WWW.NAUKA.X-PDF.RU
БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА - Книги, издания, публикации
 


Pages:     | 1 || 3 |

«ГЛАВА II. НЕКОТОРЫЕ ПЕРСПЕКТИВНЫЕ НАПРАВЛЕНИЯ ИССЛЕДОВАНИЙ В СИСТЕМНОЙ СОЦИОЛОГИИ ВИЗУАЛЬНЫЙ СУПЕРКОМПЬЮТИНГ В последние годы в системной социологии, для изучения визуальных изображений ...»

-- [ Страница 2 ] --

Эмпирическая верификация теории Для эмпирической верификации разработанной теории использовались данные международного мониторингового опроса общественного мнения World Values Survey (WVS) [38], которые являются наиболее полными и продолжительными в мире. Руководителем проекта WVS является ведущий специалист в области изучения ценностей Р.Инглехарт. WVS проводился за период 1981 - 2004 гг. Первая «волна» мониторингового опроса - 1981-1984 гг., вторая «волна» - 1989 - 1993 гг., третья «волна» - 1994 - 1999 гг., четвертая «волна» - 1999 - 2004 гг. За период 1981 - 2004 гг. было опрошено 267870 респондентов, опрос проводился в 80 странах мира, в частности, в Российской Федерации в 1990, 1995 и 1999 гг.



В WVS принята теоретическая модель социальных классов современного индустриального общества W. Thompson и J. Hickey [2], согласно которой существуют Upper class, Upper middle class, Lower middle class, Working class, Lower class. Респондентам предлагалось отнести себя к одному из данных социальных классов. Вопрос был следующим. People sometimes describe themselves as belonging to the working class, the middle class, or the upper or lower class. Would you describe yourself as belonging to the: 1. Upper class, 2. Upper middle class, 3. Lower middle class, 4. Working class, 5. Lower class, 9. Don't know. Таким образом, в мониторинге WWS осуществлялась субъективная самоидентификация респондентов с социальным классом. В этой связи отметим, что с методической точки зрения, в данном вопросе необходимо было бы также учитывать субъективное представление респондентов о том, что они понимают под каждым социальным классом для более адекватной интерпретации полученных результатов. Однако, использованный автором вторичный анализ данных WVS не допускал такой возможности.

Выбор WWS для эмпирической верификации разработанной теории был обусловлен следующими обстоятельствами. Во-первых, автор не обнаружил крупных международных эмпирических исследований, в которых изучалась бы теория потребностей А.Маслоу [14] с помощью валидного психологического теста и использовались бы субъективные критерии принадлежности к социальному классу. Во-вторых, самоидентификация с социальным классом - ключевой параметр субъективной социальной стратификации общества. В-третьих, данные WVS позволяли элиминировать влияние национальной специфики государств мира, т.е. проверить разработанную теорию на предельно общем уровне. В четвертных, субъективная самоидентификация с социальным классом в мониторинговых международных опросах общественного мнения, несмотря на то, что изучается уже довольно давно [39-41], изучена значительно меньше, по сравнению с исследованием объективных социальных показателей принадлежности к социальному классу. Кроме того, при изучении субъективной принадлежности к социальному классу известны следующие факты, затрудняющие объяснение. Например, регрессионный анализ показал, что в Японии в 1995 г. [42] образование, профессия и доход только на 18.4% определяли субъективную принадлежность к социальному классу, при этом, предсказательная способность дохода, образования и профессии изменялась в различные моменты времени.

Статистический анализ данных WWS осуществлялся с помощью пакета SPSS (версия 13.0). В таблице 2 представлено одномерное частотное распределение субъективной самоидентификации респондентов с социальным классом в целом за период 1981 - 2004 гг.

–  –  –

Из таблицы 2 следует, что максимальное абсолютное отклонение распределения субъективной принадлежности к социальному классу (валидные проценты, т.е. без учета неответивших и т.д.) от теоретически предсказанного МТС (см. таб. 1) составило 4.2%, среднее арифметическое отклонение - 3%. С учетом выборочного характера исследования WVS, согласованность эмпирических и предсказанных теоретических значений можно признать вполне удовлетворительной. В соответствии с Soft Computing, полученные отклонения можно интерпретировать как отклонения от центров «нечетких» множеств, которыми являются социальные классы. Из таблицы 2 также следует, что для валидных процентов, доля обобщенного «низшего» социального класса (Lower class + Working class) составляет 41.3% (теоретическое значение на основе МТС доля обобщенного «высшего» социального класса (Lower middle class +Upper middle class +Upper class) составляет 58.7% (теоретическое значение на основе МТС - 61.8%). Абсолютная погрешность составила 3.1%, относительная погрешность - 5%. С учетом возможных погрешностей измерения и специфики выборки стран мира, полученный результат можно признать удовлетворительным.





С точки зрения Soft Computing, учет интервала погрешности измерения позволяет интерпретировать численность обобщенного «низшего» и «высшего» класса, как два «нечетких» множества. Полученные результаты не являются случайным совпадением. Об этом свидетельствуют результаты мониторинга «Eurobarometer»

[43], который проводится ежегодно с 1970 года в странах EC, где субъективная самоидентификация осуществляется по следующим социальным классам:

Refuses, Working, Lower Middle, Middle, Upper Middle, Upper. По эмпирическим данным «Eurobarometer» [43] за период 1970-1999 гг. доля обобщенного «высшего» социального класса (Lower Middle + Middle + Upper Middle + Upper) составляла 62.6% (теоретическое значение на основе МТС - 61.8%). Абсолютная погрешность составила 0.8%, относительная погрешность - 1.3%. Следовательно, получено прямое подтверждение в пользу разработанной гранулярной теории социальных классов.

Из теории А.Маслоу [14] следует, что потребности в самоуважении и самоактуализации «близки» друг к другу. В соответствии с разработанной гранулярной теорией это будет означать, что Upper middle class и Upper class будут наиболее «близки» друг к другу, по сравнению с другими социальными классами. Для проверки данного следствия было использовано оптимальное шкалирование (категориальная регрессия), результаты которого представлены в таблице 3 и на рис. 9, которые показывают «оцифрованное расстояние» между социальными классами.

–  –  –

Из таблицы 3 и рис. 9 следует, что действительно, Upper class и Upper middle class оказались наиболее «близкими» друг к другу. Следовательно, получено косвенное подтверждение в пользу разработанной гранулярной теории социальных классов.

Из теории Р.Инглехарта [44], следует, что существуют группы материалистических, смешанных и постматериалистических ценностей. Поскольку при разработке данных групп ценностей Р.Инглехарт учитывал теорию потребностей А.Маслоу [14], то материалистические ценности можно отождествить с «низшими» потребностями, а постматериалистические ценности с «высшими» потребностями теории А.Маслоу [14]. Следовательно, если разработанная гранулярная теория верна, то тогда для Lower class будут наиболее важными материалистические ценности, для Middle class - смешанные ценности, а для Upper class - постматериалистические ценности. Для проверки данного следствия теории был проведен Correspondence Analysis, результаты которого представлены на рис. 10. Грануляция социальных классов была следующей. Обобщенный Upper class -(Upper class+Upper Middle class), Middle class - (Lower middle class), обобщенный Lower class - (Working class+Lower class).

Адекватность данной грануляции вытекала из результата «оцифровки»

социальных классов, представленной на рис. 9.

Рис.10 Из рис. 10 следует, что действительно, для Upper class оказались наиболее близкими постматериалистические ценности, для Middle class - смешанные ценности, а для Lower class - материалистические ценности. Следовательно, получено еще одно эмпирическое подтверждение в пользу разработанной теории.

Из теории А.Маслоу [14] следует, что индивиды, которые находятся на стадии удовлетворения «высших» потребностей, более счастливы, имеют лучшее здоровье и сильнее идентифицируют себя с человечеством в целом, по сравнению с индивидами, находящимися на стадии удовлетворения «низших»

потребностей. В соответствии с разработанной теорией, это будет означать, что представители обобщенного «Upper class» будут более счастливыми, иметь лучшее здоровье и больше идентифицировать себя с человечеством в целом, по сравнению с обобщенным «Lower Class». Эмпирически проверим данное положение теории, сгруппировав социальные классы в два обобщенных класса, а именно, Lower Class (Lower class + Working class) и Upper Сlass (Lower middle class +Upper middle class +Upper class). В таблице 4 представлены полученные результаты.

Таблица 4 Различие между социальными классами и оценкой счастья

–  –  –

Без грануляции, зависимость между субъективной принадлежностью к социальному классу и долей очень счастливых (Very happy) представлена в таблице 6, где также представлена зависимость между самоидентификацией с

–  –  –

Результаты, представленные в таблицах 4,6, косвенно свидетельствуют в пользу адекватности разработанной гранулярной теории социальных классов.

Из разработанной теории следует, что социальные показатели принадлежности индивида к социальному классу обладают двумя характеристиками, а именно, глобальностью и локальностью. Эмпирически исследуем данное положение теории на доходе, который традиционно используется для определения принадлежности индивида к социальному классу.

На рис. 11 представлены функции вероятности принадлежности к социальному классу в зависимости от уровня дохода.

–  –  –

В таблице 7 представлены результаты дискриминантного анализа для дохода, при этом проводилась грануляция самоидентификации с социальным классом и групп доходов.

–  –  –

Исходя из Soft Computing, в частности, интервальных вычислений [9], результаты, представленные в таблице 7 можно интерпретировать следующим образом. По доходу можно правильно предсказать субъективную самоидентификацию респондентов с социальным классом на 23.6 - 65.9%. Или, результаты можно интерпретировать как наличие одновременно действующих четырех «нечетких» правил. При различных уровнях грануляции были получены следующие локальные результаты правильного предсказания субъективной самоидентификации с конкретным социальным классом в зависимости от уровня дохода, которые представлены в таблице 8.

Таблица 8 Результаты грануляции дохода и самоидентификации с социальным классом с помощью дискриминантного анализа (локальное предсказание)

–  –  –

В таблице 9 представлены результаты влияния дохода, образования, профессии на субъективную идентификацию с социальным классом, полученные с помощью дискриминантного анализа.

–  –  –

Из таблицы 9 следует, что доход, образование, профессия позволяют правильно предсказывать, в целом, субъективную принадлежность к социальному классу только на 28.9%. При этом, доход, образование, профессия в наибольшей мере (68.4%) позволяют предсказывать субъективную принадлежность к Lower class. Иными словами, наблюдается локальная предсказательная способность дохода, образования и профессии. Полученный результат хорошо согласуется с другими эмпирическими результатами [42] о слабой связи между доходом, образованием и профессией и субъективной идентификацией с социальным классом.

Зависимость между субъективной самоидентификацией респондентов с социальным классом и страной проживания, годом проведения опроса, доходом, образованием, профессией существенно зависит от грануляции социальных классов. Это следует из проведенного анализа с помощью мультиноминальной логистической регрессии, пошагового дискриминантного анализа, Classification Tree и оптимального шкалирования. В качестве примера в таблице 10 представлены результаты пошагового дискриминантного анализа для некоторых грануляций субъективной самоидентификации с социальным классом. В качестве критерия грануляции использовался критерий «ближайшего соседа», согласно которому грануляция не должна нарушать иерархический порядок социальных классов.

–  –  –

Страна мира (национальная специфика страны) оказывает слабое статистическое влияние на субъективную самоидентификацию с социальным классом (коэффициент сопряженности Крамера равен CV = 0.216 ), что может служить эмпирическим подтверждением универсальности разработанной теории.

Универсальность теории может быть обусловлена общесистемными закономерностями [8,35], обеспечивающими системную целостность социальных систем.

В целом, полученные результаты эмпирической верификации прямо и косвенно свидетельствуют в пользу адекватности разработанной гранулярной теории социальных классов.

Выдвижение новых плодотворных гипотез Разработанная гранулярная теория социальных классов позволяет выдвигать новые плодотворные гипотезы, доступные эмпирической проверке, что в системной социологии [7] считается одним из конкурентных преимуществ теории. Например, из рис. 2 следует, что принадлежность к социальному классу и

–  –  –

Из таблицы 11 следует, что по оценке счастья можно точнее прогнозировать результат субъективной самоидентификации респондента с социальным классом, по сравнению с обратной ситуацией, когда по субъективной самоидентификации прогнозируется оценка счастья. Огрублено можно сказать, что потребности индивидов максимально определяют социальное положение индивидов в обществе. Объяснение полученного статистического результата вытекает, в частности, из классической модели W. Warner [цит. по 5], согласно которому существует Lower-upper class (или образно, «новые деньги»), т.е.

индивиды, попавшие в Upper class благодаря своим способностям, труду, достижениям и (или) стечению обстоятельств, с помощью вертикальной социальной мобильности. Таким образом, выдвинутая гипотеза, согласно которой субъективная самоидентификация с социальным классом в максимальной мере определяет оценку счастья, в данном исследовании не получила эмпирического подтверждения. Из полученных результатов следует, что наоборот, оценка счастья в максимальной мере определяет субъективную самоидентификацию с социальным классом.

Другая гипотеза. Из рис. 1 следует, что для среднего класса наиболее важными являются потребности в социальных связях (идентификации, принадлежности к социальной группе и т.д.). Если допустить, что теория верна, то тогда, чем выше доля среднего класса в стране мира, тем для большего количества граждан данной страны важны потребности в социальных связях.

Данная гипотеза позволяет объяснить эмпирические данные WVS, из которых следует, что за период 1981 - 2004 гг. доля респондентов, идентифицирующих себя со средним классом (Upper middle class+ Lower middle class) составила, например, в Израиле - 89.6%, Швейцарии - 77.6%, Азербайджане - 74.4%, Грузии Великобритании - 66.9%, Киргизстане - 66.8%, Японии - 65.6%, США Беларуси - 63.0%, России - 38.9%. В частности, из гипотезы вытекает, что в Израиле важность социальных связей в 2.3 раза выше, чем в России. Данная гипотеза также объясняет, почему в Грузии и Киргизстане доля респондентов, идентифицирующих себя со средним классом выше, чем в Японии и США.

Потому, что в Грузии и Киргизстане более важны потребности в социальных связях.

Компьютерная реализация теории Компьютерная реализация разработанной теории осуществлялась в рамках компьютационной парадигмы Neuro Computing [24], поскольку с помощью «нейронной» сети можно аппроксимировать (приблизить) любую классовую структуру в прошлом, настоящем или будущем для любой страны мира с учетом средств удовлетворения потребностей. Например, если средства удовлетворения потребностей отождествить с «входными» нейронами, скрытый слой с пятью нейронами отождествить с группами потребностей А.Маслоу [14], а «выходные»

нейроны отождествить с субъективной самоидентификацией с социальными классами. Данное утверждение следует из доказанных математических теорем Neuro Computing [24].

С помощью генетического алгоритма обучения была обучена «нейронная»

сеть класса CANFIS (Co-Active Neuro-Fuzzy Inference System) из пакета «NeuroSolutions» (версия 5.0) [34]. Более подробно с «нейронными» сетями класса Neuro-Fuzzy Computing, основанными на «нечеткой» логике, заинтересованный читатель может ознакомиться в [24, 36-37]. В качестве «входных» нейронов выступали традиционные объективные показатели, а именно, доход, образование, профессия респондента, в качестве «выходных» нейронов выступала субъективная самоидентификация с социальным классом. Скрытый слой содержал пять нейронов, что соответствовало пяти группам потребностей А.Маслоу (см. рис.8). В качестве передаточных нейронов использовались SoftMaxAxon («мягкие» нейроны), функции принадлежности Белла. Процедура «нечеткого» вывода - модель TSK Sugeno. Архитектура построенной CANFIS представлена на рис. 13.

Рис.13 Архитектура CANFIS (Co-Active Neuro-Fuzzy Inference System) Характеристики генетического алгоритма обучения были следующими.

Количество эпох - 25000, размер популяции - 200, количество поколений - 100.

Оператор селекции - Roulette («рулетка»), вероятность кроссовера (кроссинговера) - 0.9, вероятность мутации - 0.01. Точность обучения «нейронной»

сети по исходным данным составила r 0.93. При обучении «нейронной» сети использовалась процедура кроссвалидизации. Тестирование обученной «нейронной» сети осуществлялось методом скоринга (на 1% эмпирических данных WVS, которые предварительно были выбраны с помощью систематической выборки из общего массива и не использовались для обучения «нейронной» сети). Обученная «нейронная» сеть правильно классифицировала в 79% случаев, субъективную принадлежность индивида к социальному классу на новых эмпирических данных.

Использование гранулярной теории социальных классов в современной России По данным Л.А.Беляевой [45], суммарная доля «новых» и «старых» бедных в современной России составляет 36%. Если «новых» и «старых» бедных интерпретировать как обобщенный «Lower Сlass», то тогда полученное значение близко (абсолютная погрешность 2.2%), к значению 38.2%, которое следует из таблицы 1 и соответствует эмпирическим данным из WVS, которые были представлены выше. Соответственно, в современной России доля обобщенного «Uper Class» может составлять 61.8%. В соответствии с представленными выше эмпирическими результатами, имеются основания предполагать, что доля очень счастливых и имеющих хорошее состояние здоровья в обобщенном «Uper Class»

может быть выше, по сравнению с обобщенным «Lower Сlass». Исходя из разработанной теории имеются также основания предполагать, что представители обобщенного «Lower Сlass» в современной России находятся на уровне удовлетворения низших потребностей (потребности нужды и безопасности) и удовлетворение данных потребностей имеет для данного обобщенного социального класса наибольшую значимость. Данное предположение хорошо согласуется с результатами многочисленных эмпирических исследований, например [46-49]. Разработанная теория позволяет предположить, что для представителей среднего класса в современной России, наиболее важными являются смешанные ценности по Р.Инглехарту [44], потребности в социальных связях и самоуважении. В целом, гранулярная теория социальных классов имеет эмпирическое подтверждение и в современной России, позволяет теоретически объяснить и спрогнозировать закономерности ответов респондентов в эмпирических исследованиях, посвященных классовой структуре современного российского общества.

Заключение В проведенном исследовании были получены некоторые прямые и косвенные эмпирические подтверждения в пользу разработанной автором гранулярной теории социальных классов. Разработанная теория позволяет более адекватно, по сравнению с другими существующими теориями, описывать и объяснять многоуровневую «нечеткую» грануляцию социальных классов, выдвигать новые и плодотворные гипотезы, доступные эмпирической проверке.

Разработанная на основе гранулярной теории компьютерная модель, с использованием «нечеткой» логики, позволяет значительно точнее, по сравнению с предыдущими моделями, прогнозировать субъективную самоидентификацию респондентов с социальным классом. Полученные в данном исследовании эмпирические результаты позволяют по новому объяснить закономерности классовой структуры в современной России и теоретически обоснованно прогнозировать закономерности ответов респондентов в эмпирических исследованиях, посвященных классовой структуре общества. Вместе с тем, разработанная автором гранулярная теория классовой структуры общества - это всего лишь теория (объяснительная гипотеза), которая хотя и имеет некоторые эмпирические подтверждения, однако нуждается в окончательной верификации.

СПИСОК ЛИТЕРАТУРЫ

1. Levine R. Social Class and Stratification: Classic Statements and Theoretical Debates. N.Y.: Rowman & Littlefield Publishers Inc.; 2006.

2. Thompson W., Hickey J. Society in Focus. Boston, MA: Pearson, 2005.

3. Grusky D. Social Stratification: Class, Race and Gender in Sociological Perspective. N.Y.: Westview Press, 2000.

4. Class, Status and Power. Social Stratification in Comparative Perspective/Ed.

R.Bendix., S.Lipset. N.Y.: The Free Press, 1966.

5. http://en.wikipedia.org/wiki/Social_class

6. Давыдов А.А. Системная социология - социология XXI века?//Социол.исслед. 2006, №6, С. 20-25.

7. Давыдов А.А. Системная социология. М.: КомКнига, 2006.

8. Давыдов А.А. Модульный анализ и конструирование социума. М.: ИСАН, 1994.

9. Давыдов А.А. Системный подход в социологии: новые направления, теории и методы анализа социальных систем. М.: Эдиториал УРСС, 2005.

10. Herstein R., Murrey Ch. The bell curve: Intelligence and class-structure in American life. N.Y.: New York Publ., 1994.

11. Давыдов А.А. Системная социология: введение в анализ динамики социума.

М.: КомКнига, 2007.

12. http://www.sscnet.ucla.edu/issr/da/Mobility/framec.htm

13. Давыдов А.А., Чураков А.Н. Модульный анализ и моделирование социума.

М.: ИСАН, 2000.

14. Maslow A.H. Motivation and Personality. N.Y.: Harper & Row, 1954.

15. Bargiela A., Pedrycz W. Granular Computing: An Introduction. N.Y.:Springer, 2002.

16. Pedrycz W. Granular Computing: An Emerging Paradigm. Heidelberg.: PhysicaVerlag Heidelberg, 2001.

17. Lin T., Yao Y., Zadeh L. Data Mining, Rough Sets and Granular Computing.

Heidelberg.: Physica-Verlag Heidelberg, 2002.

18. Gratton L. Analysis of Maslow's Need Hierarchy with three social class groups// Social Indicators Research. 1980, V. 7, P. 463-476.

19. Хекхаузен Х. Мотивация и деятельность. М.: Питер, 2003.

20. Черныш М.Ф. Социальные институты и мобильность в трансформирующемся обществе. М.: Гардарики, 2005.

21. http://www.cs.sjsu.edu/~grc/grc2007/index.php

22. Slezak D., Yao J., Peters J. Rough Sets, Fuzzy Sets, Data Mining and Granular Computing: 10th International Conference (RSFDGrC 2005). N.Y.: Springer, 2005.

23. Rutkowski L. New Soft Computing Techniques for System Modeling, Pattern Classification and Image Processing. N.Y.:Springer Verlag, 2004.

24. Jang J., Sun C., Mizutani E. Neuro-Fuzzy and Soft Computing. N.Y.: Prentice Hall, 1997.

25. Tanaka K., Niimura T. An Introduction to Fuzzy Logic for Practical Applications.

N.Y.: Springer-Verlag, 1996.

26. Pawlak Z. Drawing conclusions from data - the rough set way//Int. J. Intell.

Systems. 2001, Vol. 16, № 1, C. 3-11.

27. Duntsh I., Gunter G. Roughian: Rough information analysis//Int. J. Intell.

Systems. 2001, Vol. 16, № 1, C. 121-147.

28. Молодцов Д.А. Теория мягких множеств. М.: Едиториал УРСС, 2004.

29. Shafer G. Perspectives on the theory and practice of belief functions//International Journal of Approximate Reasoning, 1990, V. 3, P. 1-40.

30. Wang H., Smarandache F., Zhang Y., Sunderraman R. Interval Neutrosophic Sets and Logic: Theory and Applications in Computing. Arizona.: Hexis, 2005.

31. Ragin C. Fuzzy-Set Social Science. Chicago.: University Of Chicago Press, 2000.

32. Zadeh L. Toward a theory of fuzzy information granulation and its centrality in human reasoning and fuzzy logic// Fuzzy Sets and Systems. 1997, V. 90, P.111 http://www. Matlab.ru

34. http://www. Neurosolutions.com

35. Черныш М.Ф. Средний класс: качественные и количественные параметры//Модульный анализ социальных систем/Под ред. А.А.Давыдова.

М.: ИСАН, 1993, С.72-75.

36. Штовба С.Д. Введение в теорию нечетких множеств и нечеткую логику.

(http://www.nsu.ru/matlab/MatLab_RU/fuzzylogic/index.asp.htm)

37. Борисов В. В., Круглов В. В., Федулов А. С. Нечеткие модели и сети. М.:

Горячая Линия - Телеком, 2007.

38. http://www.worldvaluessurvey.org

39. Jackman M., Jackman R. An interpretation of the relation between objective and subjective social status//American Sociological Review. 1973, V. 38, P. 569-582.

40. Goyder J. A note on the declining relation between subjective and objective class measures//British Journal of Sociology 1975, V.26, P. 102-109.

41. Kluegel J., Singleton R., Starnes C. Subjective Class Identification: A Multiple Indicator Approach//American Sociological Review, 1977, V. 42, №. 4, P. 599Kikkawa T. Changes in the determinants of class identification in Japan// International journal of sociology. 2000, Vol. 30, №2, P. 34-51.

43. The Mannheim Eurobarometer Trend File: 1970-1999/Ed. E. Scholz., H. Schmitt.

Mannheim, 2001.

44. Inglehart R. The Silent Revolution: Changing Values and Political Styles Among Western Publics. Princeton.: Princeton University Press, 1977.

45. Беляева Л.А. Социальные слои в России: опыт кластерного анализа//Социол. исслед. 2005, № 12, С. 56-64.

46. Социальная стратификация российского общества/Под ред. З.Т.

Голенковой, СПб.: Летний сад, 2003.

47. Авраамова Е. М., Григорьев Л. М., Космарская Т. П., Малева Т. М., Радаев В. В., Урнов М. Ю. Средний класс в России: количественные и качественные оценки. М.: ТЕИС, 2000.

48. Попова И.П. Средние слои, средний класс в российском обществе - к проблеме соотнесения//Социол. исслед. 2005, № 12, С.65-76.

49. Городской средний класс в современной России (Аналитический доклад)/Авт. М.К.Горшков, Н.Е.Тихонова. (http://www.isras.ru)

ФУНКЦИОНИРОВАНИЕ МОЗГА РЕСПОНДЕНТОВ И КОГНИТИВНЫЙКОМПЬЮТИНГ

В системной социологии [1] накоплено множество эмпирических фактов, относящихся к стратегиям ответов респондентов при проведении опросов общественного мнения [2], например, формирования оценочных суждений, ментальной репрезентации общества, себя и других индивидов, предвидения будущего, операционализации понятий «счастье», «удовлетворенность жизнью» и т.д., которые требуют объективного изучения механизмов функционирования мозга респондентов. Данные нейробиологические исследования необходимы для разработки искусственных социальных агентов [3], развития теории принятия решений, в частности, теории социологических алгоритмов [4], разработки методов интеллектуально анализа данных [5], адекватного выбора методов сбора и анализа социологической информации, интерпретации результатов опросов респондентов, в частности, полученных с помощью семантического дифференциала Ч.Осгуда, многомерного шкалирования, методов классификации и т.д. Кроме того, имеются гипотезы [6-7] о влиянии механизмов функционирования мозга человека на возможности и ограничения конструирования социальной реальности, в частности, влияния функциональной межполушарной асимметрии мозга на различные социальные явления и процессы, например, на принятие государственных решений политическими лидерами, доминирование стилей в архитектуре и т.д. Также существует гипотеза о квантовом уровне социальной реальности [4], благодаря которому осуществляется неосознаваемое взаимодействие между индивидами. Данные гипотезы требуют объективной нейробиологической проверки.

Исследованием механизмов функционирования мозга индивидов при решении социальных задач (процесс принятия решений, формирование субъективных оценок, образов, эмоций, механизмы восприятия и запоминания социальных событий, процессы социального взаимодействия и т.д.) занимается Social Neuroscience (социальная нейронаука) [8-10] - новое перспективное направление системной социологии. C 2006 года издается международный журнал «Social Neuroscience» [11]. Во многих ведущих университетах США, например, Гарварда, Стэнфорда, Принстона, Чикаго, Колумбийском Университете, созданы лаборатории по Social Neuroscience, читаются соответствующие спецкурсы. Развивается ряд частных направлений Social Neuroscience, например, Social cognitive neuroscience (SCN) [12] издается международный журнал «Social Cognitive and Affective Neuroscience» [13], развивается нейроэкономика [14]. В частности, создано международное общество нейроэкономики [15], по нейроэкономике проводятся международные симпозиумы [16], в России в Высшей школе экономики, Д.Репиным [17] читается спецкурс по нейроэкономике. Предпринимаются усилия по развитию нейросоциологии [18]. В данном разделе автор19 кратко изложил основы и некоторые полученные результаты в Social Neuroscience - новом перспективном направлении системной социологии.

Основы Social Neuroscience Social Neuroscience базируется на системном подходе, общей теории систем, нейробиологических теориях функционирования мозга и прямого и обратного взаимодействия между мозгом, как нейробиологической системой, и социальными системами [6,18-19]. Основными исследовательскими задачами Social Neuroscience являются следующие задачи. По каким нейробиологическим законам функционирует мозг человека при решении различных социальных задач, в частности, как функционирует мозг респондента в режиме реального времени в процессе анкетирования (интервьюирования), какие отделы мозга функционируют при ответах на так называемые «открытые» и «закрытые» вопросы анкеты, какие отделы мозга активируются при позитивных и негативных оценочных суждениях, оценке субъективных вероятностей событий и т.д. В какой мере способы решения социальных задач определяются культурой, а в какой мере - врожденными нейробиологическими механизмами функционирования головного мозга? Каковы общие и специфические нейробиологические механизмы функционирования мозга у разных людей (влияние пола, возраста, расы, образования и т.д.). В какой мере нейробиологические механизмы функционирования головного мозга влияют на различные социальные явления и процессы? Каким образом происходит влияние социальных факторов (социализация и т.д.) на изменение функционирования головного мозга человека?

Автор окончил психологический факультет МГУ, где преподавались анатомия и физиология мозга человека, нейропсихология, психофизиология, когнитивная психология и т.д., проводились лабораторные практикумы.

–  –  –

Для анализа томограмм и моделирования используется множество математических методов нейроинформатики [21-24], в частности, динамический пространственный 3D системный анализ Neuroimage, Image Reconstruction, Virtual Reality Imaging, Diffusion Tensor Imaging, Complexity Analysis, Pattern-Analysis, искусственные «нейронные» сети класса SVM (Support Vector Machine) [25], множество статистических методов, которые реализованы в многочисленных специализированных компьютерных пакетах для компьютерной томографии, например, AFNI Matlab toolbox, AMIDE, ASAP, BrainSuite2, BrainStat, BrainInfo, FMRISTAT, FMRLAB, FEAT, Dynamic PET, MRVision, Vitrea 2 и т.д. [26]. Издается международный журнал «NeuroImage» [27] в котором публикуются новые экспериментальные результаты, методы математического анализа, моделирования и визуализации функционирования мозга человека. В качестве PET - метод основан на регистрации пары гамма-квантов, возникающих при аннигиляции позитронов из радиофарм-препарата, вводимого перед исследованием.

fMRI - метод основан на физическом явлении ядерно-магнитного резонанса - измерении электро-магнитного отклика атомов водорода на возбуждение их определенной комбинацией электро-магнитных волн в постоянном магнитном поле высокой напряженности.

наглядной иллюстрации на рис. 2 представлены некоторые подходы [28] к нейробиологическому анализу функционирования мозга человека.

–  –  –

На рис. 3 представлены результаты одного из методов Image Reconstruction, который позволяет из множества 2D слайдов - «срезов»

восстановить целостное 3D изображение мозга.

–  –  –

Поскольку в Social Neuroscience исследователи экспериментально изучают нейробиологическое функционирование мозга человека, варьируя содержательную специфику стимульных задач и испытуемых, то для обобщения частных результатов используется Neuroimage meta-analysis [29], экспериментальных данных, представленных в статьях научных журналов или международных компьютерных базах Neuroscience Database Gateway [30].

Neuroimage meta-analysis включает в себя comparison indicator maps (CIMs), Nelder-Mead optimization methods, FMRIB’s Local Analysis of Mixed Effects (FLAME), likelihood estimate (ALE) analysis, Kernel density analysis (KDA), в частности, Multilevel KDA, Gaussian Interpolation, Pattern-Analysis и т.д., которые реализованы в различных компьютерных пакетах, например, ALE, BRAID, BrainMap, Brede Toolbox, FVM и т.д. [26] и позволяют выявить общее и особенное в функционировании мозга человека при решении различных социальных задач, а также выявить индивидуальные различия испытуемых и общие закономерности для группы испытуемых. В качестве иллюстрации на рис. 5 представлен один из результатов Neuroimage meta-analysis [31], который наглядно показывает, какие отделы головного мозга человека активируются при намерении, действии и влиянии контекста.

Рис. 5 Результат Neuroimage meta-analysis В этой связи отметим, что в нейробиологии уже накоплено значительное количество экспериментальных фактов о локализации долговременной и кратковременной памяти, когнитивных и аффективных (эмоциональных) механизмов в структурах мозга человека, различиях в переработке информации в левом и правом полушариях мозга [2], что позволяет получить дополнительные объективные знания о механизмах переработки информации в мозге человека при решении социальных задач. Например, известно [32], что активация миндалины22 ответственна за память на эмоциональные события. При этом активация миндалины происходит уже через 300 мсек после предъявления визуального стимула, т.е. задолго до того, как испытуемые начинают сознательно интерпретировать увиденное.

В настоящее время ведутся работы [33] по интеграции существующих компьютерных баз данных в единый международный компьютерный атлас, представляющий собой 2D и 3D компьютерную анимацию функционирования мозга человека при решении различных социальных задач, интегрированный в компьютерный атлас Whole Brain Atlas [34]. Визуализация данных из Whole Brain Atlas может осуществляться с помощью 3D дисплеев [35-36] (рис.6) или в 3D визуальных лабораториях [37-38] (рис.7).

Рис.6 3D дисплей PerspectaRad Миндалина – отдел мозга, ответственный за регуляцию эмоционального поведения.

–  –  –

Полученные результаты К настоящему моменту времени в Social Neuroscience накоплено множество экспериментальных нейробиологических фактов о закономерностях функционирования структур головного мозга человека при решении социальных задач, опубликованных в монографиях [8-10], научных статьях журналов «Social Neuroscience» [11], «Social Cognitive and Affective Neuroscience» [13], «NeuroImage» [27] и т.д., доложенных на международных симпозиумах [16].

Перечислим некоторые из полученных результатов. Изучены различия в переработке информации мозгом мужчин и женщин [32, 39], закономерности функционирования мозга человека, ответственные за любовь [40], менталитет [41], религиозность [42], моральные установки [43], антисоциальное поведение [44], наркоманию [45], принятие экономических решений в условиях неопределенности и риска, восприятия рекламы, доверия, кооперации, ценностей [цит. по 16, 46], потребительское поведение (мозговые корреляты шоппинга) [47], сопереживание [31], различия избирателей, голосующих за демократов и республиканцев [48] и т.д.

Рассмотрим более подробно несколько полученных результатов. С помощью functional magnetic resonance imaging (fMRI) было проведено исследование [49] нейробиологических механизмов восприятия испытуемыми (10 республиканцев и 10 демократов, группы испытуемых были уравнены по полу и возрасту), стандартизированных визуальных изображений кандидатов на пост Президента США в 2004 году Джорджа Буша и Джона Керри. После эксперимента испытуемые заполняли специальную анкету с оценочными суждениями о Дж.Буше и Дж. Керри. На рис. 8 представлены нейробиологические различия оценочных суждений о данных политических деятелях.

–  –  –

Примечание: dlpfs – dorsolateral prefrontal cortex, acc - anterior cingulate, Insula (латинские названия отделов головного мозга).

Известно [32,39], что среди женщин депрессии наблюдаются чаще, чем среди мужчин. Представители феминистской социологии объяснили бы данный факт тем, что женщины занимают подчиненное положение в социуме. Это неверное объяснение. На самом деле, данные positron emission tomography (PET) [32] неопровержимо свидетельствуют о врожденном нейробиологическом механизме возникновения депрессии, а именно, серотонин23 вырабатывается в головном мозге мужчин быстрее, чем у женщин (см. рис.10). Поскольку серотонин влияет на настроение, то женщины страдают депрессией чаще, чем мужчины.

Таким образом, даже если бы женщины доминировали над мужчинами в социуме, депрессия среди женщин наблюдалась бы все равно чаще, чем среди мужчин.

Серотонин (5-гидрокситриптамин) - нейромедиатор и гормон. Серотонин является химическим передатчиком импульсов между нервными клетками человеческого мозга, который контролирует настроение и эмоции человека.

–  –  –

Известно, что люди могут практически мгновенно понимать поведение и намерения других индивидов, что обеспечивает социальные взаимодействия.

Представители классической социологии объяснили бы данный факт научением в процессе социализации. Это неверное объяснение. На самом деле, данные Social Neuroscience [31] свидетельствуют, что в мозге человека врожденно существуют так называемые зеркальные нейроны, активность которых отражает в мозге наблюдателя те действия, что совершают окружающие. Зеркальные нейроны позволяют человеку быстро и легко понимать поведение других индивидов, не испытывая нужды в их логическом обосновании, поскольку наблюдаемые действия других людей фактически происходят в мозге наблюдателя.

Почему получили широкое распространение пластиковые карты для безналичных расчетов? Почему в казино игроки оплачивают проигрыш не наличными деньгами, а фишками? Кроме очевидных удобств, нейробиологические исследования в нейроэкономике [цит. по 46] показывают, что наличные деньги имеют самостоятельную ценность, т.е. обладание наличными деньгами само по себе вызывает положительные эмоции, а расставание с наличными деньгами вызывает негативные эмоции. Пластиковые карты, фишки в казино и другие схемы безналичных расчетов «маскируют» расставание с наличными деньгами, что вызывает меньше негативных эмоций.

Эмпирические исследования [50, с.501-502] показывают, что у детей до 11 лет, воспитывавшихся в разных культурах, тип и частота проявлений агрессии одинаковы и только после 11 лет происходит смена на специфические

–  –  –

Эмпирические исследования [52] показывают, что субъективные оценки прошлого, настоящего и будущего нелинейно взаимосвязаны, причем по оценке будущего можно точнее предсказать (в статистическом смысле) оценку настоящего, чем наоборот. Social Neuroscience [53] позволяет объективно

–  –  –

WVS проводился за период 1981 - 2004 гг. пятью «волнами». Общее количество опрошенных составило 267870 респондентов, опрос проводился в 80 странах мира, в частности, в Российской Федерации.

Руководитель проекта R. Inglehart.

Для выявления прямых и обратных связей между ответами респондентов автор доклада использовал направленные коэффициенты (тау) Гудмена и Краскела из пакета SPSS (версия 13.0).

–  –  –

[Цит. по 59] В последние годы развивается Cognitive Computing (когнитивные вычисления) [60], в рамках которых осуществляется синтез Neuroscience, Computer Science, Mathematics, Cognitive Neuroscience и Information Theory. В США Cognitive Computing финансируется в рамках The Defense Advanced Research Projects Agency (DARPA) [61] министерства обороны США, поскольку развитие Cognitive Computing имеет стратегическое значение для разработки принципиально новых информационных технологий и национальной безопасности в целом. В частности, Сенат США в 2008 г. выделил на развитие Cognitive Computing в рамках программы DARPA около 95 млн. долларов США [61].

Cognitive Computing разрабатывают в Almaden Research Center IBM [62], в научноисследовательских лабораториях ведущих Университетов США, например Berkeley, MIT, в национальных суперкомпьютерных Центрах США.

В рамках Cognitive Computing предпринимаются усилия по созданию суперкомпьютерных систем искусственного мышления [63]. Например, уже

–  –  –

[Цит. по 64] Перспективная научно-техническая задача в рамках Cognitive Computing и Social Neuroscience - разработка суперкомпьютерных систем искусственного системного мышления [65] для использования в системах Intelligent Data Analysis (интеллектуальный анализ данных), Decision Support Systems (системах поддержки принятия управленческих решений), в компьютационных моделях Multi-Agent-Based Social Simulations (MABSS), компьютерных системах Image Understanding, Scene Understanding (понимание и интерпретация визуальных образов и сцен), компьютерных системах Automated Theory Formation (автоматическая разработка теорий) и т.д.

Стиль системного мышления изучен достаточно хорошо [66-83]. В частности, международное издательство «Springer» [84] публикует серию «Contemporary Systems Thinking» (современное системное мышление) в рамках которой были опубликованы следующие монографии, представленные ниже в порядке убывания года опубликования, для наглядного представления тенденций.

1. Collective Beings (Minati G., Pessa E., 2007)

2. In Search of an Integrative Vision for Technology (Strijbos S., Basden A., 2006)

3. Realising Systems Thinking: Knowledge and Action in Management (Mingers J., 2006)

4. Processes and Boundaries of the Mind (Neuman Y., 2004)

5. Community Operational Research. OR and Systems Thinking for Community Development (Midgley G., Ochoa-Arias A., 2004)

6. Critical Systemic Praxis for Social and Environmental Justice. (McIntyre-Mills J., 2004)

7. Metadecisions: Rehabilitating Epistemology (van Gigch J.P., 2003)

8. Guided Evolution of Society: A Systems View (Banathy B.H., 2000)

9. Systemic Intervention: Philosophy, Methodology and Practice (Midgley G., 2000)

10. Sociopolitical Ecology: Human Systems and Ecological Fields (Bates F.L., 1997)

11. Designing Social Systems in a Changing World (Banathy B.H., 1997)

12. Power, Ideology and Control (Oliga J.C., 1996)

13. Self-Producing Systems: Implications and Applications (Mingers J., 1995)

14. Systems Methodology for the Management Sciences (Jackson M.C., 1992)

15. Operational Research and Systems. The Systemic Nature of the Operational Research (Keys P., 1991)

16. Liberating Systems Theory (Flood R.L., 1990) Кратко напомним некоторые принципы системного стиля мышления.

Рассмотрение объектов исследования, как систем, т.е. связных множеств элементов, функционирующих как единое целое, учет обратных связей внутри системы и между изучаемой системой и окружающей средой, учет временных задержек между причинами и следствиями, параллельное использование анализа и синтеза, индукции и дедукции, аналитического и образного стилей мышления, количественных и качественных методов, методов анализа и моделирования. В

–  –  –

В целом, системное мышление - это множество когнитивных алгоритмов эффективного решения научных и практических проблем, возникающих при изучении и управлении сложными динамическими социальными системами.

Уже разработаны компьютерные системы, которые имитируют отдельные аспекты стиля системного мышления, в частности, основанные на теории и методах системной динамики [86], теории и методах Soft Computing («мягких»

вычислений) [87], UML (Unified Modelling Language) [88], гештальт-теории визуального мышления [89], теории самоорганизации [90] и т.д. Некоторые логические методы системного мышления для решения проблем, реализованы в компьютерных системах, например Transformation LogicTree TLT [91]. В качестве иллюстрации на рис. 18 представлен один из процессов системного мышления, реализованный в TLT.

–  –  –

[Цит. по 91] В целом, имеются предпосылки для успешного решения важной научнотехнической задачи в рамках системной социологии - разработки суперкокомпьютерных систем искусственного системного мышления.

Заключение Рассмотренные в данном разделе познавательные возможности Social Neuroscience - нового перспективного направления системной социологии, свидетельствуют, что данное направление позволяет принципиально по-новому, объективно и существенно продвинуть наши представления о ментальном конструировании социальной реальности респондентами и поведении индивидов в социуме, разработать суперкомпьютерные системы искусственного системного мышления, эффективные для решения научных и практических проблем.

СПИСОК ЛИТЕРАТУРЫ

1. Давыдов А.А. Системная социология. М.: КомКнига, 2006.

2. Давыдов А.А. Респондент как источник информации. М.: ИСАН, 1993.

3. Давыдов А.А. О компьютационной теории социальных агентов//Социол.

исслед. 2006, №2, С. 19-28.

4. Давыдов А.А. Системный подход в социологии: новые направления, теории и методы анализа социальных систем. М.: Эдиториал УРСС, 2005.

5. Давыдов А.А. Системная социология: введение в анализ динамики социума.

М.: ЛКИ, 2007.

6. Wexler B. Brain and Culture: Neurobiology, Ideology and Social Change.

Massachusetts.: The MIT Press, 2006.

7. Петров В.М. Эта таинственная цикличность.../ Число и мысль. Вып. 9. М., 1986, С. 86-112.

8. Cacioppo J., Berntson G., Taylor S., Schacter D. Foundations in Social Neuroscience. Massachusetts.: The MIT Press, 2002.

9. Cacioppo J., Visser P., Pickett C. Social Neuroscience: People Thinking about Thinking People. Massachusetts.: The MIT Press, 2005.

10. Harmon-Jones E., Winkielman P. Social Neuroscience: Integrating Biological and Psychological Explanations of Social Behavior. N.Y.: The Guilford Press, 2007.

11. http://www.psypress.com/socialneuroscience/default.asp

12. http://www.columbia.edu/~ko2132/home.htm

13. http://scan.oxfordjournals.org

14. Glimcher P. Decisions, Uncertainty and the Brain: The Science of Neuroeconomics. Massachusetts.: The MIT Press, 2004.

15. http://www.neuroeconomics.org/index.htm

16. http://www.neuroeconomics.org/neuroeconomics_society_009.htm

17. http://hse.ru/temp/2007/05_07_repin.shtml

18. Franks D. Mind, Brains and Society: Toward a Neurosociology of Emotions. N.Y.:

JAI Press, 1999.

19. Saxe R., Baron-Cohen S. Theory of Mind. A Special Issue of Social Neuroscience. N.Y.: Psychology Press, 2007.

20. http://en.wikipedia.org/wiki/Tomography

21. Arbib M., Grethe J. Computing the Brain: A Guide to Neuroinformatics.

N.Y.:Academic Press, 2001.

22. Sommer F., Wichert A. Exploratory Analysis and Data Modeling in Functional Neuroimaging. Massachusetts.: The MIT Press, 2002.

23. Friston К. Statistical Parametric Mapping: The Analysis of Functional Brain Images. N.Y.: Academic Press, 2006.

24. Sarty G. Computing Brain Activity Maps from fMRI Time-Series Images.

Cambridge.: Cambridge University Press, 2006.

25. Mourao-Miranda J., Friston K., Brammer M. Dynamic discrimination analysis: A spatial-temporal SVM//NeuroImage, 2007, №1, P. 88-99.

26. http://hendrix.imm.dtu.dk/staff/fnielsen/bib/Nielsen2001BibNeuroinformatics/node

17.html.

27. http://www.elsevier.com/wps/find/journaldescription.cws_home/622925/descriptio n?navopenmenu=-2

28. http://www.loni.ucla.edu/~thompson/NIMG/PT/1_AtlasesAvging.jpg

29. Wager T., Lindquist M., Kaplan L. Meta-analysis of functional neuroimaging data:

current and future directions//Social Cognitive and Affective Neuroscience, 2007, Vol.2, №2, P.150-158.

30. http://ndg.sfn.org



Pages:     | 1 || 3 |
 
Похожие работы:

«РОССИЙСКИЕ ВУЗЫ НА МЕЖДУНАРОДНОМ РЫНКЕ ОБРАЗОВАТЕЛЬНЫХ УСЛУГ МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮ Центр социологических исследований А.Л. Арефьев РОССИЙСКИЕ ВУЗЫ НА МЕЖДУНАРОДНОМ РЫНКЕ ОБРАЗОВАТЕЛЬНЫХ УСЛУГ МОСКВА MINISTRY OF EDUCATION AND SCIENCE OF THE RUSSIAN FEDERATION FEDERAL AGENCY FOR EDUCATION Sociological Researche Center Alexander Arefiev RUSSIAN HIGHER SCHOOLS ON THE INTERNATIONAL MARKET OF EDUCATIONAL SERVICES MOSCOW УДК...»

«БЕЛОРУССКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ УДК 316.022.4 + 316.455 + 325.14 АЛАМПИЕВ ОЛЕГ АНАТОЛЬЕВИЧ ИНТЕГРАЦИЯ МИГРАНТОВ-МУСУЛЬМАН В БЕЛОРУССКОЕ ОБЩЕСТВО: СОЦИОЛОГИЧЕСКИЙ АНАЛИЗ Автореферат диссертации на соискание ученой степени кандидата социологических наук по специальности 22.00.01 – теория, история и методология социологии Минск, 2014 Работа выполнена в Белорусском государственном университете Научный руководитель: Безнюк Дмитрий Константинович, доктор социологических наук, доцент,...»

«Р.Г. Баранцев Избранные тексты (Автография. Становление тринитарного мышления. Синергетика) (Сост. А. Алексеев. 2013) Содержание Вместо предисловия.. = От составителя = Из книги А. Алексеева и Б. Докторова «В поисках Адресата». = Из книги А. Алексеева и Р. Ленчовского «Профессия – социолог.» Часть 1. Из жизни Р.Г. Баранцева.. = Краткая научная биография Р. Баранцева = Р. Баранцев. Пробежкой – о себе (2004-2005).1 = Р. Баранцев. Автография (2008)..30 = Р. Баранцев. Любищев в моей судьбе...»

«УДК 316.42(476)(082) В сборнике представлены статьи ведущих белорусских, российских и украинских социо­ логов, посвященные актуальным проблемам развития белорусского, российского и украин­ ского обществ, социальной теории, методологии и методикам социологических исследований. «Социологический альманах» рассчитан на студентов, аспирантов, профессиональных социологов, а также читательскую аудиторию, интересующуюся современным социальным развитием Беларуси.Р е д а к ц и о н н а я к о л л е г и я:...»

«Иностранные студенты в целом удовлетворены (73%) возможностью участия в олимпиадах по практическим навыкам по различным дисциплинам. Приятно отметить, что иностранные учащиеся неоднократно становились призерами таких олимпиад и представляли наш вуз на всероссийских соревновательных форумах по различным направлениям медицины. Проведение социологических опросов студентов является обязательным компонентом системы менеджмента качества, которая успешно развивается в Курском государственном...»

«Социолого-управленческие аспекты и практика развития инновационного общества к.с.н., доцент, эксперт ЮНЕСКО А.С. Киселев Наша планета сегодня делится на представителей тех наций, которые обладают собственными резервами энергоресурсов и тех, кто вынужден получать их извне. Такой геополитический расклад создает, в частности, значительное социально-экономическое напряжение между Россией, Евросоюзом и США. В добавление к сказанному отметим, что в странах развитых с научной и образовательной точки...»

«Содержание Введение 1. Безнадзорность несовершеннолетних как социальное явление 9 Теоретико-методологические основы социологического изучения безнадзорности несовершеннолетних 9 Особенности социально-экономических и семейно-демографических процессов как факторы и условия, определяющие безнадзорность несовершеннолетних в регионе 2. Безнадзорность несовершеннолетних в Приморском крае: тенденции и профилактика Современное состояние безнадзорности несовершеннолетних в Приморском крае 37 Проблема...»

«Утвержден п.2.1 протокола заседания антинаркотической комиссией Еврейской автономной области от 24 марта 2015 года № ДОКЛАД О НАРКОСИТУАЦИИ В ЕВРЕЙСКОЙ АВТОНОМНОЙ ОБЛАСТИ В 2014 ГОДУ г. Биробиджан Содержание 1. Характеристика Еврейской автономной области (площадь территории области, наличие государственной границы и ее протяженность, количество муниципальных образований, количество населенных пунктов, численность постоянного населения, уровень жизни населения, демографическая ситуация,...»

«исследований МНЕНИЯ» ОТЧЕТ РАБОТЕ крае (09.2014 12.2014) ИСПОЛНИТЕЛЕЙ Виштал. Труфанов. Мнения»ОГЛАВЛЕНИЕ ВВЕДЕНИЕ КРАЕ табака табака табака медиа. ИНДУСТРИИ показатели. показатель. ПРИЛОЖЕНИЯ витринах.. 32 рекламы спонсорства медиа Мнения» ВВЕДЕНИЕ крае. критериев 5). –  –  – наблюдения: знакомых, продукции. т.д.). др.). года кино, видео, аудио, радио, телевидение). Пресса (газеты, журналы). крае. четырех 56 пунктах продаж, посетителя. Мнения» курения. продукция, Marlboro, Winston....»

«Иностранные студенты в целом удовлетворены (73%) возможностью участия в олимпиадах по практическим навыкам по различным дисциплинам. Приятно отметить, что иностранные учащиеся неоднократно становились призерами таких олимпиад и представляли наш вуз на всероссийских соревновательных форумах по различным направлениям медицины. Проведение социологических опросов студентов является обязательным компонентом системы менеджмента качества, которая успешно развивается в Курском государственном...»

«Содержание 1. Цель и задачи дисциплины Цель дисциплины – освоение студентами основ теории общественного мнения, представлений о проблемных аспектах теоретических и эмпирических исследований в области изучения общественного мнения, овладения профессиональными навыками социолога-исследователя и системного аналитика в конкретной области социологического знания.Задачи дисциплины: раскрыть характеристики и свойства общественного мнения как социального явления; представить базовые...»

«150 Мир России. 2015. № КОНЦЕПЦИИ И МЕТОДЫ РОССИЙСКОЙ СОЦИОЛОГИИ Возможности изучения социальной напряженности в России на основе данных Европейского социального исследования1 А.Г. ПИНКЕВИЧ* *Пинкевич Анна Георгиевна – кандидат политических наук, доцент, кафедра конфликтологии, Институт философии, Санкт-Петербургский государственный университет. Адрес: 199034, СанктПетербург, Менделеевская линия, д. 5. E-mail: pinckevich.a@yandex.ru Цитирование: Pinkevich F. (2015) The Promises of Social...»

«ШЕДИЙ Мария Владимировна КОРРУПЦИЯ КАК СОЦИАЛЬНОЕ ЯВЛЕНИЕ: СОЦИОЛОГИЧЕСКИЙ АНАЛИЗ Специальность 22.00.04 социальная структура, социальные институты и процессы АВТОРЕФЕРАТ диссертации на соискание ученой степени доктора социологических наук Москва – 20 Диссертация выполнена на кафедре государственной службы и кадровой политики в Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Российская академия народного хозяйства и государственной службы...»

«ШЕДИЙ Мария Владимировна КОРРУПЦИЯ КАК СОЦИАЛЬНОЕ ЯВЛЕНИЕ: СОЦИОЛОГИЧЕСКИЙ АНАЛИЗ Специальность 22.00.04 социальная структура, социальные институты и процессы АВТОРЕФЕРАТ диссертации на соискание ученой степени доктора социологических наук Москва – 20 Диссертация выполнена на кафедре государственной службы и кадровой политики в Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Российская академия народного хозяйства и государственной службы...»

«РОССИЙСКАЯ АКАДЕМИЯ НАУК ИНСТИТУТ CОЦИОЛОГИИ МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ ФГАНУ «ЦЕНТР СОЦИОЛОГИЧЕСКИХ ИССЛЕДОВАНИЙ» Г.А. Чередниченко ОБРАЗОВАТЕЛЬНЫЕ И ПРОФЕССИОНАЛЬНЫЕ ТРАЕКТОРИИ РОССИЙСКОЙ МОЛОДЕЖИ (НА МАТЕРИАЛАХ СОЦИОЛОГИЧЕСКИХ ИССЛЕДОВАНИЙ) Москва • 2014 УДК 316.3/.4 ББК 60.56 Ч-46 Чередниченко Г.А. Ч-46 Образовательные и профессиональные траектории российской молодежи (на материалах социологических исследований). — М.: ЦСП и М, 2014. — 560 с. ISBN...»

«ШЕДИЙ Мария Владимировна КОРРУПЦИЯ КАК СОЦИАЛЬНОЕ ЯВЛЕНИЕ: СОЦИОЛОГИЧЕСКИЙ АНАЛИЗ Специальность 22.00.04 социальная структура, социальные институты и процессы АВТОРЕФЕРАТ диссертации на соискание ученой степени доктора социологических наук Москва – 20 Диссертация выполнена в Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации». Научный...»

«УДК 94/99 РОЛЬ ПАРТИЙНЫХ, СОВЕТСКИХ ОРГАНОВ, ОРГАНОВ НКВД И ШТАБА ИСТРЕБИТЕЛЬНЫХ БАТАЛЬОНОВ КУРСКОЙ ОБЛАСТИ В РУКОВОДСТВЕ И ОРГАНИЗАЦИИ ОПЕРАТИВНОЙ И БОЕВОЙ ДЕЯТЕЛЬНОСТИ ИСТРЕБИТЕЛЬНЫХ БАТАЛЬОНОВ В ПЕРИОД ПОДГОТОВКИ И ПРОВЕДЕНИЯ КУРСКОЙ БИТВЫ (ВЕСНА ЛЕТО 1943 Г.) © 2015 Г. Д. Пилишвили канд. ист. наук, доцент кафедры социологии и политологии e-mail: historuss@mail.ru Курский государственный университет В статье с привлечением архивного материала, статистических данных, воспоминаний участников...»

«УДК 94/99 РОЛЬ ПАРТИЙНЫХ, СОВЕТСКИХ ОРГАНОВ, ОРГАНОВ НКВД И ШТАБА ИСТРЕБИТЕЛЬНЫХ БАТАЛЬОНОВ КУРСКОЙ ОБЛАСТИ В РУКОВОДСТВЕ И ОРГАНИЗАЦИИ ОПЕРАТИВНОЙ И БОЕВОЙ ДЕЯТЕЛЬНОСТИ ИСТРЕБИТЕЛЬНЫХ БАТАЛЬОНОВ В ПЕРИОД ПОДГОТОВКИ И ПРОВЕДЕНИЯ КУРСКОЙ БИТВЫ (ВЕСНА ЛЕТО 1943 Г.) © 2015 Г. Д. Пилишвили канд. ист. наук, доцент кафедры социологии и политологии e-mail: historuss@mail.ru Курский государственный университет В статье с привлечением архивного материала, статистических данных, воспоминаний участников...»

«СОЦИОЛОГИЯ ИНТЕРНЕТ DOI: 10.14515/monitoring.2014.6.09 УДК 314.151.3-054.72:316.65(470+571):070:004.738.5 П.М. Федоров РОЛЬ ИНТЕРНЕТ-СМИ В ФОРМИРОВАНИИ СОЦИАЛЬНЫХ УСТАНОВОК РОССИЯН В ОТНОШЕНИИ МИГРАНТОВ (ПО РЕЗУЛЬТАТАМ КОНТЕНТ-АНАЛИЗА РЕГИОНАЛЬНЫХ НОВОСТНЫХ ИНТЕРНЕТ-САЙТОВ) РОЛЬ ИНТЕРНЕТ-СМИ В ФОРМИРОВАНИИ ROLE OF MASS MEDIA IN FORMING SOCIAL СОЦИАЛЬНЫХ УСТАНОВОК РОССИЯН В ATTITUDES OF RUSSIANS REGARDING ОТНОШЕНИИ МИГРАНТОВ (по результатам MIGRANTS (based on the content analysis of...»







 
2016 www.nauka.x-pdf.ru - «Бесплатная электронная библиотека - Книги, издания, публикации»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.