Методология обучения ИИ-агентов для оценки видеороликов с имитацией оценки человеком: социологический аспект

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.

1. Бандура А. Теория социального научения. СПб.: Евразия, 2000.

2. Бергер П., Лукман Т. Социальное конструирование реальности: трактат по социологии знания. М.: Медиум, 1995.

3. Блумер Г. Символический интеракционизм: перспектива и метод. М.: Элементарные формы, 2017.

4. Бурдье П. Различение: социальная критика суждения // Экономическая социология. 2005. Т. 6. № 3. С. 25–48.

5. Липпман У. Общественное мнение. М.: Институт Фонда «Общественное мнение», 2004.

6. Московичи С. Социальные представления: исторический взгляд // Психологический журнал. 1995. Т. 16. № 1. С. 3–18.

7. Новые подходы к оцениванию: искусственный интеллект как драйвер изменений в образовании / под науч. ред. Е.Ю. Кардановой. М.: НИУ ВШЭ, 2025.

8. Пузанова Ж.В., Кожоридзе Г.Г., Кожоридзе Д.Г. ИИ и социология: анализ технологических возможностей виртуальных респондентов // Социология: методология, методы, математическое моделирование. 2025. № 60. С. 216–246. DOI: 10.19181/4m.2025.34.1.6

9. Сафонова Ю.А., Субочева О.Н., Коршкова А.С. Агентность искусственных автономных систем как фактор трансформации социума // Социология. 2023. № 6. С. 116–122.

10. Argyle L.P., Busby E.C., Fulda N., Gubler J.R., Rytting C., Wingate D. Out of One, Many: Using Language Models to Simulate Human Samples // Political Analysis. 2023. Vol. 31. Is. 3. P. 337–351. DOI: 10.1017/pan.2023.2

11. Cohen J. A Coefficient of Agreement for Nominal Scales // Educational and Psychological Measurement. 1960. Vol. 20. Is. 1. P. 37–46. DOI: 10.1177/001316446002000104

12. Fleiss J.L. Measuring Nominal Scale Agreement among Many Raters // Psychological Bulletin. 1971. Vol. 76. Is. 5. P. 378–382. DOI: 10.1037/h0031619

13. Katz E. Communications Research since Lazarsfeld // Public Opinion Quarterly. 1987. Vol. 51. Special Issue. P. S25–S45.

14. Krishnan N. AI Agents: Evolution, Architecture, and Real-World Applications // arXiv Preprint. 2025. DOI: 10.48550/arXiv.2503.12687

15. Lazarsfeld P., Berelson B., Gaudet H. The People’s Choice: How the Voter Makes Up His Mind in a Presidential Campaign. Princeton: Princeton University Press, 1944.

16. Lupton D. Digital Sociology. London: Routledge, 2017.

17. Mitchell W.J.T. Picture Theory: Essays on Verbal and Visual Representation. Chicago: University of Chicago Press, 1994.

18. Qu X., Damoah A., Sherwood J., Liu P., Jin Ch., Chen L., Shen M., Aleisa N., Hou Z., Zhang Ch., Gao L., Li Y., Yang Qu., Wang Qu., De Souza Ch. A Comprehensive Review of AI Agents: Transforming Possibilities in Technology and Beyond // arXiv Preprint. 2025. DOI: 10.48550/arXiv.2508.11957

19. Santavirta S., Wu Y., Suominen L., Nummenmaa L. GPT-4V Shows Human-Like Social Perceptual Capabilities at Phenomenological and Neural Levels // Imaging Neuroscience. 2025. Vol. 3. DOI: 10.1162/IMAG.a.134

20. Silverstone R. Media and Morality: The Rise of Mediated Public Conscience. Cambridge: Polity Press, 2007.

21. Spearman C. The Proof and Measurement of Association between Two Things // The American Journal of Psychology. 1904. Vol. 15. Is. 1. P. 72–101.