Метод синтетических фокус-групп в контексте цифровой трансформации социологического исследования

Филипова Александра Геннадьевна ORCID: 0000-0002-7475-1961 доктор социологических наук заведующий лабораторией комплексных исследований детства; Владивостокский государственный университет старший научный сотрудник; Российский государственный педагогический университет им. А.И. Герцена 191186, Санкт-Петербург, набережная реки Мойки 48 Filipova Alexandra Gennadyevna Doctor of Sociology Head of the Laboratory of Integrated Childhood Research; Vladivostok State University Senior Researcher; A.I. Herzen Russian State Pedagogical University 48 Moika River Embankment, Saint Petersburg, 191186 Alexgen77@list.ru Другие публикации этого автора     Абросимова Евгения Евгеньевна ORCID: 0000-0001-8893-4550 кандидат социологических наук доцент; кафедра философии и юридической психологии; Владивостокский государственный университет 690014, Россия, Приморский край, г. Владивосток, Ленинский р-н, ул. Гоголя, д. 41 Abrosimova Evgeniya Evgen'evna PhD in Sociology Associate Professor; Department of Philosophy and Legal Psychology; Vladivostok State University 41 Gogol Street, Leninsky District, Vladivostok, Primorsky Krai, 690014, Russia gaijony@mail.ru

Зубова Оксана Геннадьевна ORCID: 0000-0003-2825-7935 кандидат политических наук доцент; кафедра социальных технологий; Московский государственный университет имени М.В. Ломоносова 119234, Россия, г. Москва, ул. Ленинские Горы, 1, стр. 33 Zubova Oksana Gennad'evna PhD in Politics Associate Professor; Department of Social Technologies; Lomonosov Moscow State University 119234, Russia, Moscow, Leninskie Gory str., 1, building 33 zubovaoksana@bk.ru Другие публикации этого автора

Введение

Цифровизация открывает новые возможности для социологических исследований, используются такие технологии, как облачные вычисления, большие данные, Интернет вещей и искусственный интеллект. Это позволяет не только быстрее собирать и обрабатывать большие массивы данных, структурировать их в компактную и доступную форму через визуализацию, но и применять новые исследовательские инструменты, связанные как с переносом в онлайн-среду, например, виртуальный формат фокус-групп включает в участие людей, проживающих в самых отдаленных территориях, так и с расширенными возможностями опций искусственного интеллекта, проникающего во все сферы общественной жизни. Это определяет новые вызовы и форматы работы исследователей, порождает этические проблемы и вопросы, связанные с валидностью и надежностью получаемых данных. Возникающие риски, тем не менее, не исключают эвристический потенциал новых исследовательских техник и методов, требующих расширенной практической апробации и дальнейшего осмысления преимуществ и недостатков.

Проблемы занятости респондентов, фокусирование на сензитивных темах, работа с труднодоступными группами актуализируют задачу разработки новых методов сбора эмпирических данных. В ситуации пандемии Ковид-19 исследователи стали активнее использовать онлайн инструмент, в т.ч. онлайн интервью, онлайн фокус-группы при том как синхронные, так и асинхронные. Методный арсенал современного социолога/маркетолога/политолога и других специалистов, работающих с людьми, пополнили методы работы с искусственно сгенерированными, обычно с использованием больших языковых моделей "агентами".

Современные методы моделирования – синтетические фокус-группы на базе больших языковых моделей (LLM) – позволяют не только экономически и этически безопасно моделировать поведенческие сценарии, но и анализировать динамику мнений в изменяющемся контексте.

Целью настоящего исследования стало выявление возможностей и ограничений в использовании синтетических фокус-групп, созданных с помощью больших языковых моделей, в контексте социологических исследований. Основные задачи связаны с описанием современных подходов к применению генеративных моделей в социальном знании; проведением сравнительного анализа различных LLM (больших языковых моделей), применённых в эксперименте; оценкой исследовательского потенциала синтетических фокус-групп для решения задач сбора, интерпретации и верификации эмпирических данных; раскрытием основных рисков и ограничений применения синтетических агентов.

Научная новизна изучения синтетических фокус-групп, созданных с помощью больших языковых моделей как инновационного инструмента социологического исследования, заключается в теоретическом обосновании использования данного вида фокус-групп в прикладной социологии; сопоставлении результатов, полученных от разных LLM, в рамках одних и тех же исследовательских вопросов.

Обзор литературы

Зарубежные публикации демонстрируют интерес исследователей к синтетическим фокус-группам, генерации персонажей для решения не только научных, но и производственных задач, описывают возникающие сложности и ограничения.

В работе «Focus Agent: LLM-Powered Virtual Focus Group» представлена программная платформа «Focus Agent», на основе большой языковой модели (LLM), которая синтезирует фокус-группу (для сбора данных), а также выступает в качестве модератора в фокус-группе с реальными людьми. Исследователи заключают, что Focus Agent может генерировать мнения, похожие на мнения реальных людей. Ограничения данной технологии – сложности с распознаванием намеков и контекста в обсуждениях. Это приводит к повторению вопросов и недостаточной динамичности дискуссии. «Focus Agent» не проявляет истинного понимания, что снижает его восприятие как полноценного модератора, а также не всегда эффективно взаимодействует с менее активными участниками, что может приводить к снижению общей вовлеченности в обсуждение ^[1].

Работа Deus Ex Machina and Personas from Large Language Models: Investigating the Composition of AI-Generated Persona Descriptions также посвящена большим языковым моделям (LLM), которые могут генерировать персоны на основе подсказок, описывающих целевую группу пользователей ^[2]. Результаты исследования показывают, что LLM могут генерировать достаточно правдоподобные персоны, но при этом демонстрируют небольшой уровень стереотипизации (возраст, профессия и пр.)

Исследование Shin, J., Hedderich, M. A., Rey, B ^[3] показывает, что сочетание усилий экспертов и больших языковых моделей (LLM) позволяет создавать более репрезентативных персонажей, чем использование только одного из подходов. Авторы предлагают различные подходы к распределению задач между людьми и LLM для повышения качества создаваемых персонажей, включая использование LLM для суммирования, группировки и выделения ключевых характеристик данных пользователей.

Sattele, V., и Carlos Ortiz, J. выявляют риски использования больших языковых моделей и моделей преобразования текста в изображение (TTIM), обсуждая их применение в дизайнерской практике. Авторы описывают ряд недостатков использования данных технологий, выделяя предвзятость и стереотипизации (LLM могут усиливать стереотипы, например, гендерные роли). Исследователи подчеркивают, что, несмотря на большой потенциал инструментов искусственного интеллекта в сфере дизайна, роль человека остается приоритетной - дизайнеры должны анализировать контекст и корректировать «промпты», фильтровать результаты, учитывая ограничения ИИ ^[4].

Взаимодействие дизайнеров с персонализированными чат-ботами – «синтетическими пользователями» ^[5] было направлено на изучение влияния этих интеракций на процесс проектирования, результаты и восприятие персонажей. По мнению авторов, синтетические пользователи предоставили новые возможности для взаимодействия, однако, результаты не продемонстрировали явного преимущества по сравнению с традиционными персонажами в плане эмпатии, понимания и качества идей.

Австрийские исследователи погружают сгенерированных персонажей в медицинский контекст ^[6]. В своей работе они описывают инструментарий «Personas for AI» с руководством по пятиэтапному процессу создания персонажей (идентификация пользовательских групп, сбор данных, анализ, создание основы, визуализация), шаблоны для визуализации персонажей, примеры из медицинской практики. Статья подчёркивает необходимость человеко-ориентированного подхода в эпоху сложных ИИ-систем, где прозрачность и доверие становятся критическими факторами успеха.

Потенциал языковых моделей для социальных наук описывают и другие исследователи ^{[7, 8, 9]}, уделяя внимание моделированию человеческого поведения через LLM и подчеркивая важность осторожности в этическом и практическом применении ^[10].

Для отечественной практики синтетические фокус-группы являются новым методом сбора данных, пока недостаточно представленным в социологической практике и, соответственно, недостаточно изученным. В связи с этим возникает необходимость в апробации данного подхода, оценке его потенциала и ограничений, а также в разработке методологических решений, адаптированных к условиям использования генеративных языковых моделей.

Проблема валидности и надёжности данных синтетических фокус-групп

Г. Татарова и И. Чеховский на основе экспертных оценок определили несколько групп факторов, влияющих на результативность получаемых данных методом фокус-групп, что подтверждается и в других исследованиях, прежде всего, это некорректно поставленные цели и задачи; неправильно подобранная целевая аудитория из-за ошибок выборки или ошибок в анкете-фильтре, процессе рекрутинга участников; некорректный инструментарий ^[11].

При использовании синтетических фокус-групп на основе больших языковых моделей (LLM) возникают вопросы как конструктивной валидности (в какой степени агенты отражают реальные социальные установки и поведенческие паттерны целевых групп), так и надёжности (повторяемости и устойчивости полученных данных при повторной генерации).

Особую обеспокоенность вызывает возможность искажения установок под влиянием контекста, особенностей промпта или модели. Это ставит под угрозу несколько видов валидности.

Конструктивная валидность — может быть снижена, если агенты отражают не эмпирически обоснованные установки, а стереотипы, заимствованные из обучающего корпуса модели. Салминен с коллегами задаются вопросами: Насколько разнообразны характеристики персон, созданных LLM? Есть ли какие-либо заметные предубеждения? ^[2]

Если персоны, сгенерированные LLM, не содержат разнообразных характеристик, существует риск того, что будут упущены маргинальные типы пользователей ^[12], поскольку они не будут представлены в сгенерированных персонах. Более того, даже если персоны будут разнообразны в своем представлении различных типов пользователей, персоны все равно могут быть предвзятыми в том смысле, что они чрезмерно подчеркивают определенные характеристики на фоне других ^[13]. Например, распределение персон может быть преимущественно мужским или преимущественно молодым.

В исследовании Салминен и др. для генерации 450 персон используется GPT-4. Были созданы три типа подсказок для пяти зависимостей (алкоголь, опиоиды, социальные сети, онлайн-шопинг и азартные игры): одна с указанием мужского пола, одна с указанием женского пола и одна без указания пола вообще. Такое сочетание дало 15 комбинаций (3 × 5). Далее генерация для каждой из 15 комбинаций была повторена 30 раз. Исследователи подчеркивают, что ввод одного и того же запроса несколько раз через API Open AI в GPT-4 приводил к почти идентичным персонам. Эта проблема была решена с помощью двухэтапной стратегии подсказок: сначала модель сгенерировала список из 30 «базовых» персон для каждой комбинации типа зависимости-подсказки. Эти уникальные короткие описания персон были затем введены обратно в модель для получения полного описания. ^[2]

Содержательная валидность — страдает в случаях, когда синтетические реплики не охватывают весь спектр значимых тем или позиций, представленных в реальной популяции. Паоли иллюстрирует, что LLM могут создавать персоны пользователей на основе тематического анализа полуструктурированных интервью с реальными пользователями. LLM может генерировать коды и темы из данных интервью, а затем использовать их для написания повествований персон, которые включают цели, предысторию, потребности, проблемы и другие соответствующие детали ^[14].

Внешняя валидность — ограничивается, если агенты не представляют разнообразие демографических, культурных или региональных особенностей, особенно в русскоязычном контексте, где качество генерации ниже.

Одним из способов повышения достоверности выступает повторная генерация данных с вариативными промптами (prompt rephrasing), использование нескольких моделей, а также сравнение с результатами реальных интервью и фокус-групп. Кроме того, важным инструментом является экспертная валидация: участие специалистов в предметной области, которые могут оценить правдоподобие, релевантность и полноту высказываний агентов.

Также используются методики калибровки и валидизации: например, независимая кодировка данных несколькими исследователями и проверка на интерсубъективность, а также смешанные методы, совмещающие синтетические и реальные данные. Такие меры помогают повысить доверие к синтетическим данным и заложить основу для выработки этических и методологических стандартов в этой новой области социологического анализа.

Методы исследования

В исследовании используются общенаучные методы (анализ, синтез, индукция, моделирование, сравнение), а также специальные методы (использование LLM как инструмента моделирования, построение системного промпта).

В построении промптов мы следуем пяти принципам, обозначенным в работе Д. Феникса и М. Тейлора: задайте направление (подробно опишите желаемый стиль или укажите соответствующую ему личность); укажите формат (определите правила, которым должна следовать модель, и структуру ответа); приведите примеры; оцените качество (найдите ошибки, оцените ответы и определите, что влияет на качество ответа); разделите задачу на подзадачи (чтобы повысить точность и управляемость генерации). Эти принципы особенно важны при работе с большими языковыми моделями (LLM), где форма запроса напрямую влияет на результат ^[15].

Термины zero-shot и few-shot относятся к стратегиям использования языковых моделей в зависимости от количества предоставляемых примеров. В zero-shot сценарии модель выполняет задачу, опираясь только на описание инструкции без примеров. В few-shot режиме модель получает один или несколько примеров, чтобы распознать закономерности и структуру задания. Это помогает точнее формировать контекст и повышает релевантность отклика ^[16].

Цепочка рассуждений (Chain of Thought) — это техника промптинга, при которой модель побуждается к пошаговому объяснению логики, прежде чем выдать итоговый ответ. Такая стратегия позволяет улучшить качество откликов, особенно в задачах, требующих аналитического мышления, интерпретации, принятия решений или логического вывода. Для активации этой техники используются такие фразы, как «Давай рассуждать пошагово» или «Объясни, как ты пришел к этому выводу» ^[17].

Кроме того, вариативность реплик модели можно настраивать с помощью параметров генерации, таких как temperature (отвечает за степень креативности: чем выше значение, тем более разнообразными и непредсказуемыми становятся ответы) и top_p (настраивает вероятность выбора токенов — от более «безопасных» к более разнообразным, в зависимости от суммарной вероятности). Управление этими параметрами позволяет добиться нужного стиля или степени вариативности ответов при генерации реплик в фокус-группе или другом симулированном взаимодействии.

Для изучения возможностей синтетических фокус-групп и параллельной оценки возможностей языковых моделей мы обращаемся как к научным статьям, так и к языковым моделям.

В качестве отправной точки был сформулирован исследовательский вопрос, на основе которого разработан промпт, задающий системную роль языковой модели: «Ты — эксперт в области социологических методов, применяемых к исследованию социальных практик с использованием искусственного интеллекта. Твоя задача — объяснять и разрабатывать инновационные методики, такие как синтетические фокус-группы, включая возможности их использования в гуманитарных и прикладных исследованиях. Ты хорошо разбираешься в методах генерации фокус-групповых данных с помощью языковых моделей, симуляции ролей, автоматического анализа дискурсов, а также умеешь обосновать научную и практическую значимость таких подходов. Ты учитываешь этические аспекты, ограничения и перспективы использования синтетических участников в исследовательских целях».

Далее пользовательские роли задавались последовательно, с учетом целей исследования и в соответствии с логикой генерации предыдущих ответов. В ходе диалога с моделью были сформулированы следующие уточняющие запросы:

- Что такое синтетическая фокус-группа (СФГ)?

- Как можно использовать СФГ для исследования ИИ в высшем образовании?

- Как сформировать виртуальных персон?

Доступ к языковым моделям осуществлялся через OpenRouter. Использовались 5 языковых моделей, характеристики которых приведены в таблице 1. Все они бесплатны.

Таблица 1 – Сравнительная характеристика используемых LLM

Результаты исследования и их обсуждение

Что такое синтетическая фокус-группа

По определению С. А. Белановского, фокус-группа — это групповое глубокое интервью, относящееся к качественным методам социологического исследования. ^{[18, С. 162-163]}.

Виды фокус-групп можно соотносить с типами модерирования, количеством участников, продолжительностью и режимами работы при очной встрече или дистанционно. При дистанционном формате исследователи часто сравнивают именно критерий групповой дискуссии, как важную составляющую успешного проведения фокус-группы ^[19].

С внедрением искусственного интеллекта можно говорить о новом типе – синтетической фокус-группе. Чтобы выделить ее особенности, преимущества и недостатки, обратимся к осмыслению понимания данной категории через ответы языковых моделей.

В целом ответы моделей совпадают в том, что это инновационный метод качественных исследований, имитирующий традиционную фокус-группу с помощью искусственного интеллекта и языковых моделей, где участниками выступают не реальные респонденты, а синтетические агенты, моделирующие целевую группу. «Эти агенты запрограммированы для имитации поведения, мнений, реакций и взаимодействия, характерных для целевой группы, которую хотят исследовать» (Gemini). Выделяются и особенности данного типа фокус-групп, связанные с назначением и возможностями применения.

Так, исходя из ответа DeepSeek, синтетическая фокус-группа предваряет реальную фокус-группу и может использоваться для тестирования гайда и гипотез: «Основные особенности включают моделирование мнений и поведения, использование для тестирования гипотез до проведения реальных фокус-групп, а также снижение этических рисков».

Mistral дополняет, что виртуальные агенты позволяют исследователям получать данные в условиях, где трудно найти реальных участников. Вероятно, речь идет о труднодоступных группах респондентов. «В отличие от традиционных фокус-групп, где участвуют реальные люди, синтетические фокус-группы используют алгоритмы и языковые модели для генерации отзывов, обсуждений и мнений, что позволяет исследователям получать данные в условиях, где трудно найти реальных участников, или когда необходимо проводить множество экспериментов для тестирования гипотез».

Gemini подчеркивает, что основное назначение синтетических фокус-групп в изучении социальных процессов, выявлении закономерностей и получении исследовательских инсайтов как предварительного этапа виртуального проведения исследования без обращения к реальным респондентам. «Основная идея заключается в том, чтобы создать виртуальную среду, в которой можно изучать социальные процессы, выявлять закономерности и получать инсайты без необходимости проведения реальных фокус-групп, которые требуют времени, ресурсов и могут быть подвержены различным искажениям».

Qwen видит в синтетических фокус-группах методологический инструмент, позволяющий изучать социальные процессы без искажений и ограничений, возникающих при проведении реальных фокус-групп. «Виртуальные участники, или синтетические агенты, могут быть настроены на моделирование определённых групп или индивидуумов, что позволяет исследователям изучать сложные социальные процессы, не сталкиваясь с ограничениями реальных фокус-групп».

Llama обобщенно дает характеристики и видит главное отличие от традиционной фокус-группы в том, что участниками выступают виртуальные агенты (синтетические личности), созданные на основе алгоритмов машинного обучения. «В отличие от традиционных фокус-групп, где участники из реальной жизни обсуждают заданную тему под руководством модератора, в синтетической фокус-группе участниками выступают виртуальные агенты (синтетические личности), созданные на основе алгоритмов машинного обучения. Эти агенты способны генерировать ответы, имитирующие человеческое поведение и мнения, что позволяет исследователям собирать и анализировать данные без необходимости очного взаимодействия с людьми».

Итак, дадим определение синтетической фокус-группе – это инновационный метод, имитирующий традиционную фокус-группу с помощью искусственного интеллекта и языковых моделей, где участниками выступают не реальные респонденты, а синтетические агенты, моделирующие изучаемую целевую группу с помощью имитации поведения, мнений, реакции и взаимодействия.

Назначение метода: апробация инструментария, выдвижение гипотез на предварительном этапе подготовки социологического исследования; изучение труднодоступных групп респондентов; снижение этических рисков, связанных с контактной работой реальных участников; сокращение финансовых, организационных и временных затрат на проведение фокус-групповых исследований; возможность неоднократного тестирования, корректировки выборки.

Основное ограничение связано с трансформацией основных функций метода, когда синтетические фокус-группы можно рассматривать больше как методический, а не исследовательский инструмент, требующий неоднократной проверки. Технически распространение синтетических фокус-групп ограничено несовершенством используемых языковых моделей, долгосрочным и материально затратным процессом их обучения и тестирования. Преимущества и ограничения LLM приведены в таблице 2.

Таблица 2 - Преимущества и ограничения использования больших языковых моделей (LLM) в социологических исследованиях

СФГ для изучения особенностей применения ИИ в высшем образовании

Следующий промпт, адресованный отобранным моделям, был пользовательским запросом о генерации СФГ для изучения особенностей применения ИИ в высшем образовании. Отдельные LLM описали все этапы исследования – от постановки исследовательского вопроса/задачи, заканчивая анализом полученных данных, а не просто ограничились описанием организации синтетической фокус-группы. Самый краткий ответ был получен от Deepseek. Все модели предупреждали об ограничениях, связанных с СФГ – смещениями (bias), имеющимися в данных, на которых были обучены модели; «важно четко указывать, что участники симуляции являются синтетическими, и не использовать результаты для принятия решений, которые могут повлиять на реальных людей» (Gemini), «синтетические фокус-группы не должны имитировать реальных людей без их согласия» (Qwen), «ясно указывать, что данные получены с помощью синтетических методов» (Llama), «результаты синтетической фокус-группы следует интерпретировать с осторожностью и дополнять реальными исследованиями» (Deepseek),«данные, сгенерированные ИИ, могут частично изобретаться или не полностью соответствовать реальным человеческим моделям» (Mistral). Llama предложила для повышения надежности данных, полученных посредством СФГ, триангулировать их с данными из традиционных методов исследования (например, онлайн-опросов или интервью).

Модель “Gemini” сгенерировала несколько исследовательских тем относительно применения ИИ в высшем образовании: оценка отношения студентов к ИИ-ассистентам; выявление проблем и возможностей использования ИИ с точки зрения преподавателей, администраторов и студентов; прогнозирование влияния ИИ на успеваемость и мотивацию студентов; тестирование новых ИИ-инструментов (например, можно оценить, как студенты воспринимают чат-ботов, помогающих в учебе, или системы автоматической проверки эссе).

Генеративные агенты/персоны

Для создания профилей виртуальных персон, в нашем случае – студентов, важно собрать данные о целевой аудитории: демографическую информацию (возраст, пол, география и т.д.), учебные характеристики (курсы, учебная нагрузка, успеваемость и т.д.), уровень технической грамотности, опыт использования ИИ в образовательном процессе (Mistral).

Для сбора информации можно использовать разные методы – анкетирование, глубинные интервью или фокус-группы для получения более детальных ответов, наблюдение. Рекомендация от Qwen: «соберите данные, которые помогут вам понять типичные характеристики и поведение вашей целевой аудитории (студентов)». Llama предлагает использовать методы содержательного анализа или NLP для выявления тем, шаблонов и мнений, которые будут основой для создания реалистичных виртуальных персон.

Собранные данные станут основой для проектирования профилей виртуальных личностей, которые потом будут подаваться в промтах большим языковым моделям. Пример структуры промта от Germini:

«Ты - студент [курс], [специальность] в [университет/тип университета]. Твой уровень владения технологиями [высокий/средний/низкий].Твой опыт использования ИИ в образовании: [да/нет, описание опыта, если есть]. Твое отношение к ИИ в образовании: [позитивное/нейтральное/скептическое с обоснованием]. Твои основные цели в учебе: [описание целей]. Твои основные опасения в связи с использованием ИИ в образовании: [описание опасений]. Твой стиль общения: [формальный/неформальный, аргументированный/эмоциональный, с примерами]» .

Gemini уточняет: «чем детальнее промт, тем более реалистичным будет виртуальный участник. Укажите конкретные примеры опыта, мнений, целей. Можно указать известные личности (вымышленные или реальные), на которых виртуальный участник должен быть похож в плане стиля общения или взглядов».

В качестве сгенерированных персон каждая модель привела свои примеры. Наиболее подробное описание дала Gemini:

«Ты — Анна, студентка 3-го курса факультета журналистики МГУ. У тебя средний уровень владения технологиями, ты активно пользуешься социальными сетями и мессенджерами. Ты еще не сталкивалась с использованием ИИ в образовании, но слышала о нем от друзей. Тебе интересно, как ИИ может помочь в учебе, но ты опасаешься, что это приведет к обезличиванию образования и снижению роли преподавателя. Ты считаешь важным, чтобы в образовании сохранялся человеческий контакт и творческий подход. Ты немного скептически относишься к идее, что ИИ может заменить живого преподавателя, особенно в гуманитарных науках. Когда тебя спрашивают о твоем мнении, ты отвечаешь развернуто, приводя примеры и аргументы, но твой тон скорее дружелюбный и открытый к дискуссии».

После генерации виртуальных персон необходимо провести их тестирование, чтобы убедиться в их реалистичности и разнообразии. Можно провести экспертную оценку и/или пилотное исследование с участием небольшой группы реальных студентов, чтобы сравнить их ответы с ответами виртуальных персон. (Qwen)

После этого наступает этап подготовки сценария для синтетической фокус-группы, в котором наряду с блоками вопросов важно предусмотреть симуляции взаимодействия участников между собой и с модератором.

Заключение

Исследование не только демонстрирует потенциал синтетических фокус-групп в прикладных целях, но и поднимает важные вопросы, связанные с верификацией данных, качеством моделирования социальных ролей и границами применимости ИИ в качественных социологических методах. Это подчеркивает необходимость дальнейшей рефлексии относительно статуса подобных инструментов — не как замены, а как дополнения к традиционным подходам, особенно в контексте этики, методологической надежности и эпистемологической прозрачности.

Синтетическую фокус-группу можно определить через имитацию традиционной фокус-группы с помощью искусственного интеллекта и языковых моделей, где участниками выступают не реальные респонденты, а синтетические агенты, воспроизводящие изучаемую целевую группу посредством имитации поведения, мнений, реакции и взаимодействия. Основное назначение метода заключается в апробации инструментария, выдвижении рабочих гипотез, корректировке выборки, в изучении труднодоступных групп респондентов и сокращении финансовых, организационных и временных затрат на проведение.

В научном дискурсе остается открытой дискуссия о возможностях использования данного метода сбора данных в качественных исследованиях. Существующие ограничения в применении связаны как со вспомогательным назначением метода и необходимостью неоднократной проверки полученных данных, так и с несовершенством используемых языковых моделей, долгосрочным и материально затратным процессом их обучения и тестирования, недостаточной обученностью моделей на русскоязычном корпусе текстов.

Использование пяти больших языковых моделей и сравнение их ответов на вопросы, связанные с синтетическими фокус-группами, позволило сделать выбор в пользу Gemini, как предоставляющей более развернутые и аргументированные данные. Однако экосистема больших языковых моделей быстро развивается: регулярно выходят обновления существующих моделей, таких как GPT, Claude или Mistral, и появляются принципиально новые решения от разных разработчиков. В связи с этим итоговый выбор модели для дальнейшей работы с СФГ остается открытым.