Рус Eng Cn Перевести страницу на:  
Please select your language to translate the article


You can just close the window to don't translate
Библиотека
ваш профиль

Вернуться к содержанию

Социодинамика
Правильная ссылка на статью:

Моделирование пороговых эффектов в информационных процессах общественных систем

Петухов Александр Юрьевич

кандидат политических наук

доцент, рук. НИЛ "Моделирования социальных и политических процессов", Нижегородский Государственный Университет им. Н.И. Лобачевского

603950,, Россия, г. Нижний Новгород, ул. Пр.гагарина, 23

Petukhov Aleksandr

PhD in Politics

Director, Scientific Research Laboratory “Modelling of Social and Political Processes; Docent, the department of History and Theory of International Relations, N. I. Lobachevsky Nizhny Novgorod State University

603950,, Russia, g. Nizhnii Novgorod, ul. Pr.gagarina, 23

Lectorr@yandex.ru

DOI:

10.25136/2409-7144.2018.3.25688

Дата направления статьи в редакцию:

11-03-2018


Дата публикации:

03-04-2018


Аннотация: Данная работа посвящена проблемам моделирования и прогнозирования информационных процессов в общественных системах и в частности - пороговых эффектов в их динамике. Данные явления оказывают определяющее влияние на состояние системы, однако классические статистические модели не способны их прогнозировать. Демонстрируется, что общественные системы следует относить к многокомпонентным (т.е. состоящим из большого количества элементов) когнитивным системам распределённого типа (так как расстояние между отдельными элементами играет существенную роль с точки зрения функционирования системы). Основа методологии данного исследование - применение методов нейронных сетей и подход к общественным система как к когнитивным. Предлагается подход к описанию динамики информационных процессов и их внутренней иерархии в зависимости от масштаба влияния на состояние общественной системы в целом. Выделяются управляющие информационные процессы, как наиболее значимые. Вводится понятие порогового эффекта для подобных процессов. Разработано модельное представление исследуемых явлений на основе нелинейной динамики и нейронных сетей (песептрона).


Ключевые слова:

Информационные процессы, перспетрон, нелинейная динамика, пороговые эффекты, общественные системы, когнитивные алгоритмы, МКР - системы, социальные конфликты, революции, безопастность

Исследование выполнено при поддержке грантов РФФИ № 17-06-00640_a и 16-29-09550_офи_м.

Abstract: This work is dedicated to the problems of modelling and forecasting of information processes in the social systems, particularly the threshold effects in their dynamics. The indicated occurrences have the definitive impact upon the state of the system; however, the classical statistical models are not capable of forecasting them. It is demonstrated that the social system should be referred to multicomponent (i.e. consisting of large amount of elements) cognitive systems of distributed type (because the distance between separate elements plays a significant role from the standpoint of system activity). The basis of methodology lies in application of the methods of neural networks and approach to social systems as cognitive. The author suggests an approach towards the description of the dynamics of information processes and their inner hierarchy, depending on the scale of impact upon the social system overall. The managing information processes are determined as major. The concept of the threshold effect for similar processes is introduced. The author develops a model representation on the examined occurrences leaning on the nonlinear dynamics and neural networks (perceptron).


Keywords:

Information Processes, persperton, nonlinear dynamics, threshold effects, social systems, cognitive algorithms, MKD - systems, social conflicts, revolution, security

Введение

Все живые существа в природе осуществляют свою жизнедеятельность с помощью передачи, сохранении и генерации информации, поэтому неудивительно, что для общественных систем, как и для человека – первичного элемента, информационные процессы будут также определяющими.

Подобные процессы фактически определяют последующее состояние системы в условиях её глобальной и концептуальной нестабильности. Особый интерес и актуальность сегодня представляют информационные процессы, затрагивающие когнитивные установки индивида, его представления о мире и т.д. (например, формирование общественного мнения, манипуляции сознанием, информационные войны и т.д.).

Вместе с тем применение математических методов стало катализатором прогресса во многих областях естественно-научного знания, однако их использование применительно к общественным системам, в том числе к информационным процессам, остается достаточно ограниченным. Подобные подходы активно задействованы, по сути, лишь для статистической обработки и анализа исторических и социологических данных, а также в клиометрических и социометрических исследованиях [1-2].

Данная проблематика также характеризуется тем, что с точки зрения логико-математических методов и математического моделирования общественные системы относятся к широкому классу многокомпонентных нелинейных динамических систем [2]. Подобные успешно изучаются в математике, биологии, физике, химической кинетике, физической географии, экологии, популяционной динамике, информатике и т.д. Кроме того, любые общественные системы, как и отдельный индивид – их компонент, являются когнитивными, т.е. способными усваивать, обрабатывать и генерировать информацию. Поэтому социально-политические системы можно отнести к многокомпонентным (т.е. состоящим из большого количества различных элементов) когнитивным системам распределённого типа (так как расстояние между отдельными элементами играет существенную роль с точки зрения функционирования системы), далее сокращённо – МКР-системы [3-4].

На сегодняшний день относительно немного адекватных инструментов, которые позволили бы дать фундаментальную научную и теоретическую базу для прогнозирования динамики информационных процессов в социуме, с учётом его многокомпонентности, масштабируемости, выявления их характерных закономерностей, а также граничных условий, в открытом доступе для большей части научного сообщества [5-10].

Описание МКР-системы, состоящей из людей – отдельных когнитивных систем, требует применение соответствующих когнитивных алгоритмов (т.е. алгоритмов способных учитывать данные свойства системы) и масштабируемых подходов, способных корректно отобразить процесс переноса информации в обществе. Однако найти подобные апробированные алгоритмы и подходы, например, для общественных систем, непосредственное параметрическое описание для них - относительно сложно в открытой научной литературе (исключая некоторые частные модели, например, модели социальных сетей, в том числе с использованием нейронных сетей - Кребс В., Чураков А.Н., Ященко М.Ю., Суконщиков А.А., и др.). Во многом это связано с проблемой определения параметров социальной среды и индивида в отдельности, их присвоения в принципе, ведь аналоги из естественных дисциплин оперируют точными цифрами. Вместе с тем, даже на уровне одного человеческого мозга не создано полноценных моделей способных однозначно соотнести информацию и её материальное представление в виде нейронной активности.

Всё это приводит к формулировке фундаментальной проблемы – поиску наиболее эффективных инструментов к описанию и управлению информационными процессами в многокомпонентных когнитивных системах, выявлению основных их механизмов и алгоритмов.

Один из вариантов решения подобной проблемы:

• во-первых, использование когнитивных методов, которые позволяют учесть специфические свойства и параметры общественной системы, её способность к обучению и генерации информации;

• во-вторых, использование частично феноменологических моделей и подходов, которые с одной стороны, ряд параметров связывают с экспериментально измеряемыми величинами, с другой – дают относительную свободу в интерпретации и построении модели, минимизируя таким образом существующие проблемы нейрофизиологии, социологии и психофизиологии.

Пример подобного подхода – теория информационных образов, основанная на понятии «информационного образа». Под последним понимается универсальный информационный «квант» человеческого разума, близкий идеям «когнитома» известного нейрофизиолога, ч.-корр. РАН, профессора Анохина К.В [11].

Используя разработанный инструментарий возможно выявление характерных закономерностей и граничных условий, на основе которых выделяются необходимые точки принятий решения. Одним из примеров подобных закономерностей являются – «пороговые эффекты» и связанные с ними «критические точки». В точках развития системы, где проявляют себя пороговые эффекты, система претерпевает, как правило, качественные изменения за относительно короткое время (для социума это революции, кризисы, государственные перевороты и т.д.), поэтому задача изучения таких эффектов, условий их генерации и влияния на динамику общего развития социума является определяющей. К пороговым эффектам относятся многочисленные аномалии, наблюдающиеся в фазовых переходах второго рода (в физике и химии), например, в точке Кюри в магнетике или в критической точке системы «жидкость-пар», скоротечные процессы критического изменения ключевых параметров системы и т.д. В математике и нелинейной динамике пороговые эффекты также часто отождествляют с бифуркациями.

Именно такие явления в наиболее неустойчивых общественных системах (например, при переходных процессах - между двумя качественными состояниями системы) могут определить какое именно состояние будет для них следующим стационарным. Поэтому изучение данных эффектов является определяющим для прогностической деятельности.

Управляющая динамика информационных процессов

Для понимания и корректного описания информационных процессов в общественных системах необходимо чётко и адекватно представлять их специфику. Особенно интересны процессы, когда информационные потоки управляемы, глобальны и способны оказывать серьёзное воздействие на мыслительные процессы индивида. Именно подобные процессы при достаточно изучении могут продемонстрировать характерные закономерности описывающие управляющую динамику информационных процессов общественных систем.

Для начала необходимо объяснить, что мы подразумеваем под понятием «управляющей динамики». Понятно, что в данном случает этот термин не имеет прямого отношения к теории игр и идеям Дж. Нэша. Причина необходимости введения данного понятие обоснована следующим. Любая общественная и не только система обладает целым спектром разнообразные информационных процессов. Следует говорить о некой иерархии информационных процессов в системе, как и о иерархии управляющих процессов в системе. Очевидно, что данные явления являются неравнозначными с точки зрения влияния на общее состояния системы. Конечно, теория хаоса постулирует возможное итоговое глобальное влияние на состояние системы минимальных её некоторых параметров, однако это вопрос относительных вероятностей адекватной значимости данных процессов [12].

Таким образом, если принять за максимальную значимость процесса Sp=1, что соответствует условному абсолютному влиянию на систему, и минимальному Sp=0, соответственно, абсолютно незначимому.

Тогда мы имеем множество процессов {P1, P2, …, Pi…, Pn} в некой общественной системе O1, где n – количество данных процессов. Данному множеству соответствует множество значимостей {S1, S2, …, Si…, Sn}, где для каждому Pi соответствует значение Si – значимости данного процесса с точки зрения влияния на итоговые состояния для системы O1. Причем:

С точки зрения теории хаоса – максимальное и минимальное состояние не может достигаться [13].

Таким образом все процессы в общественной системе могут быть разделены на несколько групп в зависимости от их значимости.

Все или почти все данные процессы являются взаимозависимыми, так как находятся в одной среде и оперируют общим конечным числом параметров. Отсюда следует, что существует один или группа процессов {Pi, …, Pj}, значимость влияния которых существенно выше, чем влияние остальных процессов.

Данные процессы следует отнести к управляющим процессам или к процессам определяющих управляющую динамику в выбранной системе. Т.е. управляющая динамика – это изменение во времени некоторых параметров, имеющих решающее значение для состояния системы в целом. Именно данные процессы приводят в конечном итоге к пороговым эффектам – событиям, влияющим качественно на состояние системы.

Нейромодельное представление общественной системы

Важно учитывать, что процессы (в том числе и информационные) в общественных система при математическом моделировании не могут быть строго заданы, так как огромное количество разных по значимости факторов просто невозможно, по крайней мере на данный момент, учесть. Это приводит к многочисленным наблюдаемым флуктуациям. В социальных процессах флуктуации можно трактовать как проявления свободной воли его отдельных участников, а также другими случайными проявлениями внешней среды

Поэтому для описания подобных процессов требуется ввести влияние стохастической силы - стохастическая сила, для каждого i-то процесса Pi.

Таким образом мы имеем систему с набором n процессов:

Где фактор, влияющий на данный процесс, h, g, r и т.д. – их количество для каждого отдельного процесса (для разных процессов факторы могут совпадать или быть отличными).

Теоретически количество процессов и факторов может исчисляться сколь угодно большим числом, в зависимости от необходимой точности, вплоть до процессов на квантовом уровне.

Таким образом, пороговым эффектом следует считать качественное изменение состояния системы О1 или О2 в зависимости от активации соответствующих элементов и в результате качественного изменения управляющего процесса или нескольких процессов Pi, …, Pi+c, где c – число изменившихся процессов, которые, в свою очередь, изменились в результате влияния фактора или взаимозависимых факторов Fj, …, Fj+v, где v – число оказавших влияния факторов. Примерный вид подобной системы – Рис. 1.

Внешний вид подобной системы отчётливо схож с классическим представлением нейросети, как вариант - персептрона [14]. Также, как и в случае нейросети, общественные системы – способны обучаться и даже более того, самостоятельно генерировать информацию. Поэтому представление МКР-системы в виде однослойного или многослойного персептрона – существенное упрощение и необходимо учитывать её более широкие возможности.

Рис.1. Влияние информационных процессов на состояние общественной системы. Количество факторов и процессов может быть неограниченно.

Персептрон представляет собой сеть, состоящую из S, A, R -элементов, с переменной матрицей взаимодействия W (элементы которой wij — весовые коэффициенты), определяемой последовательностью прошлых состояний активности сети [14]..

Напомним, что в классическом, простом персептроне есть следующие составные элементы:

Простым S-элементом (сенсорным) является чувствительный элемент, который от воздействия какого-либо из видов энергии (например, света, звука, давления, тепла и т. п.) вырабатывает сигнал. Если входной сигнал превышает некоторый порог θ, на выходе элемента получаем +1, в противном случае — 0.

Простым A-элементом (ассоциативным) называется логический решающий элемент, который даёт выходной сигнал +1, когда алгебраическая сумма его входных сигналов превышает некоторую пороговую величину θ (говорят, что элемент активный), в противном случае выход равен нулю.

Простым R-элементом (реагирующим, то есть действующим) называется элемент, который выдаёт сигнал +1, если сумма его входных сигналов является строго положительной, и сигнал −1, если сумма его входных сигналов является строго отрицательной. Если сумма входных сигналов равна нулю, выход считается либо равным нулю, либо неопределённым [14].

Если на выходе любого элемента мы получаем 1, то говорят, что элемент активен или возбуждён.

Функция R элемента – сумматора для персептрона классические записывается так:

Где – коэффициент, вес связи передающей сигнал A – R.

То есть работа подобной система основа на последовательном достижении или не достижении значительного числа пороговых эффектов (количество зависит от количества элементов).

Ставя в соответствии S элементам факторы F влияющих на процессы P, которые мы соотнесём с A элементами, мы видим, что изменение какого-либо процесса Pi зависит от достижения порового эффекта определённого количества факторов F (что также является пороговым эффектом).

Классически, обучение нейросети – это решение задачи по нелинейной оптимизации [15]. Очевидно, что общество и отдельные его части, как системы постоянно решают задачи по поиску наиболее оптимальных параметров для тех или иных условий, факторов, процессов. Аналогично, наиболее яркие примеры пороговых эффектов в общественных системах – революции, перевороты и т.д., также по сути являются задачами по нелинейной оптимизации параметров общества для достижения определённого состояния.

Заключение

Таким образом в данной работе были рассмотрены некоторые проблемы моделирования и прогнозирования информационных процессов в общественных системах и в частности - пороговых эффектов в их динамике. Продемонстрированно, что общественные системы следует относить к многокомпонентным (т.е. состоящим из большого количества элементов) когнитивным системам распределённого типа (так как расстояние между отдельными элементами играет существенную роль с точки зрения функционирования системы).

Был предложен подход к описанию динамики информационных процессов и их внутренней иерархии в зависимости от масштаба влияния на состояние общественной системы в целом. Выделяются управляющие информационные процессы, как наиболее значимые. Вводится понятие порогового эффекта для подобных процессов.

Разработано модельное представление исследуемых явлений на основе нелинейной динамики и нейронных сетей (песептрона).

Все это закладывает определённый фундамент для проведение дальнейшего математического и компьютерного моделирования исследуемых эффектов.

Библиография
1. Плотинский Ю.М. Модели социальных процессов: Учебное пособие для высших учебных заведений. – М.: Логос, 2001.
2. Малков С.Ю. Математическое моделирование исторической динамики. Подходы и процессы. / Ред. М. Г. Дмитриев-М.: РГСУ. 2004
3. Романовский Ю.М., Степанова Н.В., Чернавский Д.С. Математическая биофизика.-М.: Наука, 1984.
4. Мелик-Гайказян И.В. Информационные процессы и реальность.-М.: Наука, Физматлит, 1998.
5. Малинецкий Г.Г., Потапов А.Б. Современные проблемы нелинейной динамики. – М.: Эдиториал УРСС, 2000.
6. Малинецкий Г.Г. Хаос, структуры, вычислительный эксперимент. Введение в нелинейную динамику.-М.: Наука, 1997.
7. Лоскутов А.Ю., Михайлов А.С. Введение в синергетику.-М.: Наука, 1990.
8. Михайлов, А. П. Горбатиков Е. А., “Базовая модель дуумвирата в системе «власть-общество»”, Матем. моделирование, 24:1 (2012), 33–45
9. Михайлов А. П., Петров А. П., “Поведенческие гипотезы и математическое моделирование в гуманитарных науках”, Матем. моделирование, 23:6 (2011), 18–32
10. Перов Е.В. МОНИТОРИНГ СОЦИАЛЬНОЙ КОНФЛИКТОГЕННОСТИ ОБЩЕСТВА // Национальная безопасность / nota bene. 2014. № 4. С. 574-583.
11. Petukhov A.Y. and Polevaya S.A. (2017). Modeling of cognitive brain activity through the Information Images Theory in terms of the bilingual Stroop test. International Journal of Biomathematics. Vol. 10, No. 6 (2017) 1750092 (16 pages) DOI: 10.1142/S1793524517500929
12. Miller, John; Page, Scott Complex Adaptive Systems. Princeton University Press. ISBN 978-0-691-12702-6
13. Хакен Г. Синергетика. Иерархия неустойчивостей в самоорганизующихся системах и устройствах. – М.: Мир, 1985
14. Principles of Neurodynamic: Perceptrons and the Theory of Brain Mechanisms. — М.: Мир, 1965. — 480 с.
15. Горбань А. Н. Нейроинформатика: кто мы, куда мы идём, как путь наш измерить // Вычислительные технологии. — М.: Машиностроение. — 2000. — № 4. — С. 10—14
References
1. Plotinskii Yu.M. Modeli sotsial'nykh protsessov: Uchebnoe posobie dlya vysshikh uchebnykh zavedenii. – M.: Logos, 2001.
2. Malkov S.Yu. Matematicheskoe modelirovanie istoricheskoi dinamiki. Podkhody i protsessy. / Red. M. G. Dmitriev-M.: RGSU. 2004
3. Romanovskii Yu.M., Stepanova N.V., Chernavskii D.S. Matematicheskaya biofizika.-M.: Nauka, 1984.
4. Melik-Gaikazyan I.V. Informatsionnye protsessy i real'nost'.-M.: Nauka, Fizmatlit, 1998.
5. Malinetskii G.G., Potapov A.B. Sovremennye problemy nelineinoi dinamiki. – M.: Editorial URSS, 2000.
6. Malinetskii G.G. Khaos, struktury, vychislitel'nyi eksperiment. Vvedenie v nelineinuyu dinamiku.-M.: Nauka, 1997.
7. Loskutov A.Yu., Mikhailov A.S. Vvedenie v sinergetiku.-M.: Nauka, 1990.
8. Mikhailov, A. P. Gorbatikov E. A., “Bazovaya model' duumvirata v sisteme «vlast'-obshchestvo»”, Matem. modelirovanie, 24:1 (2012), 33–45
9. Mikhailov A. P., Petrov A. P., “Povedencheskie gipotezy i matematicheskoe modelirovanie v gumanitarnykh naukakh”, Matem. modelirovanie, 23:6 (2011), 18–32
10. Perov E.V. MONITORING SOTsIAL''NOI KONFLIKTOGENNOSTI OBShchESTVA // Natsional'naya bezopasnost' / nota bene. 2014. № 4. S. 574-583.
11. Petukhov A.Y. and Polevaya S.A. (2017). Modeling of cognitive brain activity through the Information Images Theory in terms of the bilingual Stroop test. International Journal of Biomathematics. Vol. 10, No. 6 (2017) 1750092 (16 pages) DOI: 10.1142/S1793524517500929
12. Miller, John; Page, Scott Complex Adaptive Systems. Princeton University Press. ISBN 978-0-691-12702-6
13. Khaken G. Sinergetika. Ierarkhiya neustoichivostei v samoorganizuyushchikhsya sistemakh i ustroistvakh. – M.: Mir, 1985
14. Principles of Neurodynamic: Perceptrons and the Theory of Brain Mechanisms. — M.: Mir, 1965. — 480 s.
15. Gorban' A. N. Neiroinformatika: kto my, kuda my idem, kak put' nash izmerit' // Vychislitel'nye tekhnologii. — M.: Mashinostroenie. — 2000. — № 4. — S. 10—14