Архив статей журнала
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.
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.