: рубрика "Как было проведено это исследование"

✔️Исследовательский вопрос: Кто является основными конкурентами DataVision Italia, каковы их сильные и слабые стороны, и как DataVision Italia может позиционировать себя на рынке, чтобы добиться конкурентного преимущества?

💬Методология
Анализ конкурентной среды проводился в рамках кабинетного исследования (desk research), с использованием качественных методов анализа вторичных данных. Особое внимание уделялось изучению прямых и косвенных конкурентов.

⭕️Этап 1: Определение конкурентного поля:
В первую очередь, были выделены ключевые игроки на итальянском рынке, предлагающие решения в области AI, связанные с:
- Обработкой изображений и компьютерным зрением.
- Разработкой AI-платформ для бизнеса.
- Автоматизацией бизнес-процессов с использованием AI.

⭕️Этап 2: Сбор данных о конкурентах
Информация о конкурентах собиралась из различных источников:
- Официальные сайты компаний: Анализ сайтов конкурентов позволил получить информацию об их продуктах, услугах, целевой аудитории, географическом охвате и истории развития.
- Отраслевые отчеты и публикации: Изучение аналитических материалов, публикуемых отраслевыми ассоциациями и консалтинговыми компаниями, позволило оценить доли рынка основных игроков, тенденции развития рынка и прогнозы на будущее.
- Новости и пресс-релизы: Анализ новостных сообщений и пресс-релизов конкурентов позволил отслеживать их активность на рынке, новые продукты и партнерства.
- Социальные сети: Мониторинг активности конкурентов в социальных сетях позволил оценить их маркетинговые стратегии и взаимодействие с целевой аудиторией.

⭕️Этап 3: SWOT-анализ конкурентов
Для каждого ключевого конкурента был проведен SWOT-анализ, который позволил систематизировать информацию о его сильных и слабых сторонах, а также о возможностях и угрозах, связанных с его деятельностью. Особое внимание уделялось таким факторам, как:
- Технологические возможности: Наличие инновационных технологий, уровень развития продуктов и услуг.
- Рыночная позиция: Доля рынка, репутация бренда, лояльность клиентов.
- Финансовые показатели: Объемы продаж, прибыльность, инвестиции.
- Управленческая команда: Опыт и квалификация руководства.

💬Источники данных
- Сайты конкурентов: Vedrai, Indigo.ai, Aiko, и другие.
- Отраслевые отчеты: Anitec-Assinform, Osservatorio Digital Innovation.
- Публикации в СМИ: Forbes, Harvard Business Review, La Repubblica.
- Социальные сети: LinkedIn, Twitter, Facebook.
- Базы данных: Crunchbase.

На основе проведенного анализа были выявлены ключевые факторы дифференциации DataVision Italia и ее продукта AutoCrash, что позволило разработать эффективную стратегию позиционирования на рынке.

ИИ-ансамбли для автоматической генерации аннотированных библиографий: новый уровень точности и эффективности

Генерация аннотированных библиографий – трудоемкий и требующий значительных экспертных знаний процесс. В новой работе Серхио Бермехо предлагается инновационный подход к автоматизации этой задачи с использованием ансамблей больших языковых моделей (LLM). Вместо использования одной LLM, Бермехо предлагает трехуровневую архитектуру, в которой несколько LLM работают совместно, играя разные роли: генерация текста, оценка и суммирование.

Как это работает?

Генерация: Несколько LLM с различными гиперпараметрами (температура, top-k, top-p) генерируют разнообразные варианты аннотаций для одной и той же статьи. Это создаёт разнообразие вывода, что крайне важно для повышения качества итогового результата.

Оценка: Другая LLM выступает в роли "судьи", оценивая сгенерированные аннотации по таким критериям, как релевантность, точность и связность. Этот подход объективнее, чем использование традиционных метрик качества текста.

Суммирование: Наконец, третья LLM объединяет и уточняет лучшие аннотации, выбранные "судьей", используя методы суммирования и удаления избыточной информации.

Результаты впечатляют:

Эксперименты показали значительное улучшение качества аннотаций, сгенерированных ансамблем LLM, по сравнению с результатами отдельных моделей. В частности, метод "Top M Responses" показал улучшение читаемости на 38% и сокращение избыточности контента на 51%. Это демонстрирует эффективность использования ансамблей LLM для автоматизации сложных задач, требующих как генерации текста, так и критической оценки информации.

#ИИ_для_кабинетных_исследований

>>> опен-колл на конференцию
«Актуальные ошибки гуманитарных наук»

27–29 марта проведём вторую конференцию DH-центра. В этом году поговорим о роли ошибок в исследованиях, науках и проектах. Приглашаем всех, кто совершал и планирует совершать ошибки, достойные обсуждения.

{ концепция }
Необсуждённые ошибки ложатся в основу алгоритмической рациональности, а она становится инфраструктурой для решения новых задач. Порой исследователи примечают конкретные неточности (bias) или галлюцинации, но обходят вниманием системные недочёты.

Как выявить ошибку? Из какой позиции человек может спорить с машиной, если она сформирована на основе экспертизы или «объективных» данных? Как без возможности находить ошибки в теории, можно обнаружить их в данных или методе? И обречён ли учёный, сторонящийся обнаружения и исправления ошибок, на вечное применение кем-то изобретённых подходов?

Эти вопросы могут получить ответы, если мы обратимся к ошибкам. Этой конференцией мы хотим попробовать сделать разговор об ошибках — задачей академической дискуссии.

{ темы }
— Лишняя дисциплина
— Доверяй, но проверяй
— Ошибки внедрения
— Различия ошибок человека и машины
— Право на ошибку
— Ошибка как результат и достоинство

{ детали }
Части программы будут соответствовать одному из четырёх идолов — так Фрэнсис Бэкон называл препятствия к познанию истины. Мы интерпретируем его идолов, обращаясь к ним в рамках художественного приёма, чтобы определить ситуации разговора об ошибках:

> идолы рода: ошибки, связанные с происхождением знания — науками и канонами
> идолы пещеры: ошибки «здравого смысла», происходящие от доверия обыденному знанию
> идолы рынка: ошибочные смешения понятий, методов и подходов
> идолы театра: ошибки моделирования и представления

{ участие }
Ждём доклады, дискуссионные панели, постеры, экспериментальные формы. Подробности о форматах и темах в документе.

Отправляйте заявку на почту dh_actual_conference@itmo.ru

шаблон заявки
тема письма: заявка на Актуальные ошибки гуманитарных наук
дедлайн 17 февраля

🤍 🤍 🤍🤍 🤍

▶️Кабинетное исследование страхования грузов в зонах конфликта: рубрика "Как было проведено это исследование"

Статья Магдалены Клопотт анализирует проблемы страхования грузов, перевозимых через зоны вооруженных конфликтов, используя метод анализа вторичных данных (desk research). Фокус исследования направлен на анализ стандартных положений страховых полисов от рисков войны и забастовок, выявление пробелов в покрытии и потенциальных решений для улучшения страховых механизмов.

Исследовательский вопрос: Какие риски связаны со страхованием грузов в зонах конфликта, и какие пробелы существуют в стандартном покрытии страховых полисов?

Методология:

В качестве методологии используется desk research – качественный анализ уже существующих данных. Этот подход выбран в связи с ограниченностью ресурсов и необходимостью оперативного получения результатов, что характерно для кабинетных исследований. Основной акцент сделан на анализе вторичных источников информации, позволяющих составить целостную картину исследуемой проблематики.

💬Сбор и анализ данных

⭕️Выявление источников
В качестве источников использовались публикации авторитетных организаций в сфере страхования и логистики, включая отчеты и аналитические материалы от таких организаций, как Council on Foreign Relations (CFR), Lloyd’s List Intelligence, UNCTAD (Конференция ООН по торговле и развитию), Institute of London Underwriters, International Underwriting Association of London (IUA), S&P Global, а также данные от Bloomberg и других ведущих мировых изданий.

⭕️Систематизация данных
Информация систематизирована по кластерам: на основе информации о географических зонах конфликтов, распространенных рисках (пиратство, терроризм, государственное насилие), стандартных условиях страхования (Институтские Клаузулы по Грузам, ICC), специализированных страховых положениях (IWC и ISC), и механизмах оценки рисков (JCC Global Cargo Watchlist).

⭕️Анализ данных
Проведен сравнительный анализ стандартных страховых клаузул (ICC) и специализированных положений (IWC и ISC), выявляющий существующие пробелы в покрытии.
Проанализированы особенности страхования грузов в разных видах транспорта (морской, воздушный, наземный) и влияние географических факторов (зона конфликта, торговые пути). Изучены механизмы установления страховых тарифов и наценок, связанных с рисками войны и забастовок, а также влияние динамики конфликтов на стоимость страхования.
Особое внимание уделено анализу проекта "Unity" как примера инновационного подхода к страхованию грузов в зоне конфликта.

💬Источники данных

⭕️Официальные отчеты и публикации
Данные от международных организаций (ООН, Lloyd's и т.д.), регулирующих органов и правительственных учреждений.

⭕️Научные публикации и аналитические материалы
Статьи, обзоры и аналитические материалы от ведущих экспертов в области страхования и логистики.

⭕️Данные из финансовой прессы
Информация о страховых тарифах, премиях и надбавках, а также общая экономическая ситуация в зоне конфликта.

💬Выводы исследования

Стандартные страховые полисы не охватывают все риски, связанные с перевозкой грузов в зонах конфликта. Существуют значительные пробелы в покрытии, особенно в отношении наземных рисков. Специализированные страховые положения (IWC и ISC) частично компенсируют эти пробелы, но не являются универсальным решением.

🔍 У меня появилась еще одна довольно амбициозная задача — научить продакт-менеджеров банка работать с данными как настоящие дата-сайентисты. И не просто так, а с конкретной целью: чтобы они могли по-умному сегментировать клиентов.

Сейчас сегментация делается "на глазок" — выделяются 5-10 групп клиентов и проводится дальнейшая работа с ними. Но представляете, насколько круче будет, если будет выделиться 100-500 сегментов и к каждому будет свой особенный подход? Говорить с каждым на его языке, цеплять за то, что действительно важно именно для него.

Пробовали раньше освоить Power BI для этих целей — не пошло: сложно и не хватает времени на изучение.

👨‍💻Я начал экспериментировать с Клодом. Взял тестовые данные по кредитным картам и начал с ним копать. Всего за 5 подходов в течение 30 минут мы нашли реально интересные группы клиентов и поняли, что для каждой из них может быть важно. И это только на основе 10 простых параметров — пол, возраст, транзакционная активность.

🚀 Скоро у меня будет намного больше реальных данных — 300-400 параметров на клиента. Уверен, из этого предстоящего анализа пушка получится!

💡 Лайфхак для начинающего датасатаниста:
Я открыл открыл для себя платформу Kaggle. Там постоянно проходят соревнования по машинному обучению с денежными призами. И лучшие специалисты выкладывают свои решения в открытый доступ!
Для нас это отличная возможность перенять готовые идеи и адаптировать их под свои задачи. В общем, велосипед не изобретаем, а катаемся на созданном ранее🛒

Хозяйке в бэклог

〰️Анализ контекста в кабинетных исследованиях

Контекст — это ключевой элемент, позволяющий понять глубинные смыслы данных, их взаимосвязь и значимость.

Почему контекст важен?
Избежание манипуляций. Манипулятивные данные часто вырываются из контекста, чтобы исказить их значение. Например, статистика может быть представлена таким образом, чтобы выгодно подчеркнуть определённый аспект проблемы, игнорируя другие.

Понимание условий формирования данных. Каждая информация существует в рамках своей системы условий — социальной, экономической, политической или исторической. Без учёта этих условий невозможно понять, что именно означают данные и как они могут быть использованы.

〰️Ключевые элементы анализа контекста

Историческая перспектива
Любое событие или явление связано с историей. Анализируйте, как развивалась ситуация, чтобы понять её предысторию и причины. Например, экономические показатели текущего года имеют смысл только в сравнении с предыдущими периодами и трендами.

Социально-экономические факторы
Рассматривайте, в каких условиях собиралась информация. Например:
- Уровень доверия к источникам в обществе.
- Экономическое состояние региона или страны.
- Политические интересы, которые могут влиять на интерпретацию данных.
- Географические и культурные особенности. Различия в восприятии одних и тех же данных между странами или даже регионами могут быть значительными.
Например, восприятие уровня безработицы может зависеть от исторически сложившихся норм занятости и социальной поддержки.

Цели и мотивы
Учитывайте цели, которые могут преследовать авторы данных:
- Рекламный или PR-контент может акцентировать позитивные моменты и игнорировать негативные.
- Политические заявления часто адаптируются к интересам целевой аудитории.

Информационная среда
Важен анализ того, как распространялась информация:
- Были ли использованы социальные сети?
- Какие средства массовой информации поддерживали распространение?
- Какие реакции вызвала информация?

〰️Методы анализа контекста

Сравнительный анализ
Сравнивайте данные из разных источников, чтобы выявить возможные расхождения. Это поможет увидеть, где информация могла быть искажена.

Анализ тональности
Изучите язык, которым представлены данные. Нейтральное ли это изложение или эмоционально окрашенное? Например, использование терминов вроде «катастрофический рост» вместо «значительное увеличение» может сигнализировать о предвзятости.

Работа с первоисточниками
Обратитесь к оригинальным данным, на которых основаны отчёты или статьи. Это позволяет избежать интерпретаций и узнать, как информация выглядела изначально.

Социальный и политический анализ
Рассмотрите, какие группы поддерживали или критиковали опубликованные данные. Это может указать на мотивы и скрытые интересы.

🦔Подписчики-на-Бусти, извините, что давно нет видео. Я переезжала, угробила один микрофон и не могла разобраться с новым. На неделе наверстаю, ждите видео на Бусти

⭐️ИИ в исследованиях: анализ данных вместо поиска

Использование искусственного интеллекта в исследованиях открывает огромные возможности, но важно понимать, где его применение наиболее эффективно. Сегодня хочу поговорить о том, почему стоит доверять ИИ анализ собранных данных, а не процесс их поиска.

Почему анализ важнее поиска?

1. Качество данных зависит от источника
Алгоритмы поиска, даже самые мощные, часто не в состоянии отличить релевантные данные от нерелевантных. Например, при сборе информации из интернета вы можете получить устаревшие или некачественные данные, не заметив этого на этапе загрузки.

2. Предвзятость и неполнота в результатах поиска
Многие инструменты, включая AI, настраиваются под определенные запросы и могут выдавать результаты с предвзятостью. Это особенно критично в академической или коммерческой среде, где полнота и достоверность данных играют ключевую роль.

3. Фокус на глубоком анализе
ИИ гораздо эффективнее, когда вы уже собрали данные из проверенных источников и хотите выявить закономерности, тренды или скрытые взаимосвязи. Например:
- Кластеризация данных для выявления групп.
- Текстовый анализ для поиска ключевых слов и идей.
- Построение предсказательных моделей на основе уже известных фактов.

✔️Преимущества подхода "анализ вместо поиска"

- Контроль за качеством данных: исследователь самостоятельно выбирает источники, что минимизирует ошибки.
- Углубленное понимание: ИИ помогает раскрыть смысл данных, а не просто собрать их.
- Экономия времени: процесс анализа автоматизируется, но вы точно знаете, что работаете с нужной информацией.

Не гонитесь за автоматизацией на всех этапах. Позвольте ИИ стать вашим аналитиком, а не архивариусом. Собирайте данные самостоятельно из надежных источников, а потом передавайте их ИИ для извлечения пользы.

💜

Может ли генеративный ИИ улучшить социальные науки?

В статье, опубликованной в PNAS, Кристофер Бейл исследует потенциал генеративного ИИ для трансформации социальных наук. Автор рассматривает как преимущества, так и риски использования таких инструментов, предлагая пути минимизации негативных последствий.

Бейл выделяет несколько перспективных направлений применения генеративного ИИ:

Улучшение опросов и экспериментов: Генеративные модели могут создавать реалистичные тексты и изображения, которые могут использоваться для создания более эффективных стимулов и анкет. Это позволяет расширить масштабы исследований и улучшить качество данных. Например, ИИ может генерировать вариации текстов для А/В тестирования, что позволит определить наиболее эффективные формулировки вопросов.

Автоматизированный анализ контента: Генеративный ИИ способен анализировать огромные объемы текстовых данных с высокой скоростью, что значительно ускоряет процесс анализа контента в социальных сетях, новостных статьях и других источниках. Это открывает новые возможности для изучения социальных явлений на больших выборках. Например, промпт может выглядеть так: "Проанализируйте этот текст и определите преобладающий эмоциональный тон (позитивный, негативный, нейтральный). Укажите ключевые слова, подтверждающие ваш вывод."

Моделирование на основе агентов: Генеративный ИИ может использоваться для создания более реалистичных моделей на основе агентов, которые имитируют поведение людей в сложных социальных системах. Это позволяет моделировать динамику социальных процессов и тестировать различные гипотезы. Например, можно создать симуляцию распространения слухов в социальной сети, используя промпт: "Агент А сообщает слух агенту В. Агент В верит слуху с вероятностью X и передает его агенту С с модификацией Y. Смоделируйте распространение слуха в сети из 100 агентов с различными уровнями доверия."

Бейл подчеркивает ряд важных ограничений и рисков, связанных с использованием генеративного ИИ:

Смещение: Модели обучаются на данных, которые могут содержать существующие социальные предрассудки. Это может привести к искажению результатов исследований. Важно тщательно проверять результаты на наличие смещения и использовать методы коррекции.

Репликация: Из-за стохастической природы генеративных моделей, результаты могут быть трудно воспроизводимы. Необходимо разработать стандартизированные методы для обеспечения реплицируемости исследований.

Этика: Использование генеративного ИИ поднимает ряд этических вопросов, связанных с конфиденциальностью данных, авторским правом и потенциальным злоупотреблением. Необходимо разработать строгие этические принципы для использования этих технологий.

Качество исследований: Существует риск увеличения количества низкокачественных исследований, созданных с помощью генеративного ИИ. Необходимо разработать механизмы контроля качества и проверки результатов.

Предложение автора:

Для минимизации рисков и обеспечения широкого доступа к высококачественным инструментам Бейл предлагает создание открытой инфраструктуры для исследований поведения человека. Это позволит ученым совместно разрабатывать и совершенствовать методы, обеспечивая прозрачность и реплицируемость исследований.

Давайте сегодня развлечемся и вспомним себя в школе.

Чур я первая.

▶️Рубрика "Как было проведено это исследование"

Методологический разбор кабинетного исследования: анализ конкурентоспособности сельской местности на примере муниципалитета Раковски (Болгария)

Данное исследование анализирует конкурентоспособность сельской местности, используя модель «Ромб» Майкла Портера и кейс-стади муниципалитета Раковски в Болгарии.

Выбор метода кабинетного исследования и конкретного кейса обусловлен ограниченным количеством работ, посвященных конкурентоспособности именно сельских регионов, а также необходимостью продемонстрировать применимость модели Портера в условиях конкретного региона.

Исследовательский вопрос: Как модель «Ромб» Портера может быть применена для оценки конкурентоспособности сельской местности, и какие факторы оказывают наибольшее влияние на ее развитие?

Методология:

Исследование основывается на качественном анализе вторичных данных, что обусловлено ограничениями в ресурсах и времени, характерными для кабинетных исследований. Использовался подход кейс-стади, позволяющий глубоко изучить специфику одного региона. Выбор муниципалитета Раковски обусловлен его разносторонней экономикой, сочетающей сельское хозяйство и промышленность, что делает его репрезентативным для многих сельских регионов Болгарии.

💬Источники данных:

⭕️Официальные документы: План комплексного развития муниципалитета Раковски (2021-2027) служил основным источником информации о демографической ситуации, инфраструктуре, экономической деятельности и стратегических планах региона. Эти данные позволили оценить факторные условия, внутренний спрос и поддерживающие отрасли.

⭕️Статистические данные: Данные Национального статистического института Болгарии (NSI) предоставили дополнительную информацию о демографии, образовании и занятости населения, уточняя картину факторных условий.

⭕️Отраслевые данные: Данные Министерства сельского хозяйства Болгарии (2022) дали более точное представление о состоянии сельского хозяйства в регионе.

⭕️Инфраструктурные данные: Информация с портала "EU Funds Portal" позволила оценить состояние и перспективы развития региональной инфраструктуры.

⭕️Данные о кластерах: Материалы о "Тракийском экономическом поясе" предоставили данные о вкладе кластеризации в развитие региона.

💬Процедура анализа:

Данные были систематизированы и проанализированы в рамках четырех составляющих модели «Ромб»:

⭕️Факторные условия: Анализ ресурсов (природных, человеческих, инфраструктура), доступных в муниципалитете Раковски.

⭕️Внутренний спрос: Оценка спроса на товары и услуги внутри региона.

⭕️Поддерживающие отрасли: Анализ взаимосвязей между различными секторами экономики региона.

⭕️Структура, стратегия и соперничество: Оценка конкурентной среды и стратегий компаний в регионе.

Для каждого из четырех факторов были выявлены как сильные, так и слабые стороны муниципалитета Раковски.

Методологический кейс: ✔️ использование государственных данных для оценки доли устаревшей сельскохозяйственной техники

🔤 Задача
Вы — агротехнический стартап, который разрабатывает роботов для сельского хозяйства. Необходимо понять, как много техники в отрасли уже используется и какая доля из неё не является инновационной, чтобы оценить рынок для замещения своей продукцией.

❓ Вопрос
Можно ли выполнить расчёты доли устаревшей техники исключительно на основе государственной статистики?

📊 Мой ответ

1. Госстатистика: доступные данные
- Использование робототехники по субъектам РФ: общие показатели по промышленности без детализации по секторам сельского хозяйства.
- Инновационная активность организаций: есть данные по сельскому хозяйству, но они не отражают роль робототехники или степень устаревания техники.
- Число новых и используемых передовых технологий: присутствует разбивка по видам деятельности, но роль роботов не уточняется.

2. Ограничения данных
- Отсутствие информации об устаревшей технике: невозможно напрямую оценить объём техники, которую можно заменить.
- Нехватка детализации по робототехнике: ключевой сегмент рынка — роботы — слабо отражён в госстатистике.
- Косвенные индикаторы: данные по инновациям в целом дают общую картину развития, но не точные цифры.

✉️ Предлагаемое решение

Для точной оценки потенциала замещения необходимо комбинировать госстатистику с дополнительными источниками:

1. Использование доступной статистики
- Анализ трендов инновационной активности. Определить долю организаций, внедряющих инновации в сельском хозяйстве, чтобы выделить перспективные ниши.
- Распределение робототехники по регионам. Изучить использование роботов в промышленности как индикатор их проникновения.

2. Дополнительные источники данных
- Новости Минсельхоза и рыночные отчёты. Например, сайт specagro.ru может содержать кейсы о внедрении роботов, что даст представление о состоянии отрасли.
- Отраслевые исследования и консалтинговые отчёты. Для уточнения количества устаревшей техники и конкретных моделей роботов.
- Экспертные интервью. Собрать мнения участников рынка о текущих тенденциях и доле техники, подлежащей замене.

📌

Государственная статистика предоставляет основу для понимания общих трендов в сельском хозяйстве, но не позволяет полноценно оценить долю устаревшей техники. Для агротехнического стартапа наиболее эффективным будет использование смешанного подхода, включающего кабинетные исследования, анализ рыночных отчётов и экспертные интервью. Это обеспечит более точное и детализированное понимание целевого рынка.