Neuroninių tinklų modelių taikymo socialiniuose moksluose galimybės bei ribos
| Autor: | Lukas Pukelis, Vilius Stanciauskas |
|---|---|
| Rok vydání: | 2019 |
| Předmět: |
Sociology and Political Science
Computer science Process (engineering) 050801 communication & media studies Bibliometrics Outsourcing Teksto analizė Deep Learning lcsh:Political science (General) Lietuva (Lithuania) 0508 media and communications Social science research lcsh:JA1-92 Artificial Neural Networks Natural Language Processing Statistical hypothesis testing Text Analysis Artificial neural networks Artificial neural network business.industry Natural language processing Scale (chemistry) 05 social sciences Deep learning Text analysis Data science Natūraliosios kalbos analizė Political Science and International Relations Neuroninių tinklų modeliai Gilusis mokymasis 0509 other social sciences 050904 information & library sciences business Qualitative research |
| Zdroj: | Politologija 2019, Nr. 2 (94), p. 56-80. Politologija Politologija, Vol 94, Iss 2 (2019) |
| ISSN: | 2424-6034 1392-1681 |
| DOI: | 10.15388/polit.2019.94.2 |
| Popis: | Pastaruoju metu neuroninių tinklų modeliai yra vis dažniau taikomi įvairiose mokslo srityse (mokslometrijoje, lingvistikoje, medicinoje). Tačiau socialiniuose moksluose šie modeliai ir giliojo mokymosi metodai apskritai kelią skinasi sunkiai. Pagrindinės menko jų populiarumo priežastys yra tai, kad netiesinių modelių rezultatus yra sunku interpretuoti ir jie nėra tinkami hipotezėms tikrinti. Nepaisant to, šie metodai gali būti labai naudingi socialiniuose moksluose, ypač automatizuojant darbui labai imlias tyrimo proceso dalis. Straipsnyje pristatomas pavyzdys, kaip šie modeliai yra naudojami atliekant didelio masto teksto kodavimą. Pateikiamas pavyzdys rodo, kad kai kuriais atvejais šie metodai leidžia išvengti kompromiso tarp analizės gylio ir imties dydžio, taip pat leidžia kombinuoti geriausias kokybinių ir kiekybinių metodų praktikas. Artificial Neural Networks (ANNs) are being increasingly used in various disciplines outside computer science, such as bibliometrics, linguistics, and medicine. However, their uptake in the social science community has been relatively slow, because these highly non-linear models are difficult to interpret and cannot be used for hypothesis testing. Despite the existing limitations, this paper argues that the social science community can benefit from using ANNs in a number of ways, especially by outsourcing laborious data coding and pre-processing tasks to machines in the early stages of analysis. Using ANNs would enable small teams of researchers to process larger quantities of data and undertake more ambitious projects. In fact, the complexity of the pre-processing tasks that ANNs are able to perform mean that researchers could obtain rich and complex data typically associated with qualitative research at a large scale, allowing to combine the best from both qualitative and quantitative approaches. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|