Статья посвящена анализу философско-методологического диссонанса, возникающего в ходе попыток применения наукометрических методов для оценки эпистемологической перспективности конкретных исследовательских направлений. В основе традиционных способов такого рода оценок лежат стандарты и ориентиры, фактически кумулирующие исторический опыт научного познания. Опыт этот может выступать в самых различных формах, но в любом случае ученые так или иначе ориентируются на качественные методологические характеристики научного познания, соотнося их с конкретными когнитивными ситуациями, возникающими в их исследовательских практиках. Аналогичным образом ученые пытаются переосмысливать, насколько это возможно, и внешние, социокультурные по своей сути, суждения о перспективности их собственно исследовательской работы. Подобные попытки они предпринимают и в отношении количественных показателей цитирования, но всякий раз сталкиваются с методологическим диссонансом, возникающим между сугубо внешними формальными показателями и содержательным методологическим осознанием реальных познавательных ситуаций. В данной статье предлагается философско-методологическая гипотеза, которая, по мнению автора, позволяет наметить пути решения проблем, возникающих в контексте этого диссонанса. Автор полагает, что соотнесение столь разнородных вариантов оценки перспективности научных направлений может быть хотя бы отчасти эффективным благодаря обращению к принципам программирования цифровых технологий, лежащих в основе «обучения самокорректирующихся машин». «Машинное обучение» (machine learning) – это набор методов, характерной чертой которых является программирование ИИ не на прямое решение задачи (в нашем случае задачи по массированному сбору и представлению данных о цитировании), а на возможность ее дифференцирующей коррекции, опирающейся на решения множества сходных задач. Такая коррекция позволяет различать наукометрические данные с учетом когнитивной специфики агентов цитирования.
наукометрия; индексы цитирования; эпистемология; философия науки; методология науки; «машинное обучение».