Коллизии методологии и эпистемологии в науке о данных

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.

1. Астафьева Е.В., Турунцева М.Ю. Пересмотры ВВП: данные и оценка статистических свойств // Экономический журнал ВШЭ. 2021. Т. 25. № 1. С. 65–101. DOI: 10.17323/1813-8691-2021-25-1-65-101

2. Вернадский В.И. Избранные труды по истории науки. М.: «Наука», 1981.

3. Китчин Р. Большие данные, новые эпистемологии и смена парадигм // Социология: методология, методы, математическое моделирование. 2017. № 44. С. 111–152.

4. Кочедыков И.Е. Об опыте применения больших данных в политической науке // Политическая наука. 2023. № 4. С. 226–251. DOI: 10.31249/poln/2023.04.09

5. Петрунин Ю.Ю. Искусственный интеллект и методологические вопросы управления знаниями // Философские науки. 2016. № 8. С. 67–74.

6. 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/MSU0130-0105-6-59-4-5

7. Петрунин 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/MSU2073-2643-21-2024-1-139-167

8. Петрунин Ю.Ю., Силуянова Ю.А. Статистические и нейросетевые методы в исследовании управленческих проблем в организации // Нейрокомпьютеры: разработка, применение. 2018. № 10. С. 39–47.

9. Campagnolo 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: 10.1080/13645579.2021.1892379

10. Desai 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/s11229-022-03933-2

11. Lebedev 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-19.2019.2

12. Lowrie I. Algorithmic Rationality: Epistemology and Efficiency in the Data Sciences // Big Data & Society. 2017. Vol. 4. Is. 1. DOI: 10.1177/2053951717700925

13. Mayernik M.S. Data Science as an Interdiscipline: Historical Parallels from Information Science // Data Science Journal. 2023. Vol. 22. DOI: 10.5334/dsj-2023-016

14. McQuillan D. Data Science as Machinic Neoplatonism // Philosophy and Technology. 2018. Vol. 31. P. 253–272. DOI: 10.1007/s13347-017-0273-3

15. Naur P. Concise Survey of Computer Methods. Lund: Studentlitteratur, 1974.

16. Naur P. The Science of Datalogy // Communications of the ACM. 1966. Vol. 9. Is. 7. P. 485. DOI: 10.1145/365719.366510

17. Pietsch W. On the Epistemology of Data Science. Conceptual Tools for a New Inductivism. Cham: Springer, 2022. DOI: 10.1007/978-3-030-86442-2

18. Prensky M.H. Sapiens Digital: From Digital Immigrants and Digital Natives to Digital Wisdom // Italian Journal of Educational Technology. 2010. Vol. 18. Is. 2. DOI: 10.17471/2499-4324/277

19. Quine W. On What There Is // Review of Metaphysics. 1948. Vol. 2. Is 5. P. 21–38.

20. Symons J., Alvarado R. Epistemic Injustice and Data Science Technologies // Syntheses. 2022. Vol. 200. DOI: 10.1007/s11229-022-03631-z

21. The Fourth Paradigm: Data-Intensive Scientific Discovery / Ed. by T. Hey, S. Tansley, K. Tolle. Redmond: Microsoft Research, 2009.

22. 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-2023-007