В основе городских исследовательских проектов лежат разные типы данных, в зависимости от задач проектов и их участников. Статистика, результаты опросов, глубинные интервью, дневники наблюдений, большие данные из доступных или собираемых баз, данные геоинформационных систем (ГИС), метаданные. Каждый из этих типов предполагает свою логику обращения с ними, поскольку они изначально вписаны в свой дисциплинарный контекст, а методы сбора, обработки и интерпретации связаны с методологическими традициями, принятыми в соответствующем дисциплинарном направлении. Информантка из междисциплинарной команды так описывает возникновение общего понимания на примере взаимодействия представителей разных дисциплин, где они готовы признаваться в своих ограничениях и последующих задачах: «Мы хорошо работали с пространством, но меньше понимали про людей» (Инф. 3).
В ходе совместных проектов вырабатываются новые правила обращения с данными, что является в определенном смысле результатом координационной работы. Один из информантов подчеркивает, что раньше заказчики (например, архитекторы) не могли поставить задачу для социологов и урбанистов, которые, в свою очередь, оперировали теоретическим и концептуальным языком. Их совместной задачей, которая решается от проекта к проекту, стал «перевод социальной теории на обыденный язык» (Инф. 10). Правда, по признанию этого же информанта, здесь наблюдается дополнительный конфликт: социальная теория скорее отражает принципы левой идеологии, а современные заказчики в России -- типичные представители неолиберализма, поэтому координационная работа также ведется не на уровне ценностей, а на уровне практик, где можно состыковать разные представления. В конфликте интересов между разными сторонами проектов выражается проявление отношений власти и статуса, особенно со стороны заказчиков. Если заказчиком выступает бизнес, то несовпадение ценностных установок исследователей и индустрии может повлиять на цели и интересы не в пользу общественного блага. А если по другую сторону оказываются чиновники, то в проектах теряется авторство решений, а у исследователей и вовсе пропадает возможность контроля за ходом реализации их проектов (Инф. 10).
Городские исследования как междисциплинарные проекты требуют взаимного приятия целей, часто связанных с пониманием природы и происхождения данных, для того чтобы в дальнейшем иметь возможность очищать их, обрабатывать и верифицировать. В основе совместных исследований лежит необходимость координации на разных этапах проекта по поводу требуемых данных и последующих возможных интерпретаций. Эту координационную работу могут называть по-разному в зависимости от собственного опыта взаимодействия со специалистами из разных дисциплин: «Огромное количество времени уходит на вырабатывание общего языка. Очень сложно контролировать, очень сложно продавливать свои темы, потому что нет общих авторитетов» (Инф. 4).
Подобное создание общего языкового пространства также отражает отношения власти и статуса. В контексте проектной работы, где значимо программирование и обращение с базами данных, за цифровыми методами их сбора, обработки и визуализации закрепляется привилегированная позиция. Так, с точки зрения «программиста» одного из проектов, у социальных ученых должен вырабатываться навык переводить запросы с концептуального языка на язык машиночитаемый (Инф. 5). Иными словами, другие участники проектов должны ориентироваться на требования к данным, их подготовке и переводу на другие основания.
Наличие институциональной повестки или лидера (руководителя, менеджера) часто определяет политику реализации проекта, что становится одним из решающих моментов во взаимодействии между техническими специалистами и городскими исследователями. В ряде проектов взаимодействие между теми и другими носит характер затаенной борьбы, если не открытого конфликта. В случаях, когда в проектах все относительно равны, происходят конфликты по переопределению правил игры и дизайна проекта «под себя». И здесь, «если ты считаешь, что правильно так, а программист считает, что правильно так, дальше начинается вопрос, у кого просто характер жестче» (Инф. 4). Подобное «гоббсианство» преодолевается в проектах, где есть четкая институциональная повестка. К примеру, одна из информанток рассказала, что у них в университете всячески продвигается и даже навязывается идея машинного обучения. Это предполагает использование нейронных сетей и анализ больших данных во всех проектах, включая те, в которых традиционно городские исследователи опирались на качественные данные. В итоге это приводит к, по сути, политической борьбе (Инф. 2). Наблюдается и обратная ситуация: лидер проекта может быть «фатальным» «гуманитарием» с набором социологических теорий города и пытается эти теории перевести на язык всех остальных, в т.ч. технических специалистов (Инф. 10).
При этом академические и коммерческие проекты могут выстраиваться по разным логикам, но чтобы быть успешным и результативным, предполагается дополнительная работа по проблематизации массивов данных и обсуждение того, как их в итоге будут концептуализировать. По этой причине в ряде проектов манипуляции с другими данными часто происходят в целях поддержки или верификации цифровых. Если проект основан на цифровых данных и необходимости их интерпретировать, то его участники совместно вырабатывают новую логику координационной работы. По признанию одной из информанток, направление «urbandata», которое ориентировалось в первую очередь на доступные данные о городских процессах, хоть и было изначально междисциплинарным, теперь «формируется в некую профессиональную деятельность» (Инф. 3).
Столкновение дисциплин предполагает столкновение логик, перспектив и нормативных представлений о данных. Формирование консенсуса о том, какие данные «хорошие» и «правильные», появляется в результате договоренностей, где побеждать могут самые разные участники процесса: заказчики, «программисты», социологи и другие, в зависимости от целей и задач. Единого алгоритма реализации проектов нет, поскольку разнообразно соотношение внутренних сил и ресурсов, а также степень интеграции представителей дисциплинарных направлений в разные стадии проекта.
Методологическая координация через пограничные объекты
Помимо совместной работы с данными, отдельное внимание уделяется практической координации качественных и количественных методологий. Под методологической координацией мы понимаем работу по объединению методов, принадлежащих разным дисциплинам. На уровне повседневной исследовательской работы качественные и количественные методы в ряде проектов не противопоставляются, а скорее существуют в режиме «все сгодится» (anythinggoes); на кону находится прагматика результата, а не политика методологической принадлежности. Такой прагматизм часто предполагает, что проект достигает своего результата, но при этом теряется значительный контроль одной стороны над тем, как устроена методологическая работа другой стороны.
В данном параграфе мы коснемся двух кейсов методологической координации. В одном из проектов происходило создание портала, связанного с коммемо- ративными исследованиями города. Бэкграунд руководителя проекта был связан с фольклорными исследованиями и семантической кодировкой фольклорных текстов, которая предполагает выделение семантических единиц для дальнейшей количественной обработки внутри глубинных интервью. Руководитель перенес этот метод кодировки из своих прежних исследований в новый городской цифровой проект: «И здесь [в городских исследованиях] мы делаем похожие вещи, когда интервью кодируются вопросами, которые есть в гайде, разбиваются на тематические блоки, выделяются ключевые моменты, слова. <...> И дальше происходит самое интересное и сложное, когда мы текст интервью переводим на семантический язык, метаязык, забивая в базу данных (Инф. 1).
Город в этом проекте представлен как набор устных воспоминаний, собираемых через детальные глубинные интервью. Данные, полученные в интервью, затем формализуются для последующей цифровой обработки и помещения в корпус, имеющий пространственную и семантическую разметку города. Этот корпус визуализируется в виде карты, где пользователь может получить информацию о районе города, просто наведя курсор на фрагмент карты. Смысл проекта заключался в том, чтобы перенести на карту сложные качественные нарративы. Интервью в этом проекте обладают всеми чертами глубины качественного исследования: сохраняются два текста -- оригинальный и текст с правками от информанта, а также при анализе данных учитывается дневник наблюдений интервьюера. Руководитель проекта подчеркивает свою «качественную позицию»: «Базовая ценность моя сейчас и тогда -- не прерывать собеседника. То есть, если он говорит про колхоз, а у меня нет вопроса про колхоз, я его выслушаю до конца и потом задам вопросы отдельные, которые касаются уточнения моего видения того, правильно ли я все понял. Даже если это не попадет в базу данных» (Инф. 1).
Подобная контекстуальность данных свидетельствует об их насыщенности смыслами и детализацией. Важно отметить, что благодаря разработанной совместно схеме семантическая кодировка интервью и дальнейшая обработка данных не находятся в конфликте, они дополняют друг друга, и одно практически «бесшовно» переходит в другое. При этом информант отмечал сложности с реализацией проекта. Финансирование и время реализации (один год) существенно влияли на задачи проекта, кроме того, неясными оставались масштабирование проекта и коммуникация с техническими специалистами: «И самый главный баг здесь -- это наличие конечного результата и отсутствие понимания, из чего начинать разработчикам. Так как разработка -- это процесс, тянущий за собой модули дополнительные и подключение дополнительных специалистов. Вот в этих рамках мы пытаемся наладить диалог. Но! Я до сих пор не вижу даже промежуточного результата, поскольку я нахожусь в поле. Я пока заполняю базу данных, которую мы придумали и согласовали. Перевод от базы данных к строительной машинке, которая автоматически это делает, становится такой инкогнито, которая не понимает, как это все будет производиться» (Инф. 1).
В другом кейсе при анализе городской среды используются цифровые данные и количественные методы. Для отражения городского пространства руководительница отдела городских исследований и ее команда агрегируют данные из социальной сети 1ш4а§гат, кодируют их и обрабатывают по частоте и рубрикам.
Руководительница отмечала, что она работает с «цифровыми данными»: «В сферу моих интересов входят данные, конкретно которые продуцируют пользователи специальных медиа. Не каких-то других. Потому что цифровые данные могут быть максимально разнообразные. Не знаю, следы ваших транзакций, кредитные карты, мобильные данные, все что угодно. Но я занимаюсь преимущественно пользовательскими данными, условно управляемыми. Управляемые -- это то, что я перечислила и плюс данные всевозможных фитнес-гаджетов. Условно управляемые -- это пользовательские, и от нас зависит, размещать их в цифровом пространстве или нет... Это тексты, фотографии и видеозаписи» (Инф. 2).
Пользовательские фотографии как данные размечаются на метаданные и городские объекты, в зависимости от задач исследования. Например, фиксируются время суток, когда была сделана фотография, локация и объект с целью изменения городской среды. Затем данные обрабатываются вручную или с помощью технологии нейронных сетей. Здесь возникает важный момент, поскольку данные, полученные с помощью нейросети, как мы уже упоминали, являются «черным ящиком» и требуют верификации. Работа и логика нейросетей, использующихся для анализа данных, нередко оказываются непрозрачными: «И самое главное с нейросетями то, что это «черный ящик». В отличие от машинного обучения системы, куда мы какую логику закладываем, такую и получим. А нейросеть сама закладывает, по каким критериям сортировать ей единицы данных. Что такое для нее день и ночь. И там логика ручной кодировки и машинного обеспечения совершенно прозрачна. То есть для меня вечер наступает, когда зажигаются фонари. Ну, понятно, почему, потому что время наступления темного времени суток важнее астрономического времени. Время наступления темного времени суток зависит от географического положения места. А темнота -- это то, что меня интересует с точки зрения урбанистической. Для нейросетей нет линейной логики... для меня это работа, связанная с верификацией данных. То есть если я не понимаю, как у меня эти данные получились, то что мне потом с ними делать?» (Инф. 2).
Один из способов верификации полученных машинным путем данных -- это обращение к качественным методам, в частности, глубинным интервью с горожанами по поводу благоустроенности городской среды: «У нас был интересный кейс, когда мы интересовались реакцией на проведение программы ***. То есть делали параллельно две вещи: смотрели на реакцию социальных сетей и провели полевые исследования. Понятно, выяснились две интересные вещи: что в живом разговоре недовольство проведением благоустройства гораздо ниже, чем в социальных сетях» (Инф. 2).
Другой способ верификации -- проверка самими «гуманитариями» того, насколько верными оказались результаты работы нейронных сетей. Та же информантка отмечала, что ей пришлось прогрузиться в проблематику машинного обучения и понять, как «программисты» оценивают эффективность работы нейронных сетей (Инф. 2). Это свидетельствует о том, что в междисциплинарных исследованиях довольно высок риск потери контроля над методами с одной или другой стороны. И нейронные сети здесь -- отличный пример того, как сложно оценить эффективность их работы.
Таким образом, методы не только дополняют, но и часто выступают контрастом друг для друга, и тем самым -- объектом рефлексии для исследователя. Во втором кейсе первичны количественные процедуры, которые затем верифицируются с помощью качественных интервью. При этом напряжение между цифровыми и качественными данными -- не помеха. Наоборот, это то, что стоит объяснить, это ресурс для интерпретации и рефлексии. В итоге в этих двух случаях цифровых исследований города количественные и качественные методы дополняют друг друга и не рассматриваются как конкурирующие или даже как отдельные процедуры. Они применяются в прагматическом ключе. Данные кейсы показывают, что в ходе проектов не выстраивается общий язык или общее понимание, скорее, координация происходит через общие стандарты (например, понимание критериев эффективности), а проблемы с контролем и «черными ящиками» преодолеваются работой над увеличением верифицируемости данных.
Паттерны координации в проектах
Междисциплинарная работа может строиться на двух основаниях: это вовлечение всех сторон («гуманитариев» и «программистов») в проект с самого начала, либо работа через «пограничные объекты» без нахождения единого понимания, но через техническое выполнение работы. Эти две крайние позиции -- от абсолютного смешения экспертиз до «заказов», т. е. максимально разделенного выполнения общей работы, -- описываются многими исследователями (Kinder-Kurlanda, Weller, 2014: 96).