Григорьева Наталия Сергеевна, факультет государственного управления, доктор политических наук, профессор, заведующий кафедрой социологии управления
Москва
Natalia S. Grigorieva, School of Public Administration, DSc (Political Sciences), Professor, Head of the Department of Management Sociology
Moscow
Крупенко Мария Анатольевна, факультет государственного управления, соискатель
Москва
Maria A. Krupenko, School of Public Administration, PhD applicant
Moscow
В статье представлена социологически обоснованная методология обучения ИИ-агентов для оценки видеороликов, имитирующей оценку, данную человеком (человеческой оценки), с учетом социально обусловленных моделей восприятия контента реальными пользователями. Следует отметить, что статей непосредственно по методологии обучения ИИ-агентов для имитации человеческой оценки видеороликов с социологической оценкой в журналах за 2021–2026 годы практически нет, но есть близкие публикации (в зарубежных и русских источниках), авторы которых фокусируются на ИИ-оценке социальных ситуаций в видеоиграх и социологической симуляции поведения. В данной статье затронута проблема расхождения между алгоритмической оценкой и восприятием видео различными социальными группами, возникающая из-за ориентации алгоритмов на формализованные метрики и игнорирования социокультурных особенностей зрительского восприятия. В основе методологии лежат теоретические подходы символического интеракционизма, теории социальных представлений и социального конструктивизма, а также концепции цифровой социологии и теории медиавосприятия. Методология опирается на четыре ключевых принципа: социальную репрезентативность данных, моделирование социальных процессов, учет вариативности восприятия и прозрачность решений искусственного интеллекта (ИИ). Представлена система социологических критериев для оценки человекоподобности решений ИИ. Предложены механизмы валидации результатов, включающие расчет коэффициента согласия между оценками ИИ и социальных групп; определение доли решений ИИ, которые пользователи не могут отличить от человеческих; анализ процента снижения апелляций по сравнению с традиционными системами, а также оценку индекса культурной адаптивности, а именно способности модели корректно работать в разных социокультурных средах. Такой подход позволяет преодолеть разрыв между алгоритмической и социальной оценкой видеоконтента, а ее внедрение повысит релевантность ИИ-систем за счет учета групповых различий в зрительском восприятии, что поспособствует созданию более сбалансированных и социально адекватных решений в цифровом медиапространстве.
This article presents a sociologically grounded methodology for training AI agents to rate videos, simulating human ratings while taking into account socially conditioned models of content perception by real users. It should be noted that there are practically no articles directly on the methodology of training AI agents to simulate human evaluation of videos with sociological evaluation in journals for 2021–2026, but there are similar publications (in foreign and Russian sources), the authors of which focus on AI assessment of social situations in video games and sociological simulation of behaviour. The study addresses the discrepancy between algorithmic ratings and video perception by different social groups, which arises due to the algorithms’ reliance on formalized metrics and their ignorance of the sociocultural characteristics of viewer perception. The methodology draws on theoretical approaches from symbolic interactionism, social representation theory, and social constructivism, as well as concepts from digital sociology and media perception theory. It relies on four key principles: social representativeness of data, modeling of social processes, accounting for variability in perception, and transparency of artificial intelligence (AI) decisions. A system of sociological criteria for assessing the humanlikeness of AI decisions has been developed. Mechanisms for validating results are proposed, including calculating the agreement coefficient between AI and social group assessments, determining the proportion of AI decisions that users cannot distinguish from human ones, analyzing the percentage reduction in appeals compared to traditional systems, and assessing the cultural adaptability index, namely, the model’s ability to operate correctly in different sociocultural contexts. This methodology will bridge the gap between algorithmic and social assessment of video content, and its implementation will increase the relevance of AI systems by taking into account group differences in viewer perception, thereby contributing to the creation of more balanced and socially appropriate decisions in the digital media space. In the long term, this will allow for more sustainable content evaluation practices that focus not only on formal criteria, but also on the dynamics of social norms and audience values.
The authors declare that there are no conflicts of interest present.