В современной научной литературе пристальное внимание уделяется феномену адаптации технологий и внедрению инноваций в сферу политики и государственного управления. В настоящее время существует большое количество исследований, центральным объектом которых выступает такое активно развивающееся явление, как государственные цифровые услуги. Несмотря на пеструю палитру из теоретических подходов, устоявшейся методологической традиции моделирования восприятия цифровых услуг пока не сложилось. К тому же многие исследования основаны на предпосылке, что действия пользователя являются добровольными. Мы же исходим из того, что в условиях отсутствия добровольности классическая для моделирования форма принятия решения – «да или нет», «действовать или не действовать» – во многом теряет смысл. Обязательность порождает ряд важных следствий, для части из которых требуются новые модельные решения. Чтобы восполнить этот пробел, в этой работе мы представляем вычислительную модель формирования отношения к государственным цифровым услугам в условиях обязательности. Причиной выбора этой области является величина принудительной власти государства и его возможность применить эту власть к самому широкому кругу социальных групп. Основными свойствами агентов в модели являются доверие к правительству и цифровые навыки. Государственные цифровые услуги различаются по техническим требованиям и, что особенно важно, по сенситивности – объему прав и обязанностей пользователей, которые затрагивает услуга, и объему персональных данных, которые она требует. Модель показывает, как эти переменные по-разному взаимодействуют в условиях добровольного и обязательного использования сервиса. Вычислительные эксперименты показали, что условия обязательности приводят к поляризации отношения пользователей, когда предоставляемая услуга является сенситивной. Поляризация усиливается, когда неудовлетворенность связанными с ней рисками влияет на уровень доверия к правительству. Обязательность также служит «катализатором» процессов формирования аттитюда: в условиях обязательности увеличивается как масштаб изменений, так и влияние других факторов (в первую очередь, сенситивности).
В статье представлены основания и принципы моделирования на примере разбора публикаций спецвыпуска журнала «Политическая наука», посвященного меняющимся мировым порядкам (№ 2, 2024). Проводится различение между моделированием в жизни и научных исследованиях. Освещается роль в политическом моделировании исследовательских вопросов, предмета, метода и мотивации исследований. Различаются явления и понятия о них, их опредмечиваине (reification, Verdinglichung), а также реальность, действительность и воображаемость моделируемых феноменов. Особое внимание уделяется просчетам, вызванным неконтролируемым принятием «мифа данного» (the myth of the given) и «мифа рамки» (the myth of the framework). Рассматриваются процессы очищения насыщения и укоренения моделей, связь этих процессов с симплекскомплекс трансформациями и трансдисциплинарными органонами-интеграторами – метретикой, морфетикой и семиозикой. На материале публикаций спецвыпуска по меняющимся мировым порядкам обсуждаются дополнительные возможности моделирования, в частности, построения динамических моделей, учитывающих синхронизацию и дисинхронизацию политических процессов. Обсуждается проблема формирования теоретико-методологического подхода к развитию и, в частности, предлагается выработка не абстрактной теории, а трансдисциплинарной научно-исследовательской программы, ориентированной на освоение расширенного эволюционного синтеза (evo-devo).
Рецензия на книгу Hansen P. A modern migration theory: an alternative economic approach to failed EU policy. – Newcastle: Agenda Publishing, 2021. – 256 p.
Рецензия на книгу Селезнева А. В. Российская молодежь: политикопсихологический портрет на фоне эпохи. – М.: Аквилон, 2022. – 288 с.
Исследование сосредоточено на применении современных методов машинного обучения для анализа текстовых данных в контексте динамики идеологической поляризации в русскоязычных политических Telegramканалах в первой половине 2022 г. В работе предлагается подход к классификации текстовых сообщений по идеологической направленности – консервативной, либеральной и коммунистической, который позволит экономно использовать ресурсы исследователей.
На основе разработанного подхода был создан классификатор идеологической направленности на основе ChatGPT, который показал высокий уровень согласованности в ответах между человеком и большой языковой моделью при оценке идеологической направленности текста. Это свидетельствует о том, что предложенный подход позволяет уменьшить затраты ресурсов при проведении анализа текстовых данных.
На следующем этапе была проанализирована выборка из 559 популярных политических Telegram-каналов, в которых было опубликовано 50 тыс. сообщений на предмет динамики идеологической поляризации после начала специальной военной операции. Сравнивалось нескольких моделей: изменения распределения мнений, состава групп и изменения пропорциональности идеологических текстов внутри каналов. Был сделан вывод, что после начала специальной военной операции произошло изменение идеологической поляризации, которое проявилось в изменении конфигурации полюсов за счет усиления консервативных взглядов. При этом коммунистические взгляды практически не присутствуют в популярном Telegram-пространстве.
Работа не только фиксирует динамику идеологической поляризации, но и предлагает метод анализа сложных социально-политических процессов в русскоязычной онлайн-среде с использованием больших языковых моделей. Этот метод подходит как для изучения поляризации, так и для анализа других процессов на основе текстовых данных. Он значительно сокращает затраты на исследования, требующие большого числа экспертных оценок.
Контрпротесты стали распространенным ответом на протестные движения по всему миру. Понимание этого процесса часто основывается на коллективных идентичностях, которые определяются в противовес аутгруппе – будь то власти или конкурирующим политическим силам. В контексте движения Black Lives Matter (BLM) первоначальный образ «другого» в основном приписывался властям. Однако появление контрпротестного движения All Lives Matter (ALM) усложнило эту картину – теперь образ «другого» приписывается также и участникам контрпротестного движения, внося новый слой сложности в динамику идентичностей и порождая вопросы о том, как эти идентичности трансформируются при столкновении с контрпротестом. Применяя новый подход в тематическом моделировании BERT, автор анализирует тематические сдвиги в постах участников протестного движения BLM в период с 2013 по 2014 г. в социальной сети Twitter (X). Применение тематического моделирования с помощью BERT (Bidirectional Encoder Representations from Transformers) позволило провести детальный анализ онлайн-сообщений, улавливая контекстные зависимости и раскрывая сложности трансформации коллективной идентичности в ответ на внешний вызов – появление контрпротестного движения ALM. Настоящее исследование заполняет две важные лакуны в литературе. Во-первых, оно предлагает методологическое улучшение, внедряя BERT для анализа динамической трансформации тем, что является шагом вперед по сравнению с доминирующим использованием LDA (Latent Dirichlet allocation), который не улавливает контекстуальных нюансов. Во-вторых, оно решает содержательную задачу: исследует, как изменяются коллективные идентичности участников протестного движения BLM под влиянием контрпротестов, что является пробелом в исследовательской литературе. BERT-тематическое моделирование показало себя как мощный инструмент для изучения трансформации коллективных идентичностей, предлагая перспективную методологическую основу для дальнейших исследований на пересечении проблематик протеста, контрпротеста и коллективных идентичностей в цифровую эпоху.
Настоящее исследование посвящено изучению и измерению эффектов сплочения в условиях политического кризиса. Традиционно процесс социальной солидаризации определялся либо как сплочение всего общества в период экзогенного шока, либо как межгрупповое сплочение изначально близких сообществ. Мы предполагаем, что эти типы сплочения взаимосвязаны между собой и обладают общими трендами развития в докризисный и посткризисный периоды. Важной составляющей исследования является предложенный подход к измерению групповой консолидации через сетевые характеристики. На основе данных более чем из 1000 политических Telegram-каналов, с использованием методов машинного обучения и сетевого анализа была исследована динамика групповой консолидации в период за четыре недели до специальной военной операции (СВО) и четыре недели после в трех сетях: основанной на ссылках между политическими каналами, а также построенных на основе социальных мотиваций гнева и веры в успех. Для оценки эффекта сплочения использованы ключевые индикаторы разбиения на сообщества – модулярность и количество сообществ. Выявлено, что сеть, основанная на ссылках (базовый сценарий), отображает краткосрочный эффект общегруппового сплочения, но в долгосрочном периоде эффект групповой консолидации нивелируется. В сети, построенной для гневной социальной мотивации, после начала СВО сообщества, наоборот, становятся более структурированными, что говорит о сплочении только изначально близких каналов. Мотивация веры в успех не проявляется перед началом кризиса и влияет на социальную солидаризацию в долгосрочной перспективе. Полученные результаты позволяют более глубоко понять механизмы формирования социальных сообществ в условиях политической нестабильности и их сетевую структуру. Исследование вносит вклад в понимание того, как цифровые платформы формируют политическое поведение.
Настоящее исследование посвящено изучению и измерению эффектов сплочения в условиях политического кризиса. Традиционно процесс социальной солидаризации определялся либо как сплочение всего общества в период экзогенного шока, либо как межгрупповое сплочение изначально близких сообществ. Мы предполагаем, что эти типы сплочения взаимосвязаны между собой и обладают общими трендами развития в докризисный и посткризисный периоды. Важной составляющей исследования является предложенный подход к измерению групповой консолидации через сетевые характеристики. На основе данных более чем из 1000 политических Telegram-каналов, с использованием методов машинного обучения и сетевого анализа была исследована динамика групповой консолидации в период за четыре недели до специальной военной операции (СВО) и четыре недели после в трех сетях: основанной на ссылках между политическими каналами, а также построенных на основе социальных мотиваций гнева и веры в успех. Для оценки эффекта сплочения использованы ключевые индикаторы разбиения на сообщества – модулярность и количество сообществ. Выявлено, что сеть, основанная на ссылках (базовый сценарий), отображает краткосрочный эффект общегруппового сплочения, но в долгосрочном периоде эффект групповой консолидации нивелируется. В сети, построенной для гневной социальной мотивации, после начала СВО сообщества, наоборот, становятся более структурированными, что говорит о сплочении только изначально близких каналов. Мотивация веры в успех не проявляется перед началом кризиса и влияет на социальную солидаризацию в долгосрочной перспективе. Полученные результаты позволяют более глубоко понять механизмы формирования социальных сообществ в условиях политической нестабильности и их сетевую структуру. Исследование вносит вклад в понимание того, как цифровые платформы формируют политическое поведение.
Статья содержит информацию о проекте «Актуальная политическая повестка России в межпартийной дискуссии», начатом в ИНИОН РАН. Под термином «актуальная политическая повестка» подразумевается совокупность вопросов, порождающих наибольшие дискуссии и максимальную поляризацию позиций в среде политических акторов. Основное внимание уделяется межпартийным дискуссиям, поскольку именно партии склонны эксплуатировать повестку дня с целью повышения электоральной капитализации.
В статье изложена методика отбора и анализа вопросов с использованием инструментария теорий политических (проблемных) измерений, установления (навязывания) повестки и «владения повесткой», при этом указанный инструментарий наполняется оригинальным содержанием.
Суммированы результаты расчетов за период с лета 2023 г. по осень 2024 г. – из них, в частности, следует, что в актуальной повестке России доминируют вопросы внешней политики, аутсайдером является политика внутренняя, между ними помещаются социально-экономическая и мировоззренческая сферы, конкурируя за второе место. Отмечено также, что из участвующих в думских выборах партий по уровню активности с большим отрывом лидирует КПРФ, за нею идут «Справедливая Россия – За Правду», ЛДПР и «Единая Россия».
Факторный анализ партийных позиций по совокупности вопросов актуальной повестки выявил три основных политических измерения. Первое в наибольшей степени связано с противостояниями «западников – самобытников» (мировоззренческая сфера) и «ястребов – голубей» (внешняя политика), второе – с конфронтацией лоялистов и оппозиционеров во внутриполитической, социально-экономической и мировоззренческой сферах, третье – с различными субизмерениями социально-экономической области и противостоянием советских традиционалистов и прогрессистов в мировоззренческой сфере.
Статья фокусируется на установлении эмпирической взаимосвязи между аффективной политической поляризацией и протестной мобилизацией. Проверяются два предположения, опирающиеся на анализ предыдущих исследований. Согласно первому, протест является фактором усиления проявления поляризации в обществе, но не является причиной проявления поляризации. Согласно второму, протест значимо влияет на расколы и идентификацию: в период протестной мобилизации бо́льшую значимость приобретает выражение политической идентификации, нежели социальной.
Для проверки предположений были собраны данные в русскоязычной сети «ВКонтакте» в два периода: экспериментальный, июль – сентябрь 2019 г. (московские протесты), и контрольный, март – май 2019 г. (непротестный период), Ntotal = 141517. Были использованы методы автоматической разметки на основании моделей ruBERT и последующей разметки кодировщиков, анализа временных рядов (кросс-корреляции, модель сезонного прогноза SARIMAX). Результаты двух моделей кросс-корреляционного анализа, основанных на сравнении проявления языка ненависти (на размеченных данных) в контрольный и экспериментальный период, подтверждают оба выдвинутых предположения статьи. Таким образом, подтверждено, что методология сбора и разметки данных, использованная в статье, позволяет строить прогнозные модели для оценки распространения языка ненависти в социальной сети. Это может получить дальнейшее развитие в исследованиях о прогнозе аффективной поляризации в ответ на конкретные протестные события.