Трунова В.А., Галкин В.В., Трунова Е.А. Интеграция методов машинного обучения в социологический анализ клиентского опыта на рынке юридических услуг

Научная статья
УДК 316.334:004.8
https://doi.org/10.24158/tipor.2026.5.11

 

Интеграция методов машинного обучения

в социологический анализ клиентского опыта

на рынке юридических услуг

 

Трунова Валентина Александрова¹, Галкин Владимир Вячеславович²,
Трунова Екатерина Александровна^3
1,2,3Финансовый университет при Правительстве Российской Федерации, Москва, Россия
¹vallvalentine77@yandex.ru
²galkin.vova1@gmail.com
³eatrunova@fa.ru, https://orcid.org/0000-0003-3340-7387
 
Аннотация. В статье рассматриваются возможности и методологические основания интеграции методов машинного обучения в социологический анализ клиентского опыта на рынке юридических услуг.        На примере корпуса LegalBench learned_hands_consumer (620 текстов жалоб) проведено эмпирическое сопоставление двух моделей: интерпретируемой (TF‑IDF + логистическая регрессия) и нейросетевой (fine‑tuned Jina-embeddings с LoRA). На основе анализа ошибок и распределения уверенности модели выделены четыре поведенческих типа клиентов. Предложена четырехуровневая аналитическая система и сформулированы практические рекомендации по оптимизации клиентского опыта, включая двухступенчатый ML-фильтр, сегментацию обращений и цикл дообучения на ошибках. Результаты демонстрируют, что машинное обучение может выступать не только как технический классификатор, но и как инструмент социологической реконструкции цифровых следов правовой мобилизации.
Ключевые слова: машинное обучение, социологический анализ, клиентский опыт, рынок юридических услуг, поведенческие паттерны, нейросетевые модели
Финансирование: инициативная работа.
Для цитирования: Трунова В.А., Галкин В.В., Трунова Е.А. Интеграция методов машинного обучения в социологический анализ клиентского опыта на рынке юридических услуг // Теория и практика общественного развития. 2026. № 5. С. 112–120. https://doi.org/10.24158/tipor.2026.5.11.
 
Original article

 

Integration of Machine Learning Methods

into the Sociological Analysis of Client

Experience in the Legal Services Market

 

Valentina A. Trunova¹, Vladimir V. Galkin²,
Ekaterina A. Trunova^3
1,2,3Financial University under the Government of the Russian Federation, Moscow, Russia
¹vallvalentine77@yandex.ru
²galkin.vova1@gmail.com
³eatrunova@fa.ru, https://orcid.org/0000-0003-3340-7387
 
Abstract. The article explores the possibilities and methodological foundations for integrating machine learning methods into the sociological analysis of client experience in the legal services market. Using the LegalBench learned_hands_consumer corpus (620 complaint texts), the authors conducted an empirical comparison of an interpretable model (TF‑IDF + logistic regression) and a neural network model (fine‑tuned Jina-embeddings with LoRA). Based on error analysis and the confidence distribution, four behavioral types of clients are identified. A four‑level analytical system is proposed, and practical recommendations are formulated for optimizing client experience, including a two‑stage ML filter, query segmentation, and a human‑in‑the‑loop retraining cycle. The results demonstrate that machine learning can serve not only as a technical classifier but also as a tool for sociological reconstruction of digital traces of legal mobilization.
Keywords: machine learning, sociological analysis, client experience, legal services market, behavioral patterns, neural network models
Funding: Independent work.
For citation: Trunova, V.A., Galkin, V.V. & Trunova, E.A. (2026) Integration of Machine Learning Methods into the Sociological Analysis of Client Experience in the Legal Services Market. Theory and Practice of Social Development. (5), 112–120. Available from: doi:10.24158/tipor.2026.5.11 (In Russian).

© Трунова В.А., Галкин В.В., Трунова Е.А., 2026

Список источников:
 
Деникин А.А. Человеко-машинные взаимодействия и искусственный интеллект: к новому пониманию алгоритмических коммуникаций // Социология науки и технологий. 2024. Т. 15, № 4. С. 67–82.
Рафикова К.Ф. Прогнозирование социальных изменений с помощью алгоритмов машинного обучения // Теория и практика общественного развития. 2024. № 4. С. 90–96. https://doi.org/10.24158/tipor.2024.4.9.
Сидоров С.П., Тихонова С.В. Инструментальные методы анализа медиапространства в цифровой гуманитаристике // Социология науки и технологий. 2023. Т. 14, № 3. С. 118–130.
Тетенков Н.Б. Методология социального прогнозирования // Социально-гуманитарные знания. 2023. № 12. С. 24–26.
 
References:
 
Denikin, A.A. (2024) Cheloveko-mashinnye vzaimodeystviya i iskusstvennyy intellekt: k novomu ponimaniyu algoritmicheskikh kommunikatsiy [Human-Machine Interactions and Artificial Intelligence: Toward a New Understanding of Algorithmic Communications]. Sotsiologiya nauki i tekhnologiy. 15 (4), 67–82. (In Russian)
Rafikova, K.F. (2024) Prognozirovanie sotsial’nykh izmeneniy s pomoshch’yu algoritmov mashinnogo obucheniya [Predicting Social Change Using Machine Learning Algorithms]. Teoriya i praktika obshchestvennogo razvitiya. (4), 90–96. Available from: 10.24158/tipor.2024.4.9. (In Russian)
Sidorov, S.P. & Tikhonova, S.V. (2023) Instrumental’nye metody analiza mediaprostranstva v tsifrovoy gumanitaristike [Instrumental Methods for Media Space Analysis in Digital Humanities]. Sotsiologiya nauki i tekhnologiy. 14 (3), 118–130. (In Russian)
Tetenkov, N.B. (2023) Metodologiya sotsial’nogo prognozirovaniya [Methodology of Social Forecasting]. Sotsial’no-gumanitarnye znaniya. (12), 24–26. (In Russian)