gosuprГосударственное управление. Электронный вестникPublic Administration. E-journal (Russia)2070-1381Факультет государственного управления МГУ имени М.В. Ломоносова10.55959/MSU2070-1381-107-2024-194-205gosupr-201Research ArticleСТРАТЕГИЯ ЦИФРОВОЙ ЭКОНОМИКИDIGITAL ECONOMY STRATEGYКоллизии методологии и эпистемологии в науке о данныхCollisions of Methodology and Epistemology in Data Sciencehttps://orcid.org/0000-0003-4218-2255ПетрунинЮ. Ю.PetruninYu. Yu.

Петрунин Юрий Юрьевич, доктор философских наук, профессор

Москва

Yuriy Yu. Petrunin, DSc (Philosophy), Professor

Moscow

petrunn@spa.msu.ruФакультет государственного управления, МГУ имени М.В. ЛомоносоваSchool of Public Administration, Lomonosov Moscow State University2024230520261107194205Copyright © Петрунин Ю.Ю., 20262026Петрунин Ю.Ю.Petrunin Y.Y.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.spajournal.ru/jour/article/view/201

Возникшая относительно недавно наука о данных (Data Science) заняла достойное место в структуре наук. Применение науки о данных показало выдающиеся возможности решения многих сложных задач в различных сферах деятельности. Основой ее успеха стала новая методология познания, включающая в себя концепции и методы больших данных (Big Data), искусственного интеллекта (Artificial Intelligence), междисциплинарного подхода (информатики, статистики, математики, социальных и гуманитарных наук). Новая научная парадигма Data Science кардинально трансформирует научную методологию и поэтому нуждается в обосновании. Для решения поставленной задачи используются наукометрический метод, методы case-study, сравнительный анализ, методологический и эпистемологический анализ. В статье рассматриваются случаи методологических и эпистемологических коллизий, препятствующих эффективности применения науки о данных, их причины и следствия. Конкретно анализируются примеры совершенствования поисковых систем в интернете, оптимизации управления научными исследованиями, работы автомобильных навигаторов в мегаполисах. В результате проведенного исследования выделяются две группы противоречий между методологией и эпистемологией науки о данных. Первая группа связана с субъективными причинами дилемм, вторая — с объективными. В первой группе превалируют методологические причины возникающих конфликтов, во второй — эпистемологические причины возникающих противоречий. На взгляд автора, объективные парадоксы являются более сложными. Они затрагивают глубокие вопросы философии науки. В любом случае выделенные противоречия ведут к снижению потенциала науки о данных, приводят к ошибочным решениям и ложным прогнозам, и они должны быть устранены.

Data Science, which emerged relatively recently, has taken its rightful place in the structure of sciences. The application of data science has shown outstanding possibilities for solving many complex problems in various fields of activity. The basis of its success was a new methodology of cognition, including the concepts and methods of Big Data, Artificial Intelligence, an interdisciplinary approach (computer science, statistics, mathematics, social and humanitarian sciences). The new scientific paradigm of Data Science radically transforms scientific methodology and therefore needs to be substantiated. To solve the problem, the scientometric method, case-study methods, comparative analysis, methodological and epistemological analysis are used. The article considers cases of methodological and epistemological collisions that hinder the effectiveness of data science, their causes and consequences. Specifically, examples of improving search engines on the Internet, optimizing the management of scientific research, and the operation of car navigators in megacities are analyzed. As a result of the conducted research, two groups of contradictions between the methodology and epistemology of data science are distinguished. The first group is associated with subjective causes of dilemmas, the second — with objective ones. In the first group, methodological reasons for the emerging conflicts prevail, while in the second group — epistemological reasons for the emerging contradictions. In the author’s opinion, objective paradoxes are more complex. They touch upon deep questions of the philosophy of science. In any case, the identified contradictions lead to a decrease in the potential of data science, lead to erroneous decisions and erroneous forecasts, and they must be eliminated.

Наука о данныхпарадигма науки о данныхметодология науки о данныхэпистемология науки о данныхотраслевая наука о данныхранжирование данныхпринятие решенийData sciencedata science methodologydata science epistemologyindustry data sciencedata rankingdecision makingReferencesАстафьева Е.В., Турунцева М.Ю. Пересмотры ВВП: данные и оценка статистических свойств // Экономический журнал ВШЭ. 2021. Т. 25. № 1. С. 65–101. DOI: 10.17323/1813-8691-2021-25-1-65-101Astafieva E.V., Turuntseva M.Yu. (2021) Revisions of GDP: Data and Assessment of Statistical Properties. Ekonomicheskiy zhurnal VShE. Vol. 25. No. 1. P. 65–101. DOI: 10.17323/1813-8691-2021-25-1-65-101Вернадский В.И. Избранные труды по истории науки. М.: «Наука», 1981.Campagnolo G.M. (2021) Participative Epistemology in Social Data Science: Combining Ethnography with Computational and Statistical Approaches. International Journal of Social Research Methodology. Vol. 25. Is. 3. P. 391–403. DOI: 10.1080/13645579.2021.1892379Китчин Р. Большие данные, новые эпистемологии и смена парадигм // Социология: методология, методы, математическое моделирование. 2017. № 44. С. 111–152.Desai J., Watson D., Wang V., Taddeo M., Floridi L. (2022) The Epistemological Foundations of Data Science: A Critical Review. Synthese. Vol. 200. DOI: 10.1007/s11229-022-03933-2Кочедыков И.Е. Об опыте применения больших данных в политической науке // Политическая наука. 2023. № 4. С. 226–251. DOI: 10.31249/poln/2023.04.09Hey T., Tansley S., Tolle K. (eds.) (2009) The Fourth Paradigm: Data-Intensive Scientific Discovery. Redmond Microsoft Research.Петрунин Ю.Ю. Искусственный интеллект и методологические вопросы управления знаниями // Философские науки. 2016. № 8. С. 67–74.Kitchin R. (2014) Big Data, New Epistemologies and Paradigm Shifts. Big Data & Society. No. 44. P. 111–152.Петрунин Ю.Ю. Искусственные нейронные сети в экономике: математический инструмент, модель или методология? // Вестник Московского университета. Серия 6. Экономика. 2024. № 4. С. 92–113. DOI: 10.55959/MSU0130-0105-6-59-4-5Kochedykov I.E. (2023) On Big Data Application for Political Science Research. Politicheskaya nauka. No. 4. P. 226–251. DOI: 10.31249/poln/2023.04.09Петрунин Ю.Ю., Агаян Г.М., Бухарин В.В., Григорян А.А., Шевцова И.В., Шикина Г.Е. Интеграция математических методов и цифровых технологий как основа создания комплекса фундаментальных курсов в подготовке современных управленческих кадров // Вестник Московского университета. Серия 21. Управление (государство и общество). 2024. Т. 21. № 1. C. 139–167. DOI: 10.55959/MSU2073-2643-21-2024-1-139-167Lebedev S. (2019) Methodology of Neo-inductivism: Critical Analysis. Proceedings of the 4th International Conference on Contemporary Education, Social Sciences and Humanities (ICCESSH 2019). DOI: 10.2991/iccessh-19.2019.2Петрунин Ю.Ю., Силуянова Ю.А. Статистические и нейросетевые методы в исследовании управленческих проблем в организации // Нейрокомпьютеры: разработка, применение. 2018. № 10. С. 39–47.Lowrie I. (2017) Algorithmic Rationality: Epistemology and Efficiency in the Data Sciences. Big Data & Society. Vol. 4. Is. 1. DOI: 10.1177/2053951717700925Campagnolo G.M. Participative Epistemology in Social Data Science: Combining Ethnography with Computational and Statistical Approaches // International Journal of Social Research Methodology. 2021. Vol. 25. Is. 3. P. 391–403. DOI: 10.1080/13645579.2021.1892379Mayernik M.S. (2023) Data Science as an Interdiscipline: Historical Parallels from Information Science. Data Science Journal. Vol. 22. DOI: 10.5334/dsj-2023-016Desai J., Watson D., Wang V., Taddeo M., Floridi L. The Epistemological Foundations of Data Science: A Critical Review // Synthese. 2022. Vol. 200. DOI: 10.1007/s11229-022-03933-2McQuillan D. (2018) Data Science as Machinic Neoplatonism. Philosophy and Technology. Vol. 31. P. 253–272. DOI: 10.1007/s13347-017-0273-3Lebedev S. Methodology of Neo-inductivism: Critical Analysis // Proceedings of the 4th International Conference on Contemporary Education, Social Sciences and Humanities (ICCESSH 2019). 2019. DOI: 10.2991/iccessh-19.2019.2Naur P. (1974) Concise Survey of Computer Methods. Lund: Studentlitteratur.Lowrie I. Algorithmic Rationality: Epistemology and Efficiency in the Data Sciences // Big Data & Society. 2017. Vol. 4. Is. 1. DOI: 10.1177/2053951717700925Naur P. (1966) The Science of Datalogy. Communications of the ACM. Vol. 9. Is. 7. P. 485. DOI: 10.1145/365719.366510.Mayernik M.S. Data Science as an Interdiscipline: Historical Parallels from Information Science // Data Science Journal. 2023. Vol. 22. DOI: 10.5334/dsj-2023-016Petrunin Yu.Yu. (2016) Artificial Intelligence and Knowledge Management Methodological Questions. Filosofskiye nauki, No. 8. P. 67–74.McQuillan D. Data Science as Machinic Neoplatonism // Philosophy and Technology. 2018. Vol. 31. P. 253–272. DOI: 10.1007/s13347-017-0273-3Petrunin Yu.Yu. (2024) Artificial Neural Networks in Economics: Mathematical Tool, Model or Methodology? Vestnik Moskovskogo universiteta. Seriya 6. Ekonomika. No. 4. С. 92–113. DOI: 10.55959/MSU0130-0105-6-59-4-5Naur P. Concise Survey of Computer Methods. Lund: Studentlitteratur, 1974.Petrunin Yu.Yu., Agayan G.M., Bukharin V.V., Grigoryan A.A., Shevtsova I.V., Shikina G.E. (2024) Integration of Mathematical Methods and Digital Technologies as the Basis for the Creation of a Set of Fundamental Courses in the Training of Modern Management Personnel. Vestnik Moskovskogo universiteta. Seriya 21. Upravleniye (gosudarstvo i obshchestvo). Vol. 21. No. 1. P. 139–167. DOI: 10.55959/MSU2073-2643-21-2024-1-139-167Naur P. The Science of Datalogy // Communications of the ACM. 1966. Vol. 9. Is. 7. P. 485. DOI: 10.1145/365719.366510Petrunin Yu.Yu., Siluyanova Y.A. (2018) Statistical and Neural Network Methods for Analyzing Indicators of Healthy Administration. Neyrokomp’yutery: razrabotka, primeneniye. No. 10. P. 39–47.Pietsch W. On the Epistemology of Data Science. Conceptual Tools for a New Inductivism. Cham: Springer, 2022. DOI: 10.1007/978-3-030-86442-2Pietsch W. (2022) On the Epistemology of Data Science. Conceptual Tools for a New Inductivism. Cham: Springer. DOI: 10.1007/978-3-030-86442-2Prensky M.H. Sapiens Digital: From Digital Immigrants and Digital Natives to Digital Wisdom // Italian Journal of Educational Technology. 2010. Vol. 18. Is. 2. DOI: 10.17471/2499-4324/277Prensky M.H. (2010) Sapiens Digital: From Digital Immigrants and Digital Natives to Digital Wisdom. Italian Journal of Educational Technology. Vol. 18. Is. 2. DOI: 10.17471/2499-4324/277Quine W. On What There Is // Review of Metaphysics. 1948. Vol. 2. Is 5. P. 21–38.Quine W. (1948) On What There Is. Review of Metaphysics. Vol. 2. Is 5. P. 21–38.Symons J., Alvarado R. Epistemic Injustice and Data Science Technologies // Syntheses. 2022. Vol. 200. DOI: 10.1007/s11229-022-03631-zSymons J., Alvarado R. (2022) Epistemic Injustice and Data Science Technologies. Syntheses. Vol. 200. DOI: 10.1007/s11229-022-03631-zThe Fourth Paradigm: Data-Intensive Scientific Discovery / Ed. by T. Hey, S. Tansley, K. Tolle. Redmond: Microsoft Research, 2009.Vernadskiy V. I. (1981) Izbrannyye trudy po istorii nauki [Selected works on the history of science]. Moscow: “Nauka”.Zhang L. Looking Back to the Future: A Glimpse at Twenty Years of Data Science // Data Science Journal. 2023. Vol. 22. Is. 7. DOI: 10.5334/dsj-2023-007Zhang L. (2023) Looking Back to the Future: A Glimpse at Twenty Years of Data Science. Data Science Journal. Vol. 22. Is. 7. DOI: 10.5334/dsj-2023-007

The authors declare that there are no conflicts of interest present.