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.           Barbey A. K. Network neuroscience theory of human intelligence //Trends in cognitive sciences. – 2018. – V. 22. – №. 1. – P. 8-20.    

4.           Barbey A. K., Karama S., Haier R. J. (ed.). The Cambridge handbook of intelligence and cognitive neuroscience. Cambridge University Press, 2021.              

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

6.           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.          

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

8.           Cerullo M. A. The problem with phi: a critique of integrated information theory //PLoS computational biology. – 2015. – V. 11. – №. 9. – P. e1004286. 

9.           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.  

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

11.         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.           

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

13.         D’Esposito M., Postle B. R. The cognitive neuroscience of working memory //Annual review of psychology. – 2015. – V. 66. – P. 115-142.    

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

15.         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    

16.         Eckstein M. K., Wilbrecht L., Collins A. G. E. What do reinforcement learning models measure? Interpreting model parameters in cognition and neuroscience //Current Opinion in Behavioral Sciences. – 2021. – V. 41. – P. 128-137.  EDN: QJRRER              

17.         Ehret P. J., Van Boven L., Sherman D. K. Partisan barriers to bipartisanship: Understanding climate policy polarization //Social Psychological and Personality Science. – 2018. – V. 9. – №. 3. – P. 308-318.    

18.         Fullerton M. K. et al. Evidence against risk as a motivating driver of COVID-19 preventive behaviors in the United States //Journal of Health Psychology. – 2022. – V. 27. – №. 9. – P. 2129-2146.  EDN: CGBKBN 

19.         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.          

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

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

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

23.         Heyes C. Who knows? Metacognitive social learning strategies //Trends in cognitive sciences. – 2016. – V. 20. – №. 3. – P. 204-213.           

24.         https://ai100.stanford.edu/gathering-strength-gathering-storms-one-hundred-year-study-artificial-intelligence-ai100-2021-study.    

25.         https://ai100.stanford.edu/gathering-strength-gathering-storms-one-hundred-year-study-artificial-intelligence-ai100-2021-1/sq4.    

26.         https://www.nsf.gov/cise/oac/taskforces/TaskForceReport_Gr and Challenges.pdf.             

27.         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. 

28.         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     

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

30.         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      

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

32.         Lake B. M. et al. Building machines that learn and think like people //Behavioral and brain sciences. – 2017. – V. 40. – P. e253.  

33.         Larrick R. P., Mannes A. E., Soll J. B. The social psychology of the wisdom of crowds //Social judgment and decision making. – Psychology Press, 2012. – P. 227-242.              

34.         LeCun Y., Bengio Y., Hinton G. Deep learning //Nature. – 2015. – V. 521. – №. 7553. – P. 436-444.    

35.         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.              

36.         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.         

37.         Madsen J. K., Bailey R. M., Pilditch T. D. Large networks of rational agents form persistent echo chambers //Scientific reports. – 2018. – V. 8. – №. 1. – P. 12391.  EDN: ZYHPAV             

38.         Malone T. W., Bernstein M. S. (ed.). Handbook of collective intelligence. MIT press, 2022.    

39.         Marks J. et al. Epistemic spillovers: Learning others’ political views reduces the ability to assess and use their expertise in nonpolitical domains //Cognition. – 2019. – V. 188. – P. 74-84.

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

41.         O’Connor C., Weatherall J. O. The misinformation age: How false beliefs spread. Yale University Press, 2019.    

42.         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.             

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

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

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

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

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

48.         Rozenblit L., Keil F. The misunderstood limits of folk science: An illusion of explanatory depth //Cognitive science. – 2002. – V. 26. – №. 5. – P. 521-562.  

49.         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.           

50.         Schubert A. L., Hagemann D., Frischkorn G. T. Is general intelligence little more than the speed of higher-order processing? //Journal of Experimental Psychology: General. – 2017. – V. 146. – №. 10. – P. 1498.    

51.         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.      

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

53.         Sloman S., Fernbach P. The knowledge illusion: the myth of individual thought and the power of collective wisdom. Pan Macmillan, 2017.   

54.         Sternberg R. J., Kaufman S. B. (ed.). The Cambridge handbook of intelligence. Cambridge University Press, 2011.     

55.         Sutton R. S., Barto A. G. Reinforcement learning: An introduction. MIT press, 2018.   

56.         Tononi G. et al. Integrated information theory: from consciousness to its physical substrate //Nature Reviews Neuroscience. – 2016. – V. 17. – №. 7. – P. 450-461.         

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

58.         Woolley A. W. et al. Evidence for a collective intelligence factor in the performance of human groups //science. – 2010. – V. 330. – №. 6004. – P. 686-688.   

59.         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.      

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

61.         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            

62.         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 

63.         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           

64.         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     

65.         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       

66.         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     

67.         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 

68.         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            

69.         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   

70.         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   

71.         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

72.         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

73.         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             

74.         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

75.         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        

76.         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

77.         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 

78.         Копцева, Н. П. Современные исследования в области социологии искусственного интеллекта: базовые подходы. Часть 6.2 / Н. П. Копцева, Ю. С. Замараева // Социология искусственного интеллекта. – 2023. – Т. 4, № 2. – С. 8-25.  EDN: FMQUUM 

79.         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      

80.         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             

81.         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              

82.         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              

83.         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

84.         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         

85.         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         

86.         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 

87.         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 

88.         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  

89.         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         

90.         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              

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

92.         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              

93.         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