РЦИОМ «ИЖТИМОИЙ ФИКР» СИНТЕТИЧЕСКИЕ РЕСПОНДЕНТЫ В СОЦИОЛОГИЧЕСКИХ ИССЛЕДОВАНИЯХ: ИДЕЯ И РАЗВИТИЕ МЕТОДА

Появление больших языковых моделей (Large Language Models, LLM) открыло для эмпирической социологии новую методологическую опцию - работу с синтетическими респондентами. Речь идёт не о технической новинке, а о смене исследовательского горизонта: впервые появилась возможность симулировать не отдельные показатели, а целостные ответы участников опроса на естественном языке. Настоящий обзор кратко представляет идею метода, историю его становления, ключевые применения в изучении общественного мнения и ближайшие перспективы.

Идея метода

Синтетические респонденты - это программно порождаемые участники социологических исследований, ответы которых генерируются языковыми моделями на основе задаваемого демографического и социокультурного профиля. В отличие от классических методов компьютерного моделирования, где логика ответа формулируется исследователем эксплицитно, синтетический респондент опирается на статистические регулярности, извлечённые моделью из огромного корпуса текстов. LLM выступает своеобразной «сжатой» репрезентацией общества: она удерживает связи между демографическими характеристиками и типичными позициями, интересами и стилями речи различных социальных групп.

Практический смысл идеи в том, что модель, будучи «настроенной» на конкретный профиль (например, «женщина 34 лет, Ташкент, высшее образование, работает в сфере услуг»), генерирует ответ на вопрос анкеты, статистически близкий к ответу реального представителя соответствующей группы. Ансамбль таких респондентов, «силиконовая выборка» (silicon sample), становится новым объектом исследования, стоящим между компьютерным моделированием и полевым опросом.

Развитие направления

Идея имеет два источника. Первый, многолетняя традиция компьютерного моделирования в вычислительной социологии, где виртуальные акторы использовались для симуляции социальных процессов. Второй, накопленный к 2022 году опыт больших языковых моделей (GPT-3, GPT-3.5, PaLM), продемонстрировавших способность к правдоподобной имитации речи от лица различных социальных ролей. Соединение этих линий произошло в 2023 году, когда группа Л. Аргайла опубликовала в Political Analysis работу «Out of One, Many»[1], где было введено понятие silicon sample и предложен критерий алгоритмической точности. Параллельно вышли исследования Дж. Хортона о «Homo silicus»[2], работа С. Сантуркара и коллег о репрезентативности мнений в языковых моделях[3], а также серия критических публикаций, поставивших под сомнение возможность полного замещения человеческих респондентов[4]. Ситуация 2024–2026 годов характеризуется формированием умеренно-конструктивного консенсуса: синтетические респонденты рассматриваются не как замена, а как мощное дополнение к традиционным методам, требующее строгой методологической рамки.

Для Республиканского Центра изучения общественного мнения «Ижтимоий фикр» освоение методологии синтетических респондентов является частью более широкой стратегической установки на систематическое внедрение передовых цифровых технологий и современных исследовательских методов в практику изучения общественного мнения и социологических исследований. Такая ориентация продиктована как задачами повышения качества и оперативности замеров, так и стремлением сохранять научный стандарт исследований центра в быстро меняющейся методологической среде, где цифровая социология из экспериментального направления превращается в мейнстрим.

Синтетические респонденты как конкретный инструмент этой стратегии обладают рядом самостоятельных преимуществ операционного, исследовательского и институционального характера. С операционной точки зрения метод обеспечивает ресурсную эффективность (пилотные замеры за часы при стоимости в единицы процента от полевого пилота), практически неограниченную масштабируемость (от сотен до десятков тысяч профилей без пропорционального роста затрат) и полную воспроизводимость, свойство, недоступное классическим полевым опросам. С исследовательской точки зрения он позволяет заранее оценивать распределения ответов при заданных изменениях социальных условий (реформы, кризисы, внешние шоки), открывает доступ к чувствительным и труднодостижимым группам, снимает целый класс традиционных смещений, связанных с присутствием интервьюера и социальной желательностью, а также обеспечивает удобную среду для A/B-тестирования формулировок и предполевой отладки анкет. С институциональной точки зрения работа с методологически сложным инструментом стимулирует рост аналитических компетенций сотрудников, формирует внутреннюю экспертизу центра в области цифровой социологии, снимает риски, связанные с обработкой персональных данных (синтетические профили не содержат идентифицируемой информации), и создаёт канал международной академической видимости через публикации, представляющие центральноазиатский опыт до настоящего времени слабо освещённый в мировой литературе по теме.

Применения в изучении общественного мнения

В прикладной социологии выделяются пять направлений, в которых метод даёт наибольший выигрыш:

• Пилотирование анкет - быстрая проверка формулировок, распределений ответов, эффектов порядка и модальностей ещё до реального полевого этапа, при стоимости, составляющей доли процента от полевого пилота;
• Симуляция сценариев - прогноз сдвигов в общественном мнении при заданных изменениях социальных условий (реформы, кризисы, внешние шоки);
• Работа с труднодостижимыми группами - первичная оценка позиций сообществ, доступ к которым ограничен логистически, языково или по чувствительным причинам;
• Обучение аналитических моделей - использование синтетических данных для тренировки предиктивных алгоритмов без риска раскрытия персональной информации реальных респондентов;

• Мультиагентные симуляции - моделирование диффузии мнений, электоральной динамики, работы алгоритмов социальных сетей через взаимодействие синтетических агентов.

Перспективы

Дальнейшее развитие метода связано, во-первых, с локализацией моделей под национальный языковой и культурный контекст для Узбекистана это работа с узбекским языком в двух графиках, с региональными особенностями и национальным ценностным ядром. Во-вторых, с формированием гибридных исследовательских дизайнов, в которых синтетические данные и данные реальных опросов усиливают друг друга (AI-augmented surveys). В-третьих, с созданием эталонных валидационных наборов, позволяющих систематически оценивать качество синтетических выборок по ключевым тематикам. Для социологии общественного мнения синтетические респонденты становятся не отдельным инструментом, а новым слоем исследовательской инфраструктуры способом дешевле, быстрее и системнее готовить содержательные полевые исследования.

Сеитов Мансур Шерикбаевич
Доктор философии по социологическим наукам (PhD),
заместитель директора РЦИОМ «Ижтимоий фикр»

 

[1] 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, № 3. P. 337–351.

[2]Horton J.J. Large Language Models as Simulated Economic Agents: What Can We Learn from Homo Silicus? // NBER Working Paper № 31122. 2023.

[3]Santurkar S., Durmus E., Ladhak F. et al. Whose Opinions Do Language Models Reflect? // Proceedings of the 40th International Conference on Machine Learning (ICML). 2023.

[4]Bisbee J., Clinton J.D., Dorff C., Kenkel B., Larson J.M. Synthetic Replacements for Human Survey Data? The Perils of Large Language Models // Political Analysis. 2024. Vol. 32, № 4. P. 401–416.