1.       Allen-Zhu Z., Li Y., Song Z. A Convergence Theory for Deep Learning via Over-Parameterization,” June 2019 https://arxiv.org/abs/1811.03962v5.   

2.       Antoniou A, Storkey A., Edwards H. Data Augmentation Generative Adversarial Networks. March 2018 https://arxiv.org/abs/1711.04340v3.     

3.       Brennan G., Goodin R., Southwood N. Explaining Norms, 2016.

4.       Buolamwini J., Gebru T. Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification // Proceedings of Machine Learning Research. – 2018. – № 8. – P. 1-15, 2018, http://proceedings.mlr.press/v81/buolamwini18a/buolamwini18a.pdf.

5.       Campbell M., et al. Deep Blue // Artificial Intelligence. – V. 134 (1-2) – P. 57-83.       

6.       Cohen P. If Not Turing’s Test, Then What? // AI Magazine – 2006. – V. 26 (4) https://ojs.aaai.org/index.php/aimagazine/article/view/1849/1747.      

7.       Cristina Bichierri, The Grammar of Society, 2005.

8.       Cunningham A., et al. MPDM: Multi-policy decision-making from autonomous driving to social robot navigation. http://robots.engin.umich.edu/publications/acunningham-2019a.pdf. 

9.       Deng J., et al. ImageNet: A large-scale hierarchical image database //IEEE. https://ieeexplore.ieee.org/document/5206848.        

10.     Devlin J., et al. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. May 2019 https://arxiv.org/abs/1810.04805v2.   

11.     Dynamics of Krasnoyarsk Urban Space in the Early 21st Century / Yu. N. Avdeeva, K. A. Degtyarenko, S. V. Metlyaeva [et al.] // Journal of Siberian Federal University. Humanities and Social Sciences. – 2019. – Vol. 12. – No 6. – P. 953-974.  DOI: 10.17516/1997-1370-0434  EDN: OYMWLO 

12.     Grosz B. What Question Would Turing Pose Today? // AI Magazine. – 2012. – V. 33 (4) Winter 2012, https://ojs.aaai.org//index.php/aimagazine/article/view/2441.    

13.     Hadfield G., Weingast B.R. Microfoundations of the Rule of Law // Annual Review of Political Science. – 2014. -Vol. 17. – P. 21-42.         

14.     Hendrycks D., et al. Measuring Massive Multitask Language Understanding,” https://arxiv.org/abs/2009.03300v3.      

15.     Hestness J., et al. Deep Learning Scaling is Predictable, Empirically https://arxiv.org/abs/1712.00409.       

16.     https://ai.stanford.edu/~nilsson/QAI/qai.pdf. Note that Nilsson’s definition was also featured in the first AI100 report.

17. https://ash.harvard.edu/files/ash/files/disciplining_of_a_society_social_disciplining_and_civilizing_processes_in_contemporary_china.pdf.         

18.     https://developer.spotify.com/discover.        

19.     https://developer.squareup.com/blog/a-peek-into-machine-learning-at-squ….

20.     https://digital-strategy.ec.europa.eu/en/policies/european-approach-artificial-intelligence.

21.     https://en.qxfoodom.com/show-31-199.html.        

22.     https://facctrec.github.io/facctrec2020/program.    

23.     https://fintechnews.hk/12261/fintechchina/how-wechat-pay-determines-if-you-are-trustworthy-with-their-credit-score.       

24.     https://github.com/IMO-grand-challenge/IMO-grand-challenge.github.io.        

25.     https://nips.cc/Conferences/2017/CompetitionTrack.       

26.     https://research.atspotify.com/algorithmic-effects-on-the-diversity-of-consumption-on-spotify.

27.     https://response.jp/article/2019/03/14/320121.html, https://www.youtube.com/watch?v=P_zRwq9c8LY, https://www.youtube.com/watch?v=AI0l3ySnAiA.         

28.     https://techcrunch.com/2018/05/10/duplex-shows-google-failing-at-ethical-and-creative-ai-design.      

29.     https://twitter.com/pjreddie/status/1230524770350817280.         

30.     https://www.cnbc.com/2020/11/12/boston-dynamics-robot-gathering-data-at-construction-site-in-london.html, https://www.youtube.com/watch?v=wND9goxDVrY.     

31.     https://www.cnet.com/tech/services-and-software/google-apologizes-for-a….        

32.     https://www.consumerreports.org/car-safety/cadillac-super-cruise-outperforms-other-active-driving-assistance-systems.     

33.           https://www.cs.toronto.edu/~mvolkovs/recsys2020_challenge.pdf for their use in the 2020 Recommender Systems (RecSys) challenge. 

34.     https://www.darpa.mil/news-events/2020-08-07.   

35.           https://www.forbes.com/sites/bradtempleton/2021/04/29/baidu-launches-robotaxi-service-outside-beijing-how-fully-driverless-is-it-vs-autox.

36.           https://www.gpif.go.jp/en/investment/ai_report_summary_en.pdf.         

37.           https://www.gpif.go.jp/en/investment/research_2017_1_en.pdf.         

38.     https://www.ibm.com/downloads/cas/DLJ28XP7. 

39.     https://www.nerdwallet.com/best/investing/robo-advisors.         

40.     https://www.nytimes.com/2018/11/06/technology/myanmar-facebook.html.     

41.     https://www.nytimes.com/2021/05/24/technology/self-driving-cars-wait.html.   

42.     https://www.quantamagazine.org/how-close-are-computers-to-automating-mathematical-reasoning-20200827.

43.     https://www.sfchronicle.com/projects/2021/jessica-simulation-artificial-intelligence.        

44.     https://www.theverge.com/2019/5/9/18538194/google-duplex-ai-restaurants-experiences-review-robocalls.       

45.     https://www.turing.ac.uk/sites/default/files/2021-02/summary_of_discussion_workshop_2020_ai_scientist_grand_challenge_clean.pdf.         

46.     https://www.washingtonpost.com/health/2019/10/24/racial-bias-medical-algorithm-favors-white-patients-over-sicker-black-patients.         

47.           https://www.washingtonpost.com/science/2019/07/11/ruthless-superhuman-poker-playing-computer-program-makes-elite-players-fold.         

48.     https://www.washingtonpost.com/world/facial-recognition-china-tech-data/2021/07/30/404c2e96-f049-11eb-81b2-9b7061a582d8_story.html.      

49.     https://www.weforum.org/agenda/2021/08/cassie-the-bipedal-robot-runs-a-5k.

50.     https://www.wired.com/story/efforts-make-text-ai-less-racist-terrible.       

51.     https://www.wired.com/story/google-assistant-can-now-translate-on-your-phone.

52.     Jaderberg M., et al. Human-level performance in 3D multiplayer games with population-based reinforcement learning // Science. – May 2019 https://science.sciencemag.org/content/364/6443/859.full.        

53.     Joshi M., et al. SpanBERT: Improving Pre-training by Representing and Predicting Spans. Transactions of the Association for Computational Linguistics.January 2020 https://direct.mit.edu/tacl/article/doi//SpanBERT-Improving-Pre-training-by-Representing.  DOI: 10.1162/tacl_a_00300/43539    

54.     Kaplan J., et al. Scaling Laws for Neural Language Models https://arxiv.org/abs/2001.08361.       

55.     Kitano H. Artificial Intelligence to Win the Nobel Prize and Beyond: Creating the Engine for Scientific Discovery // AI Magazine. – 2016. – V. 37 (1).  DOI: 10.1609/aimag.v37i1.2642        

56.     Kolt N. Predicting Consumer Contracts //Berkeley Technology Law Journal. – V. 37.      

57.     Levesque H., et al. The Winograd Schema Challenge //Proceedings of the Thirteenth International Conference on Principles of Knowledge Representation and Reasoning, https://www.aaai.org/ocs/index.php/KR/KR12/paper/download/4492/4924.         

58.     Littman M., et al. Gathering Strength, Gathering Storms: The One Hundred Year Study on Artificial Intelligence (AI100) 2021 Study Panel Report // Stanford University, Stanford, CA, September 2021. http://ai100.stanford.edu/2021-report.

59.     Mihdi Afnan M., et al. Ethical Implementation of Artificial Intelligence to Select Embryos // In Vitro Fertilization. – April 2021 https://arxiv.org/abs/2105.00060v1.   

60.     Oriol Vinyals O., et al. Grandmaster level in StarCraft II using multi-agent reinforcement learning // Nature. – V. 575, October 2019 https://www.nature.com/articles/s41586-019-1724-z.      

61.     Pearl J., Mackenzie D. The Book of Why: The New Science of Cause-and-Effect http://bayes.cs.ucla.edu/WHY.        

62.     Peters M., et al. Deep contextualized word representations. March 2018 https://arxiv.org/abs/1802.05365v2.  

63.     Radford A., et al. Improving Language Understanding by Generative Pre-Training. https://www.cs.ubc.ca/~amuham01/LING530/papers/radford2018improving.pdf.         

64.     Rai A. Explainable AI: from black box to glass box // J. of the Acad. Mark. Sci. – 2020. -№ 48. – P. 137-141.  EDN: MNBEIB

65.     Reddy R. Foundations and Grand Challenges of Artificial Intelligence 1988 // AAAI Presidential Address, https://ojs.aaai.org/index.php/aimagazine/article/download/950/868.  

66.     Rudin C. Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead // Nature Machine Intelligence. – 2019. – V 1. – P. 206-215. 

67.     Silver D., et al. A general reinforcement learning algorithm that master’s chess, shogi, and Go through self-play // Science. – December 2018 https://science.sciencemag.org/content/362/6419/1140.    

68.     Silver D., et al. Mastering the game of Go without human knowledge // Nature. – V. 550, October 2017 https://www.nature.com/articles/nature24270.       

69.     Turing A. Computing Machinery and Intelligence //Mind. – 1950ю – V. LIX. – № 236, October 1950. – P. 433-460.   

70.     Zhang D., et al. The AI Index 2021 Annual Report. AI Index Steering Committee // Human-Centered AI Institute, Stanford University, Stanford, CA, March 2021 p. 49 https://aiindex.stanford.edu/wp-content/uploads/2021/03/2021-AI-Index-Report_Master.pdf.   

71.     Zhang S., Bengio S., Hardt M., Recht B., Vinyals O. Understanding deep learning requires rethinking generalization. February 2017 https://arxiv.org/abs/1611.03530v2.      

72.     Zhao Z., et al. Recommending what video to watch next: a multitask ranking system //Proceedings of the 13th ACM Conference on Recommender Systems (RecSys ’19) https://dl.acm.org/doi/.  DOI: 10.1145/3298689.3346997      

73.     Дегтяренко, К. А. Теоретико-методологические основания современных исследований этничности / К. А. Дегтяренко // Сибирский антропологический журнал. – 2021. – Т. 5. – № 4. – С. 11-24.  DOI: 10.31804/2542-1816-2021-5-4-11-24  EDN: NAXVBF     

74.     Ермаков, Т. К. Восприятие молодёжью символов современного цифрового искусства (на примере работ направления pixel art) / Т. К. Ермаков // Цифровизация. – 2021. – Т. 2. – № 1. – С. 7-14.  DOI: 10.37993/2712-8733-2021-2-1-7-14  EDN: WCWOQC     

75.     Ермаков, Т. К. Гуманитарные исследования техники: перспективы развития научного направления / Т. К. Ермаков // Специфика этнических миграционных процессов на территории Центральной Сибири в XX-XXI веках: опыт и перспективы: Материалы Международной научно-практической конференции, Красноярск, 25-27 ноября 2021 года. – Красноярск: Сибирский федеральный университет, 2022. – С. 207-214.  EDN: OFKRCC    

76.     Ермаков, Т. К. Некоторые особенности организации игрового пространства игр с 2D-графикой жанра платформер с точки зрения взаимодействия между игроком и пространством / Т. К. Ермаков // Журнал Сибирского федерального университета. Серия: Гуманитарные науки. – 2022. – Т. 15. – № 2. – С. 234-243.  DOI: 10.17516/1997-1370-0906  EDN: DRLVSP

77.     Ермаков, Т. К. Особенности первых видеоигр: анализ платформы Magnavox Odyssey / Т. К. Ермаков // Сибирский антропологический журнал. – 2022. – Т. 6. – № 2. – С. 39-52.  DOI: 10.31804/2542-1816-2022-6-2-39-52  EDN: KVEYNW

78.     Замараева, Ю. С. Анализ понятия “глобальные трансформации”. Воздействие глобальных трансформаций на культуру и этническую идентичность (теоретическое исследование) / Ю. С. Замараева // Цифровизация. – 2021. – Т. 2. – № 1. – С. 27-40.  DOI: 10.37993/2712-8733-2021-2-1-27-40  EDN: XEAVNH 

79.     Замараева, Ю. С. Формирование понятия “сложная идентичность” в современных гуманитарных науках / Ю. С. Замараева // Сибирский антропологический журнал. – 2020. – Т. 4. – № 2. – С. 89-102.  DOI: 10.31804/2542-1816-2020-4-2-87-100  EDN: YBRGNW

80.     Итоги научного семинара “теории и практики прикладных культурных исследований” 23 сентября 2022 года (Сибирский Федеральный университет, Красноярск) / Н. П. Копцева, А. А. Ситникова, А. Омелик [и др.] // Сибирский искусствоведческий журнал. – 2022. – Т. 1. – № 3. – С. 37-57.  DOI: 10.31804/2782-4926-2022-1-3-37-57  EDN: DIEXSH      

81.     Итоги научного семинара “теории и практики прикладных культурных исследований” 17 июня 2022 года (Сибирский Федеральный университет, Красноярск) / Н. П. Копцева, А. А. Ситникова, М. В. Тарасова [и др.] // Сибирский искусствоведческий журнал. – 2022. – Т. 1. – № 2. – С. 55-74.  DOI: 10.31804/2782-4926-2022-1-2-55-74  EDN: ZCHGIZ       

82.     Кистова, А. В. Методологическое значение “понимающей герменевтики” Вильгельма Дильтея для социально-философского исследования современных социокультурных феноменов / А. В. Кистова // Современные проблемы науки и образования. – 2013. – № 3. – С. 450.  EDN: RPOPPX        

83.     Кистова, А. В. Синтетическая модель культуры и культурные практики / А. В. Кистова // Сибирский антропологический журнал. – 2020. – Т. 4. – № 2. – С. 111-121.  DOI: 10.31804/2542-1816-2020-4-2-109-119  EDN: KLMBSN  

84.     Козлова, М. В. К вопросу о поддержке социальной адаптации студентов из числа КМНС и Дальнего Востока РФ в условиях цифровизации / М. В. Козлова, Ю. С. Замараева // Северные Архивы и Экспедиции. – 2022. – Т. 6. – № 1. – С. 147-153.  DOI: 10.31806/2542-1158-2022-6-1-147-153  EDN: NWUBKM     

85.     Колесник, М. А. Дайджест новостей в сфере развития искусственного интеллекта / М. А. Колесник, Н. М. Лещинская, Н. А. Сергеева // Социология искусственного интеллекта. – 2022. – Т. 3, № 1. – С. 18-28.  DOI: 10.31804/2712-939X-2022-3-1-18-28  EDN: AKUVFE         

86.     Колесник, М. А. Особенности восприятия русского этноса в молодежной среде города Красноярска по результатам ассоциативного эксперимента со словом “русское” / М. А. Колесник // Социодинамика. – 2016. – № 4. – С. 59-67.  DOI: 10.7256/2409-7144.2016.4.18270  EDN: VPBKJX 

87.     Копцева, Н. П. Культурные трансформации: возможности изучения / Н. П. Копцева, Н. Н. Пименова // Сибирский антропологический журнал. – 2020. – Т. 4. – № 3. – С. 36-44.  DOI: 10.31804/2542-1816-2020-4-3-36-44  EDN: ENUIWR  

88.     Копцева, Н. П. Современные исследования в области социологии искусственного интеллекта: базовые подходы. Часть 5 / Н. П. Копцева // Социология искусственного интеллекта. – 2022. – Т. 3. – № 4. – С. 9-22.  DOI: 10.31804/2712-939X-2022-3-4-9-22  EDN: AAVWZH            

89.     Копцева, Н. П. Социокультурное пространство современного российского города: (на материале анализа города Красноярска) / Н. П. Копцева, Е. А. Сертакова. – Красноярск: Сибирский федеральный университет, 2015. – 128 с.  ISBN: 978-5-7638-3345-4  EDN: VNUWFD

90.     Копцева, Н. П. Сумма методов современной урбанистической антропологии: постановка проблемы / Н. П. Копцева, Е. А. Сертакова // Урбанистика. – 2015. – № 2. – С. 40-53.  DOI: 10.7256/2310-8673.2015.2.16354  EDN: UHXSRJ        

91.     Либакова, Н. М. Культурная апроприация как форма взаимодействия культур / Н. М. Либакова, А. Е. Худоногова // Специфика этнических миграционных процессов на территории Центральной Сибири в XX-XXI веках: опыт и перспективы, Красноярск, 30 ноября – 02 декабря 2017 года. – Красноярск: Сибирский федеральный университет, 2018. – С. 75-78.  EDN: XVKSCL   

92.     Лузан, В. С. Роль цифрового образовательного контента в деятельности художественных музеев России / В. С. Лузан, О. А. Темникова // Цифровизация. – 2021. – Т. 2. – № 3. – С. 19-28.  DOI: 10.37993/2712-8733-2021-2-3-19-28  EDN: AOLMST  

93.     Методы изучения культуры / Н. П. Копцева, Ю. Н. Авдеева, К. А. Крупкина [и др.]; Сибирский федеральный университет, Гуманитарный институт. – Красноярск: Сибирский федеральный университет, 2020. – 184 с.  ISBN: 978-5-7638-4350-7  EDN: GEDBOV  

94.     Образование и здравоохранение как практики строительства нации (по материалам Эвенкийского архива) / Н. Н. Середкина, К. В. Резникова, Ю. Н. Менжуренко, Н. А. Сергеева // Журнал Сибирского федерального университета. Серия: Гуманитарные науки. – 2022. – Т. 15. – № 10. – С. 1480-1491.  DOI: 10.17516/1997-1370-0914  EDN: VXLTIF 

95.     Омелик, А. А. Возможности использования невзаимозаменяемых токенов (NFT) в художественной и институциональной практике в Красноярске / А. А. Омелик // Цифровизация. – 2022. – Т. 3. – № 2. – С. 96-108.  DOI: 10.37993/2712-8733-2022-3-2-96-108  EDN: RMXVLW   

96.     Пашова, Э. В. Актуальные художественные практики в комиксах / Э. В. Пашова // Сибирский антропологический журнал. – 2020. – Т. 4. – № 1. – С. 217-225.  DOI: 10.31804/2542-1816-2020-4-1-217-225  EDN: OFTALE         

97.     Пименова, Н. Н. Современная философская позиция по вопросу механизмов социокультурных изменений / Н. Н. Пименова // Сибирский антропологический журнал. – 2018. – Т. 2. – № 2. – С. 47-69.  EDN: XVLYIP     

98.     Резникова, К. В. Искусственный интеллект в американском кинематографе конца XX – начала XXI веков / К. В. Резникова, Е. А. Сертакова, А. А. Ситникова // Социология искусственного интеллекта. – 2022. – Т. 3. – № 1. – С. 42-49.  DOI: 10.31804/2712-939X-2022-3-1-42-49  EDN: HZKFIC  

99.     Середкина, Н. Н. Антропологические и этнологические подходы к изучению общероссийской гражданской идентичности / Н. Н. Середкина // Сибирский антропологический журнал. – 2022. – Т. 6. – № 1. – С. 111-121.  DOI: 10.31804/2542-1816-2022-6-1-111-121  EDN: AHNUED  

100.   Сертакова, Е. А. “Символический менеджмент” как механизм создания позитивного социального и культурного пространства города / Е. А. Сертакова // Современные проблемы науки и образования. – 2015. – № 1-1. – С. 1880.  EDN: VIFGDL   

101.   Сертакова, Е. А. Исследования “города” в классических концепциях зарубежных ученых / Е. А. Сертакова // Современные проблемы науки и образования. – 2013. – № 4. – С. 381.  EDN: ROFXUF         

102.   Сертакова, Е. А. Социологическое исследование культурных потребностей жителей города Красноярска / Е. А. Сертакова, Ю. С. Замараева, А. А. Ситникова // Урбанистика. – 2015. – № 3. – С. 16-42.  DOI: 10.7256/2310-8673.2015.3.16495  EDN: UIYGZV         

103.   Шпак, Б. А. Методы машинного обучения в гуманитарных науках / Б. А. Шпак, К. А. Дегтяренко, А. А. Шпак // Социология искусственного интеллекта. – 2021. – Т. 2, № 3. – С. 21-24.  DOI: 10.31804/2687-0606-2021-2-3-21-24  EDN: GJIBTC