Добавил:

ivanov666 Опубликованный материал нарушает ваши авторские права? Сообщите нам.

Вуз:

Башкирский Государственный Аграрный Университет

Предмет:

[НЕСОРТИРОВАННОЕ]

Файл:

Большие данные в исследовании политических процессов. Учебное пособие

.pdf

Скачиваний:

Добавлен:

07.09.2026

Размер:

2 Мб

Скачать

☆

<<< < Предыдущая 1 2 3 45 / 95 6 7 8 9 > Следующая >>>

ГлаваIV. Техника аккумулирования больших данных– цифровых маркеров политических

процессов сприменением онлайн-сервисов для мониторинга социальных медиа

(составление поисковых запросов)

Представим ситуацию, в которой оператору необходимо выгрузить сообщения с упоминанием Владимира Путина за последнюю неделю. Программа может выгружать до 50тысяч сообщений заодин запрос (для пакета «Профи»), нообсуждение личности Путина настолько широко, что вдень всети появляется намного больше сообщений, чем 50тысяч. Втаком случае программа выгрузит последние 50 тысяч сообщений и оператору неудастся охватить обсуждения, которые были в начале анализируемого периода.

Такую проблему можно решать уменьшением временных рамок рубрики и поэтапной выгрузкой. Так, сообщения за неделю будут выгружены в семь этапов. Для этого необходимо настроить семь идентичных рубрик, в которых будет меняться только рассматриваемый период, который будет ограничиваться одним днем. В зависимости от продолжительности рассматриваемого периода и количества сообщений

рамки этих этапов будут дифференцироваться и настраиваться индивидуально для каждого кейса.

Работа с контекстами. Чаще всего поисковые запросы формируются исходя изтех контекстов, которые являются фоном изучаемой темы. Наиболее показательный пример– создание маркеров для выгрузки сообщений в исследовательском кейсе, связанном с формированием протестных установок в украинских социальных медиа. Довольно эффективными поисковыми запросами были слова

, обозначающие неприязненное отношение кныне бывшему президенту Украины («Предатель|Вор|Януч| Бандюкович» ит. д.). Их упоминание всообщениях украинского сегмента социальных медиа периода ноября 2013– февраля 2014г. означало выражение протестных установок [1, 2]. Вкаждом исследовательском случае важно найти те поисковые запросы, которые позволят выгрузить максимальное число релевантных документов.

Для

исследовательского кейса, нацеленного на изучение информационных потоков, вкоторых отражена специфика межнациональных отношений в Крыму, были определены контексты вокруг таких знаковых для данной темы событий, как:

– признание меджлиса экстремистской организацией; – победа украинской участницы Евровидения в2016г. спесней

одепортации крымских татар в1944г.;

Е. В. БРОДОВСКАЯ, А. Ю. ДОМБРОВСКАЯ. БОЛЬШИЕ ДАННЫЕ В ИССЛЕДОВАНИИ ПОЛИТИЧЕСКИХ ПРОЦЕССОВ

– митинги в мае 2015и2016гг., связанные с депортацией

крымских татар в1944г.;

– резолюции ООН о нарушении прав крымских татар, приня-

тые в2017г.;

– помилование лидеров меджлиса 26октября 2017г.

Перечисленные контексты обусловили разработку следующих

запросов для выгрузки релевантного потока: «Угнетение крымских

крымских татар»|«Геноцид крымских татар»|«Крым-Украина»|«Крым-не Россия»|«Крымские татары – хозяева Крыма»|«Слава Украине», {(«крымские татары»| «крымско-татарский народ»|«крымско-татарское население»| меджлис|Джемилев|Чубаров)& (Россия|русские|оккупация|«Российская империя»|оккупанты|депортация|геноцид|«массовые репрессии»| «массовые убийства»|Сталин|«советская власть»|«сталинский режим»).

Работа ссобытиями. Работа ссобытиями–

это наиболее сложный процесс формирования поискового запроса. Потому что событие очень широкая категория, которая требует учет многих лексических форм. Рассмотрим все этапы формирования поискового запроса для событий напримере кейса «Анализ упоминаний событий наУкраине вноябре 2013– феврале 2014г.».

При анализе события необходимо фактически провести его

операционализацию и выделить основные формы

категорий, которые будут входить всостав релевантного сообщения изсоциальных медиа. Процесс операционализации события индивидуален для каждого случая и поэтому первым этапом для формирования поискового запроса будет выступать ивент-анализ рассматриваемого события. Вданном кейсе был проведен ивент-анализ, массивом которого выступали сообщения интернет-СМИ Украины иРоссии. Врезультате ивент-анализа

были выделены периодизация события, атакже три формы категорий, которые должны были входить в состав каждого поискового запроса:

– акторы сообщений (то, оком говорят)– см.табл.2; – содержательный смысл сообщения (то, как говорят); – артефактная составляющая сообщения (то, очем говорят).

ГлаваIV. Техника аккумулирования больших данных– цифровых маркеров политических

процессов сприменением онлайн-сервисов для мониторинга социальных медиа

(составление поисковых запросов)

Таблица 2

левантном

сообщении

Отсутствие

акторов вре-

Азаров)

(Янукович,

Украин-

ская власть

Украинская

радикальная

оппозиция

(которая ини-

циировала

неконвен-

циональные

протесты)

(Кличко,

Яценюк)

Украинская

«конвен-

чала протест)

циональная

оппозиция»

(которая на-

Отсутствие

акторов вре-

Украин-

ская власть

Украинская

радикальная

Украинская

«конвен-

левантном

сообщении

Азаров)

(Янукович,

оппозиция

(которая ини-

циировала

циональная

оппозиция»

(которая

неконвен-

циональные

протесты)

Яценюк)

начала про-

тест) (Кличко,

Власти

Евросоюза

Власти

Евросоюза

(чаще всего

просто «Ев-

ропа» или

«Евросоюз»)

вноябре 2013– феврале 2014г.

(чаще всего

«Евросоюз»)

просто «Ев-

ропа» или

(Обама)

Американ-

(Обама)

Американ-

ские власти

Российские

власти

(Путин)

Типы акторов всообщениях репрезентации протестных установок украинских пользователей

Пассивный

нигилизм

(жалобы,

несогласия,

торов)

обвинения,

втом числе

вадрес ак-

ские власти

Российские

власти

(Путин)

Акторами сообщения выступают политические силы, содержание сообщений определялось на-

Активный

нигилизм

виям)

(призывы

кпротест-

ным дейст-

Формирование таких развернутых критериев поискового запроса позволило нетолько полу-

измерить их вес вразные периоды события иврезультате сделать выводы оразвитии протеста

категория «Евромайдан».

личием лексических форм пассивного иактивного нигилизма, артефактором сообщений служила

врамках социальных медиа

чить максимально релевантные сообщения ввыгрузке, ноипровести типологизацию сообщений,

Е. В. БРОДОВСКАЯ, А. Ю. ДОМБРОВСКАЯ. БОЛЬШИЕ ДАННЫЕ В ИССЛЕДОВАНИИ ПОЛИТИЧЕСКИХ ПРОЦЕССОВ

Для каждого типа сообщений формируется отдельная рубрика иотдельный поисковой запрос, достаточно сложный всоставлении. Он позволяет устранить нерелевантные сообщения.

На основе маркеров, представленных втабл. 2, получены результаты, показанные нарис.11 и12. Наних данные одинамике активно-нигилистического ипассивно-нигилистического протестных информационных потоков, вкоторых упомянуты различные политические акторы в украинском сегменте социальных медиа вянваре– феврале 2014г.

Рис. 11. Хронологическое распределение сообщений

активно-нигилистического характера сучетом акторов

(16января– 22февраля 2014г.)

ГлаваIV. Техника аккумулирования больших данных– цифровых маркеров политических

процессов сприменением онлайн-сервисов для мониторинга социальных медиа

(составление поисковых запросов)

Рис. 12. Хронологическое распределение сообщений

пассивно-нигилистического характера сучетом акторов

(16января– 22февраля 2014г.)

Исходя из этого, разработка поисковых запросов имеет значимость не только с позиций содержательного сегментирования, но и является основой для анализа динамики аккумулированных потоков, выявления специфики социально-демографических характеристик авторов сообщений, геолокации создания документов, особенностей публикационной активности лидеров общественного мнения, формирующих установки пользователей в отношении того или иного предмета внутри сегментированных попоисковым запросам социально

-медий-

ных потоков.

ГЛАВАV

ПРИЕМЫ ГРАФИЧЕСКОЙ ИВЕРБАЛЬНОЙ

ИНТЕРПРЕТАЦИИ БОЛЬШИХ ДАННЫХ

ВИЗУЧЕНИИ ПОЛИТИЧЕСКИХ ПРОЦЕССОВ

ПОЦИФРОВЫМ СЛЕДАМ

В этой части пособия будут проанализированы результаты конкретных исследовательских кейсов, осуществленных авторами, ипоказаны возможности графической интерпретации ианалитики автоматически генерируемых сервисом для мониторинга социальных медиа отчетных статистик.

Все типы переменных – цифровых маркеров политических процессов следует сгруппировать следующим образом.

Содержательные:

– автоматизированное сегментирование социально-медийных информационных потоков;

– выявление облаков тегов

– анализ тональности сообщений.

Социально-демографические:

– половозрастной анализ авторов социально-медийных документов;

– геолокационный анализ сообщений социальных медиа.

Технологические:

– исследование динамики информационных потоков;

– изучение публикационной активности авторов информационных потоков иих аудитории;

– построение социальных графов, отражающих структуру взаи- модействия внутри имежду онлайновыми сообществами.

сообщений социальных медиа;

Содержательные маркеры

Автоматизированное формационных потоков

Данный вид сегментирования предполагает использование различных словарей маркеров для осуществления выгрузки определенных социально-медийных потоков. Тоесть система поисковых запросов детерминирует содержательную разницу аккумулируемых информационных потоков.

Примером исследовательского кейса, в котором информационные потоки были разделены посодержательным смыслам, слу-

сегментирование социально-медийных ин-

ГлаваV. Приемы графической ивербальной интерпретации больших данных

13,5

86,5

Активно-нигилистические потоки

Пассивнонигилистические потоки

визучении политических процессов поцифровым следам

жит изучение формирования протестных установок вукраинских социальных медиа 2013–2014гг. Для осуществления выгрузки документы были разделены на сообщения пассивно-нигилистического и активно-нигилистического характера. Клексике активного нигилизма отнесены сообщения побуждающего к действию характера: «Підтримай наших і вийди на Євро Майдан!» [Поддержи

наших и выйди на Евромайдан!], «Выйди сегодня на#євромайдан», «Президента-тряпку разогнать, а не Майдан». Маркеры пассивного

нигилизма отражали жалобы, обвинения, критику вотношении политических субъектов. Некоторые изних: «Путин, если любишь– от- пусти», «Янукович– вор ипредатель», «Разворовали страну» ит. д.

На рис. 13 показано, вкаком соотношении сервис для мониторинга социальных медиа сегментировал сообщения с лексикой активного и пассивного нигилизма в украинском сегменте социальных медиа в период протестного процесса

с 16 января

по22февраля 2014г.

Рис. 13. Распределение долей сообщений слексикой активного ипас-

сивного нигилизма вукраинском сегменте социальных медиа впе-

риод протестного процесса с16января по22февраля 2014г.

Еще одним примером таких словарей для автоматизированного сегментирования потоков по признаку их содержания может служить система маркеров, созданная авторским коллективом врамках исследования образа России винформационных потоках крымского сегмента социальных медиа в2015–2016гг. Основами

Е. В. БРОДОВСКАЯ, А. Ю. ДОМБРОВСКАЯ. БОЛЬШИЕ ДАННЫЕ В ИССЛЕДОВАНИИ ПОЛИТИЧЕСКИХ ПРОЦЕССОВ

Позитивноориентированные потоки

Негативноориентированные потоки

маркеров информационных потоков, имеющих отрицательную модальность поотношению кРоссии, служили запросы « Крым|не|Россия| Украина|оккупация|депортация». Вкачестве одних изключевых поисковых критериев для аккумулирования информационных потоков, отражающих позитивные аттитюды вотношении Российской Федерации, использовались словоупотребления «Крым||Россия| Возвращение|Родная|Гавань». Словари, базирующиеся на указанных запросах, обеспечили автоматизированное структурирование социально-

медийного пространства Крыма иизвлечение двух разнонаправленных потоков, что позволило выявить долевую представленность социально-медийных сообщений, отражающих позитивное (88 %) инегативное (12 %) отношение кРоссии вкрымском сегменте социальных медиа данного периода (см.рис.14).

социальных медиа (глубина выгрузки– 01.03.2015–01.11.2016г.)

Пределы объема рубрики взависимости отпакета услуг сервиса для мониторинга социальных медиа варьируют от5000 до100 000документов. Вэтой связи при необходимости анализировать несколько миллионов сообщений, суммарно выгруженных поодним итемже поисковым запросам, целесообразно обрабатывать их с помощью браузерного классификатора. Такая программа– приложение ксервису для мониторинга социальных медиа– обладает большими пре-

Рис. 14. Распределение долей позитивных инегативных

поотношению квоссоединению России иКрыма

информационных потоков врусскоязычном сегменте

ГлаваV. Приемы графической ивербальной интерпретации больших данных

визучении политических процессов поцифровым следам

имуществами сточки зрения надежности классификации иполучения дополнительных функций автоматизированного анализа.

Анализ облаков тегов

Этот тип анализа больших данных весьма ценен для исследования семантических аспектов релевантных социально-медийных потоков, так как позволяет определить, какая риторика превалирует ванализируемом потоке, каково семантическое ядро измеряемых массивов документов. Наиболее показательно сопоставление отчетных

статистик по облакам тегов нескольких выгруженных социально-медийных потоков. Например, сопоставление облака тегов массивов сообщений опартии КПРФ иЛДПР позволило выявить особенности техник онлайн-сопровождения работы парламентских политических партий: ориентир на персонификацию или деперсонификацию информационных потоков– см.табл.3.

Таблица 3

Облако тегов (ключевые слова) сообщений оКПРФ иЛДПР

Ключевое слово ЛДПР КПРФ

Россия 28 356 24 955 Депутат 22 551 24 703 Человек 18 847 17 507 Госдума 18 021 14 940 Жириновский 14 024 -

Ценность облака тегов состоит вего сопоставительном потенциале. Данная аналитическая опция обеспечивает сравнение частоты упоминания одних итехже словоупотреблений всоциально-медийных массивах, аккумулированных на основе словарей маркеров. Особую значимость такая возможность представляет для сравнения сопоставимых потоков всоциальных медиа, например, особытиях, организациях, лицах идр.

Превалирование врелевантных информационных потоках определенных словоупотреблений

служит значимым показателем определенных политических процессов, выявляемых спомощью автоматизированной техники построения таблицы облака тегов.

Анализ тональности сообщений

Данная метрика, предоставляемая сервисом для мониторинга

социальных сетей, указывает на модальность отношения авторов

Е. В. БРОДОВСКАЯ, А. Ю. ДОМБРОВСКАЯ. БОЛЬШИЕ ДАННЫЕ В ИССЛЕДОВАНИИ ПОЛИТИЧЕСКИХ ПРОЦЕССОВ

к релевантным для исследователя темам, событиям, контекстам. Соотношение тональности документов весьма показательно фигурирует в таком образце результатов киберметрии авторского коллектива, как распределение модальности сообщений информационных потоков опарламентских политических партиях (кейс «Эффективность интернет-коммуникации парламентских политических партий накануне единого дня голосования– 2017»). Это распределение показано на рис.15. Цифры рисунка говорят одоминировании отрицательного контекста сообщений о политических партиях всравнении сположительно окрашенными документами. Исключение– партия «Единая Россия», имеющая показатель позитивной тональности выше значения отрицательной модальности. Кроме того, заслуживает внимания тот факт, что соотношение этих показателей уКПРФ имеет наибольшую амплитуду, намного более интенсивно выраженную, чем уЛДПР и«Справедливой России».

Рис. 15. Тональность сообщений обанализируемых партиях

всоциальных медиа

В целом данные рис. 15показывают недостаточную сформированность альтернативных и управляемых информационных потоков, обеспечивающих позиционирование политических партий всоциальных медиа, инехватку альтернативных социально-медийных потоков, обеспечивающих позиционирование политических партий всоциальных сетях ипротивопоставленных потокам негативного свойства.

<<< < Предыдущая 1 2 3 45 / 95 6 7 8 9 > Следующая >>>

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]