Коллектив авторов - Метод. Московский ежегодник трудов из обществоведческих дисциплин. Выпуск 4 - Поверх методологических границ

М.И.А что делать, если у нас в принципе нет баз данных или – еще хуже – существует какая‐то фактура, которую непонятно, как преобразовать в базу данных?

А.К. Мой опыт показывает, что очень продуктивен научный метод, предложенный Поппером, который предлагает прежде всего формализацию. Не все знают, но там на самом деле не требуется, чтобы это были какие‐то данные, измеряемые привычным нам путем – метрами, киловаттами, долларами и т.д. Достаточно только формализации, чтобы был набор каких‐то четких категорий. Эти так называемые номинальные данные тоже нормально анализируются и есть целый набор методов для их обработки. Принято обозначать это неглубоким измерением. Есть большая область дисциплин, где формализация осуществляется с большим трудом, но я не видел ни одного случая, когда бы хоть какая‐то формализация не была возможна, вопрос здесь в удачности или неудачности идеи. В принципе, иногда бывает очень сложно операционализировать гипотезу, но я все-таки не думаю, что это невозможно, хотя порой это и жуткое напряжение для мозгов.

М.И. Сошлюсь на свой собственный опыт совместной работы с коллегами в Высшей школе экономики. Все время возникает необходимость создать какую‐то очень простую классификацию. Но сразу же слышатся возражения: как это делать экспертным образом, если мы экспертам не верим. Нужны точные данные, hard data и т.д. Вот то, что вы делаете, производится экспертным образом.

А.К. Да, но на самом деле в прикладной математической статистике существует много процессов проверки того, насколько та или иная классификация вразумительна или невразумительна. Например, есть несколько общепринятых вариантов измерения одной и той же величины. Но самый простой способ – измерение уровня корреляции. Если по одной классификации вы провели какие‐то тесты и устойчиво появляется более высокая корреляция, то значит, эта классификация более жизнеспособна, т.е. она уже в чем‐то более полезна, чем альтернативная классификация, которая устойчиво дает более низкий уровень значения коэффициентов корреляции, – значит, она содержит больше информационных шумов. По крайней мере, если альтернативная классификация вносит меньше информативного шума, значит, она этим уже полезнее. Поэтому та же самая прикладная статистика – это возможность измерения полезности тех или иных классификаций того, насколько соответствующий инструмент хорошо работает.

Существует следующая проблема отечественной науки. Даже выпускники физтеха не владеют именно прикладной математической статистикой, хотя и знают теоретическую. Мой опыт показывает, что обычный выпускник физтеха не отличает коэффициент корреляции Пирсона от коэффициента Спирмана. Хорошо, что наших студентов этим заставляют заниматься на втором курсе, но в большинстве случаев, если и преподают математическую статистику, то преподают ее не в стиле user friendly , т.е. не в расчете на пользователя. Преподают ее очень сложно, хотя на самом деле все очень просто. Это я понял, кстати, на той самой летней школе, о которой уже говорил. Всё это вещи совершенно элементарные, просто нужно расставлять акценты в других местах. То, что я видел в свое время у Крыштановского на Социологическом факультете ВШЭ, близко к тому, что нужно, хотя и это не самый оптимум. Главное, чтобы там не было того, что принято в нашей математической школе, когда делают упор на теоретическую сторону взамен прикладных сторон.

М.И. Следующий вопрос по поводу ваших гэлтоновских упражнений. Как вы считаете, проблема Гэлтона поддается решению?

А.К.У меня было несколько совместных статей с американским коллегой Виктором де Мунком, написанных на эту тему. Главный тезис этих статей в том, что проблема Гэлтона на самом деле не столько проблема, сколько преимущество. Это проблема сетевой автокорреляции, и это как раз очень полезный инструмент для изучения коммуникативных сетей и их влияния на эволюцию тех или иных систем.

У нас была серия исследований по мифологической реконструкции, где позитивное использование проблемы Гэлтона дает возможность выявить, где какая мифология возникла, где развивалась и куда мигрировала. В основе было как раз обнаружение факта корреляции между определенной частотой встречаемости неких мифологических мотивов и частотой встречаемости определенных генетических гаплогрупп – и по Y-хромосоме и по митохондриальной ДНК. Никакого отношения это исследование к генетической памяти не имеет, это как раз эффект Гэлтона, результат сетевой автокорреляции. Был целый ряд определенных мифологических мотивов, который традиционно передавался по мужской линии (по мужской линии передается и Y-хромосома), поэтому и получается такой эффект. Если мы хотим проверить какие‐то математические гипотезы, например гипотезы генетической памяти, что некий ген продуцирует некий миф, то такую гипотезу мы проверить таким путем не сможем, потому что у нас здесь мощная автокорреляция. Проблема Гэлтона создает серьезные трудности для номотетического исследования, но, с другой стороны, создает серьезный потенциал для идеографического исследования, для исследования эволюции некой системы или влияния некой коммуникативной системы на развитие системы сообществ.