Сетевые агенты политической Интернет коммуникации в русскоязычном онлайн пространстве Суслов Сергей Игоревич

Содержание к диссертации

Введение

ГЛАВА 1. Теории политической коммуникации 22

1.1 Теории коммуникации 22

1.2 Современные теории политической коммуникации 45

1.3 Анализ структуры коммуникативного пространства 53

ГЛАВА 2. Методологические основы сетевого анализа 81

2.1 Генезис и становление сетевого анализа 81

2.2 Концептуальные основы сетевого анализа 107

2.3 Основные метрики графов 115

2.4 Компьютерные программы 136

ГЛАВА 3. Кластеры петербургских политических онлайн сообществ в «вконтакте» 141

3.1 Моделирование смежности аудитории онлайн-сообществ 141

3.2 Симуляция эхо-камер 153

3.3 Сетевой анализ расширенной выборки 161

Заключение 195

Список литературы

• Современные теории политической коммуникации
• Анализ структуры коммуникативного пространства
• Концептуальные основы сетевого анализа
• Симуляция эхо-камер

Введение к работе

Актуальность темы исследования.

Актуальность диссертационного исследования, в первую очередь, связана со стремительным распространением Интернета. Эмпирические исследования на тему распространения Интернета в России показывают, что суточная аудитория составляет около 70 млн. человек. Результаты телефонного опроса «Интернет в жизни петербуржцев», проведенного в 2015 г. Центром эмпирических политических исследований факультета политологии СПбГУ на базе Ресурсного Центра «Центр Социологических и Интернет-исследований» СПбГУ, показывают, что 73,6% жителей Санкт-Петербурга пользуются Интернетом ежедневно. Чем больше количество пользователей сети, тем выше, согласно закону Меткалфа, её ценность. На основании этого можно сделать вывод о том, что Интернет-исследования являются приоритетными в общественных науках.

Создание и развитие виртуального пространства, а также образование в нем социальных сетей означало возникновение новой социальной реальности, влияющей на поведенческие установки людей. Социальные потрясения в последнее десятилетие в ряде стран Северной Африки, Ближнего Востока подтолкнули исследователей к изучению влияния социальных сетей на гражданскую и политическую активность населения. Рост значения политической коммуникации, основанной на принципиально новых цифровых информационных технологиях, приводит к активизации политической или гражданской активности различных акторов. С одной стороны, увеличение объема передаваемой информации и сообщений обогащает и делает разносторонней общественную и политическую жизнь общества. С другой стороны, рост и усложнение структуры политических связей непременно вызывают увеличение потребляемых людьми знаний и сведений. Таким образом, исследование структуры коммуникативного пространства позволяет выявить сетевые особенности организации и взаимодействия агентов политической коммуникации в социальных сетях.

Степень научной разработанности.

Научные исследования виртуального пространства стали особенно активно проводиться в европейских странах и США в последние десять лет. Первоначально основным предметом исследования было потребительское поведение населения. Протестные и революционные события перевели внимание исследователей на гражданскую и политическую активность населения в социальных сетях. Одним из значимых видов активности является политическая Интернет-коммуникация.

Изучение политической коммуникации началось с 1930-х гг. Создание СМИ псевдоокружения, упорядоченного стереотипами, которое создает повестку дня, было впервые описано У. Липпманом¹. Г. Лассуэлом были разработаны техники пропаганды и одноступенчатая модель коммуникации². П. Ф. Лазарсфельд провел первое эмпирическое исследование влияния СМИ на электоральное поведение³. Вместе со своим учеником Э. Кацем он создал модель двухступенчатой коммуникации⁴. Большой вклад внес Э. Кац, сформулировав теорию полезности и удовлетворения потребностей⁵. После широкого распространения телевидения, политической коммуникацией занимались М. Э. Маккомбс и Д. Л. Шоу, Дж. П. Винтер и Ч. Х. Эяль, Г. Ланг и К. Ланг, Дж. С. Колман и другие⁶. Следует назвать экспериментальные исследования Ш. Айенгара и Д. П. Киндера⁷. Среди авторов теоретических работ по политической коммуникации необходимо назвать

¹ Липпман У. Общественное мнение. М.: Институт Фонда «Общественное мнение», 2004. 384 с.

² Lasswell H.D. The Theory of Political Propaganda // Reader in Public Opinion and Communication. / Ed. by B. Berelson
and M. Janowitz. Glencoe: Free Press, 1953. P. 176—180; Lasswell H. D. Psychopathology and politics. University of
Chicago Press, 1986. P. 358

³ Lazarsfeld P. F., Berelson B., Gaudet H. The people’s choice: How the voter makes up his mind in a presidential election
// New York: Duell, Sloan and Pearce. 1944. 178 p.

⁴ Katz E., Lazarsfeld P. F. Personal Influence, The part played by people in the flow of mass communications. Transaction
Publishers, 1966. 400 p.

⁵ Katz E. Communication Research and the Image of Society // American Journal of Sociology. Vol. 65. 1960. P. 435—440

⁶ McCombs M. E. Setting the Agenda: The mass media and public agenda // Malden, MA: Blackwell, 2004. 208 p.;
McCombs M. E., Shaw D. L. The agenda-setting function of mass media // Public opinion quarterly. 1972. Vol. 36. №. 2.
P. 176—187; Winter J. P., Eyal C. H. Agenda setting for the civil rights issue // Public opinion quarterly. 1981. Vol. 45.
№. 3. P. 376—383; Lang G. E., Lang K. The battle for public opinion: The president, the press, and the polls during
Watergate. Columbia UP, 1983. 372 p.; Coleman J. S., Katz E., Menzel H. Medical innovation: A diffusion study.
Indianapolis : Bobbs-Merrill, 1966. 244 p.

⁷ Iyengar S., Kinder D. R. News that matters: Agenda-setting and priming in a television age // News that Matters: Agenda-
Setting and Priming in a Television Age, 1987. 196 p.; Iyengar S. Is anyone responsible?: How television frames political
issues. University of Chicago Press, 1994. 206 p.

5 Ю. Хабермаса⁸, Г. М. Маклюэна⁹, Э. Ноэль-Нойман¹⁰. Проблемами политической

коммуникации в Интернете занимались К. Брантс и К. Волтмер; Дж. Бламлер и М. Гуревич; Дж. Маззолени и В. Шульц; Т. Мейер; М. Кастельс; К. Санстейн¹¹. Особенно следует отметить вклад М. Кастельса в изучение Интернет-коммуникации¹² в сетевом обществе. Классические модели политической коммуникации оказались востребованными в изучении Интернет-коммуникации, например, в работах В. Л. Беннетта и Дж. Б. Манхейма, исследовательской группы М. Хилберта, С. Чои¹³.

Сетевой анализ складывался под влиянием различных ученых. Трудно представить линейно, как предпосылки привели к появлению данной междисциплинарной области знания. Мы полагаем, что базовые идеи сетевого анализа возникают уже в 1930-х годах. Среди исследователей, внесших существенный вклад в становление и развитие сетевого анализа, следует отметить Я. Морено; А. Рэдклиф-Брауна; Л. Уорнера; К. Левина; Ф. Хайдера; Д. Картрайта, Ф. Харари; А. Бейвласа; Г. Ливитта; Г. Гецкова и Г. Симона; Х. Уайта; М. Грановеттера; Э. Лумана и Л. Гутмана; Дж. Левина; Н. Ли; С. Милгрэма; Дж. Хоменса; Дж. Колмана; Р. Барта; Д. Ватца и С. Строгаца; А. Барабаши и Р. Альберт; Л. Фримана, С. Д. Берковица, С. Боргатти, М. Эверетта, К. Фауста,

⁸ Хабермас Ю. Демократия. Разум. Нравственность. М., 1995. 245 с.

⁹ Маклюэн Г.М. Понимание Медиа: Внешние расширения человека / Пер. с англ. В. Николаева. М.; Жуковский:
«КАНОН-Пресс-Ц», «Кучково поле», 2003. 464 с.

¹⁰ Ноэль-Нойман Э. Общественное мнение. Открытие спирали молчания. М., 1996. 352 с.

¹¹ Brants K., Voltmer, K. Political communication in postmodern democracy: Challenging the primacy of politics. Palgrave
Macmillan, 2011. 284 p.; Blumler J. G., Blumler J., Gurevitch M. The crisis of public communication. Psychology Press,
1995. 237 p.; Mazzoleni G., Schulz W. "Mediatization" of politics: A challenge for democracy? // Political communication.
1999. Vol. 16. №. 3. P. 247—261; Meyer T. Media Democracy. How the Media Colonize Politics. Oxford: Polity, 2002.
184 p.; Sunstein C. Echo chambers. Princeton University Press, 2001. 108 p.

¹² Castells M. The Internet galaxy: Reflections on the Internet, business, and society. Oxford University Press on Demand,
2002. 304 p.; Castells M. Communication, power and counter-power in the network society // International journal of
communication. 2007. Vol. 1. №. 1. P. 238—266; Castells M. Communication power. OUP Oxford, 2013. 624 p.; Castells
M., Fernandez-ArdeVol M., Qiu J. L., Se, A. Mobile communication and society: A global perspective. Mit Press, 2009.
364 p.; Castells M., Cardoso, G. (ed.). The network society: From knowledge to policy. Washington, DC : Johns Hopkins
Center for Transatlantic Relations, 2006. P. 3—23; Castells M. The rise of the network society: The information age:
Economy, society, and culture. John Wiley & Sons, 2011. 656 p.; Castells M. The power of identity: The information age:
Economy, society, and culture. John Wiley & Sons, 2011. Vol. 2. 584 p.; Castells M. End of Millennium: The Information
Age: Economy, Society, and Culture|. John Wiley & Sons, 2010. Vol. 3. 488 p.

¹³ Bennett W. L., Manheim J. B. The one-step flow of communication // The ANNALS of the American Academy of
Political and Social Science. 2006. Vol. 608. №. 1. P. 213—232; Hilbert M., Vsquez J., Halpern D., Valenzuela S.,
Arriagada E. One step, Two step, network step? Complementary perspectives on communication flows in Twittered citizen
protests // Social Science Computer Review. 2016. P. 0894439316639561; Choi S. The two-step flow of communication in
Twitter-based public forums // Social Science Computer Review. 2015. Vol. 33. №. 6. P. 696—711

6 Д. Ноука, П. Марсдена, М. Ньюмана, А. Рапопорта, С. Вассермана, Б. Веллмана, Д. Вайта и других¹⁴. В российской политической науке данная тема освещена, Г. В. Градосельской, Л. В. Сморгуновым, А. С. Шерстобитовым, Е. Ю. Кольцовой, Г. Ю. Рыковым, Н. В. Басовым, И. В. Мирошниченко, Н. А. Рябченко и другими¹⁵. Предпринимались попытки проанализировать ценность сети как потенциальную доступность узлов в графе Р. Меткалфом в рамках теоретической

¹⁴ Moreno J. L., Whitin E. S., Jennings H. H. Application of the group method to classification. – National committee on
prisons and prison labor. New York, 1932. 104 p.; Moreno J. L. Who shall survive? Washington DC: Nervous and Mental
Disease Publishing Company, 1934. 440 p.; Radcliffe-Brown A. R. On social structure // The Journal of the Royal
Anthropological Institute of Great Britain and Ireland. 1940. Vol. 70. №. 1. P. 1—12; Warner W. L., Lunt P. S. The social
life of a modern community. 1941. P. 13—14; Lewin K., Lippitt R. An experimental approach to the study of autocracy and
democracy: A preliminary note // Sociometry. 1938. Vol. 1. №. 3/4. P. 292—300; Heider F. Attitudes and cognitive
organization // The Journal of psychology. 1946. Vol. 21. №. 1. P. 107—112; Cartwright D., Harary F. Structural balance: a
generalization of Heider's theory. // Psychological Review. 1956. Vol. 63. №. 5. P. 277; Bavelas A. A mathematical model
for group structures // Human organization. 1948. Vol. 7. №. 3. P. 16—30; Bavelas A. Communication Patterns in Task-
Oriented Groups // Acoustical Society of America Journal. 1950. Vol. 22. P. 725—730; Leavitt H. J. Some effects of certain
communication patterns on group performance // The Journal of Abnormal and Social Psychology. 1951. Vol. 46. №. 1.
P. 38—50; Bass B. M., Leavitt H. J. Some experiments in planning and operating // Management Science. 1963. Vol. 9.
№. 4. P. 574—585; Guetzkow H., Simon H. A. The impact of certain communication nets upon organization and
performance in task-oriented groups // Management science. 1955. Vol. 1. №. 3-4. P. 233—250; White H., Boorman S.,
Breiger R. Social structure from multiple networks. I.: Blockmodels of roles and positions, American Journal of Sociology,
81, 1976. P. 730—780; Granovetter M. S. The strength of weak ties // American journal of sociology. 1973. P. 1360—1380;
Laumann E.O., Guttman L. The relative associational contiguity of occupations in an urban setting // American sociological
review. 1966. P. 169—178; Levine J. H. The sphere of influence // American Sociological Review. 1972. P. 14—27; Lee
N.H. The search for an abortionist. Chicago : University of Chicago Press, 1969. 207 p.; Milgram S. The small world
problem // Psychology today. 1967. Vol. 2. №. 1. P. 60—67; Homans G. C. Social behavior as exchange // American
journal of sociology. 1958. P. 597—606; Coleman J. S. Social capital in the creation of human capital // American journal
of sociology. 1988. P. S95—S120; Burt R. S. Structural holes and good ideas1 // American journal of sociology. 2004.
Vol. 110. №. 2. P. 349—399; Watts D. J., Strogatz S. H. Collective dynamics of ‘small-world’networks // nature. 1998.
Vol. 393. №. 6684. P. 440—442; Barabsi A. L., Albert R. Emergence of scaling in random networks // science. 1999.
Vol. 286. №. 5439. P. 509—512; Freeman L.C. The development of social network analysis: A study in the sociology of
science. Empirical Press, Vancouver, 2004. 205 p.; Wellman B., Berkowitz S. D. Social structures: A network approach.
Cambridge: Cambridge University Press. — 513 p.; Borgatti S. P., Everett M. G., Freeman L. C. Ucinet for Windows:
Software for social network analysis. 2002. P. 12—15; Everett M.G. Graph theoretic blockings K-Plexes and K-cutpoints,
Journal of Mathematical Sociology, №9, 1982. P. 75—84; Wasserman S., Faust K. Social Network Analysis: Methods and
Applications. Cambridge: Cambridge University Press, 1994. 857 p.; Knoke D., Yang S. Social network analysis. Sage,
2008. Vol. 154. 144 p.; Marsden P., Lin N. Social structure and network analysis. Beverly Hills: Sage, 1982; Newman M. E.
J. Networks An Introduction. Oxford University Press, 2010. 720 p.; Rapoport A. Mathematical models of social interaction
// Handbook of Mathematical Sociology, editors: Galanter R.A., Lace R.R., Bush E. John Wiley & Sons, 1963. Vol. 2.
580 p.; Wasserman S.Faust K. Social Network Analysis: Methods and Applications. Cambridge: Cambridge University
Press, 1994. 857 p.; Wellman B. The community question: The intimate networks of East Yorkers, American Journal of
Sociology, 84, 1979. P. 1201—1231; White D.R., Karl P.R. Graph and semigroup homomorphisms on netwoks and
relations, Social Networks, №5,1983. P. 193-234

¹⁵ Сетевые измерения в социологии: Учебное пособие / Под. Ред. Г.С. Батыгина. М.: Издательский дом «Новый
учебник», 2004. 248 с.; Сморгунов Л.В. Сетевой подход к политике и управлению // ПОЛИС.Политические
исследования №3б 2001. C. 103—112; Шерстобитов А.С. Коммуникативный подход к анализу политических сетей
// Вестник Санкт-Петербургского университета. Серия 6: Философия. Культурология. Политология. Право.
Международные отношения. 2010. С. 135—141; Рыков Ю. Г. Кольцова Е. Ю., Мейлахс П.А. Структура и функции
онлайн-сообществ: сетевая картография ВИЧ-релевантных групп в социальной сети «ВКонтакте» //
Социологические исследования. 2016. № 8. С. 30—42; Василькова В.В., Басов Н.В. Интеллектуальный ландшафт:
концептуализация метафоры // Журнал социологии и социальной антропологии. 2011. Т. XIV. № 4. С. 22—40;
Мирошниченко И. В., Рябченко Н. А. Сетевые ресурсы развития локальной политики // Среднерусский вестник
общественных наук. №5б 2015. С. 38—49; Рябченко Н.А. Политический парсинг как механизм политической
социализации молодежи в online-пространстве современной России // Youth world politic, №2, 2013. С. 100—106

7 концепции в 1976 г., а спустя 40 лет на реальных данных из Facebook,

Дж. Гилдером, Д. Ридом, а так же группой ученых Б. Бриско, А. Олдюжко, Б. Тилли¹⁶.

Сетевым анализом онлайн социальных сетей занимались представители различных наук, поэтому мы можем проследить различные цели в исследованиях¹⁷. Объединяет их общая методология и строгий математический аппарат. Изучение международного обмена писем Yahoo! занимались Б. Стейт, П. Парк, И. Вебер, Е. Межова и М. Мейси. Эмпирическое подтверждение закона Меткалфа в онлайн пространстве ЕЭС проводилось А. Мадурера, Ф. ден Хартогом, Г. Боуманом и Н. Бэкен. Исследованием русскоязычной блогосферы в Центре Беркмана занимались Б. Этлинг, К. Алексанян, Дж. Келли, Р. Фарис, Дж. Палфри и У. Гассер. Д. Бойд исследовал разницу между оффлайн и онлайн дружбой.

Сетевым анализом Facebook занимались следующие исследователи. Э. Фераруа выяснил, подчиняется ли социальная сеть степенному распределению. Х. Квон, М. Стефанон и Дж. Барнетт изучали мотивацию протестных действий в Facebook. К. Маскар и Ш. Гоггинс анализировали коммуникационные сети. Применение закона Меткалфа для Facebook подробно изучили Син-Чжоу Чжан, Цзин-Джи Лю, Чжи-Вэй Сюй¹⁸.

¹⁶ Metcalfe R. M., Boggs D. R. Ethernet: distributed packet switching for local computer networks // Communications of
the ACM. 1976. Vol. 19. №. 7. P. 395—404; Metcalfe B. Metcalfe's law after 40 years of ethernet // Computer. 2013.
Vol. 46. №. 12. P. 26—31; Gilder G. Metcalfe’s law and legacy // Forbes ASAP. 1993. Vol. 13. P. S158; Gilder G.
Telecosm: How infinite bandwidth will reVolutionize our world. Simon and Schuster, 2000. 368 p.; Reed D. P. That sneaky
exponential—Beyond Metcalfe’s law to the power of community building // Context magazine. 1999. Vol. 2. №. 1.
[Электронный ресурс] URL: (дата обращения 26.12.2016); Briscoe
B., Odlyzko A., Tilly B. Metcalfe's law is wrong-communications networks increase in value as they add members-but by
how much? // IEEE Spectrum. 2006. Vol. 43. №. 7. P. 34—39

¹⁷ State B., Park P., Weber I., Mejova Y., Macy M. The Mesh of Civilizations and International Email Flows. 2013.
[Электронный ресурс] URL: arxiv.org/pdf/1303.0045.pdf (дата обращения: 26.12.2016); Madureira A. Empirical
validation of Metcalfe’s law: How Internet usage patterns have changed over time // Information Economics and Policy.
2013. Vol. 25. №. 4. P. 246—256; Публичный дискурс в российской блогосфере:анализ политики и мобилизации в
Рунете // Исследования Центра Беркмана, 2010. -:[Электронный ресурс]. URL: cyber.law.harvard.edu/sites/cyber.law.harvard.edu/files/Public_Discourse_in_the_Russian_Blogosphere-RUSSIAN.pdf.
(дата обращения 26.12.2016); Boyd D. Friends, friendsters, and myspace top 8: Writing community into being on social
network sites. 2006. [Электронный ресурс] URL: firstmonday.org/article/view/1418/1336 (дата обращения
26.12.2016)

¹⁸ Ferrara E. A large-scale community structure analysis in Facebook // EPJ Data Science. 2012. Vol. 1. №. 1. P. 1—30;
Kwon K. H., Stefanone M. A., Barnett G. A. Social network influence on online behavioral choices exploring group
formation on social network sites // American Behavioral Scientist. 2014. Vol. 58. №. 10. P. 1345—1360; Mascaro C. M.,
Goggins S. P. Brewing up citizen engagement: the coffee party on facebook // Proceedings of the 5th International

8 Среди исследователей микроблога Twitter можно назвать ряд ученых¹⁹.

Х. Квак, Ч. Ли, Х. Парк, С. Мун провели полномасштабное исследование Twitter с

целью изучения топологии сети. Ю. Тахтеев, А. Груздь и Б. Веллман изучили

географические аспекты распределения связей между участниками сети. В

исследовании Дж. Роя и А. Груздя исследовалась предвыборная сеть

коммуникации. В исследовании А. Моралеса, Р. М. Бенито изучалась протестная

сеть #SOSInternetVE. Я. Феокарис проанализировал, как использовали Twitter в

протестах в Великобритании. Иранская исследовательская группа, состоящая из

К. Хонсари, З. Найери, А. Фателиан и Л. Фателиан, изучала предвыборную сеть

коммуникации.

Предпринимались попытки провести сетевой анализ российской онлайн социальной сети «ВКонтакте»²⁰. Исследованием террористической активности ИГИЛ занимался большой научный коллектив под руководством Н. Джонсона, а также М. Чжэн, Ю. Воробьева, Э. Гэбриэль, Х. Кви, П. Манрики, Д. Джонсон, Э. Рестрепо, Ч. Сонг и С. Уати. А. Груздь с К. В. Цыгановой анализировали политическую поляризацию в онлайн-сообществах во время кризиса. А. С. Шерстобитов и К. А. Брянов создали модель политической мобилизации.

Кроме того, М. Че, А. Мислава, К. Гуммади²¹ изучали взаимность дружеских связей в Flickr. Р. Кумара, Ж. Новак и Э. Томкинс степенное распределение в

Conference on Communities and Technologies. ACM, 2011. P. 11—20; Zhang X. Z., Liu J. J., Xu Z. W. Tencent and Facebook Data Validate Metcalfe’s Law // Journal of Computer Science and Technology. 2015. Vol. 30. №. 2. P. 246—251

¹⁹ Kwak H., Lee C., Park H., Moon S What is Twitter, a social network or a news media? // Proceedings of the 19th
international conference on World wide web. ACM, 2010. P. 591—600; Takhteyev Y., Gruzd A., Wellman B. Geography
of Twitter networks // Social networks. 2012. Vol. 34. №. 1. P. 73—81; Gruzd A., Roy J. Investigating political polarization
on Twitter: A Canadian perspective // Policy & Internet. 2014. Vol. 6. №. 1. P. 28—45; Morales A. J., Losada J. C., Benito
R. M. Users structure and behavior on an online social network during a political protest // Physica A: Statistical Mechanics
and its Applications. 2012. Vol. 391. №. 21. P. 5244—5253; Theocharis Y. The wealth of (occupation) networks?
Communication patterns and information distribution in a Twitter protest network // Journal of Information Technology &
Politics. 2013. Vol. 10. №. 1. P. 35—56; Khonsari K. K., Nayeri Z. A., Fathalian A., Fathalian L. Social network analysis of
Iran's Green movement opposition groups using Twitter // Advances in Social Networks Analysis and Mining (ASONAM),
2010 International Conference on. IEEE, 2010. P. 414—415

²⁰ Johnson N. F., Zheng M., Vorobyeva Y., Gabriel A., Qi H., Manrique P., Johnson D., Restrepo E., Song C., Wuchty S.
New online ecology of adversarial aggregates: Isis and beyond [Электронный ресурс] URL: arxiv.org/abs/1603.09426/ (дата обращения: 26.12.2016); Gruzd A., Tsyganova K. Politically Polarized Online Groups and
their Social Structures formed around the 2013-2014 crisis in Ukraine. [Электронный ресурс] URL: ipp.oii.ox.ac.uk/sites/ipp/files/documents/IPP2014_Gruzd.pdf (дата обращения: 26.12.2016); Шерстобитов А. С. и
Брянов К. А Технологии политической мобилизации в социальной сети «ВКонтакте»: сетевой анализ протестного и
провластного сегментов [Электронный ресурс] URL: scjournal.ru/articles/issn_1997-292X_2013_10-1_52.pdf
(дата обращения: 26.12.2016)

²¹ Cha M., Mislove A., Gummadi K. P. A measurement-driven analysis of information propagation in the flickr social
network // Proceedings of the 18th international conference on World wide web. ACM, 2009. P. 721—730.

9 дружеских связях онлайн социальных сетей Flickr и Yahoo!²². Д. Зиновьев и

В. Даонг исследовали структуру онлайн дружбы в российской социальной сети

«Одноклассники»²³.

Среди разработчиков программного обеспечения для сетевого анализа

можно назвать Дж. Коулмана и Д. МакРея, С. Лейнхардта, Г. Хеля и Х. Уайта,

Ф. Паппи, С. Боргатти, М. Эверетта, Л. Фримэна, В. Батагельи и А. Мрвара;

М. Бастиана, С. Хеймана, М. Джакони; Г. Царди и Т. Непуца; Д. Шульца и

П. Сворта и других²⁴.

Анализ диссертационных исследований по теме.

Среди авторов диссертационных исследований по данной теме и смежным следует назвать Г. В. Градосельскую, Ю. Г. Рыкова, Быкова И. А., Парфенову Ю. В., Малова Е. А., Мальцеву Д. В., Стансберри К. С., Огнянову К., Мислава А. Е.

Г. В. Градосельская в диссертационном исследовании «Анализ социальных сетей»²⁵ первой в России обобщила опыт теоретических и прикладных исследований в области сетевого анализа. Диссертационное исследование

²² Kumar R., Novak J., Tomkins A. Structure and eVolution of online social networks // Link mining: models, algorithms,
and applications. Springer New York, 2010. P. 337—357

²³ Zinoviev D., Duong V. Toward understanding friendship in online social networks. 2009. [Электронный ресурс] URL:
arxiv.org/pdf/0902.4658.pdf (дата обращения 26.12.2016)

²⁴ Coleman J. S., MacRae D. Electronic processing of sociometric data for groups up to 1,000 in size // American
Sociological Review. 1960. Vol. 25. №. 5. P. 722—727; Holland P. W., Leinhardt S. A method for detecting structure in
sociometric data // American Journal of Sociology. 1970. P. 492—513; Heil G. H., White H. C. An algorithm for finding
simultaneous homomorphic correspondences between graphs and their image graphs // Behavioral Science. 1976. Vol. 21.
№. 1. P. 26—35; Alba R. D., Gutmann M. P. SOCK: A sociometric analysis system // ACM SIGSOC Bulletin. 1972. Vol.
3. №. 3. P. 11—12; Killworth P., Bernard H. Catij: A new sociometric and its application to a prison living unit // Human
Organization. 1974. Vol. 33. №. 4. P. 335—350; Breiger R. L., Boorman S. A., Arabie P. An algorithm for clustering
relational data with applications to social network analysis and comparison with multidimensional scaling // Journal of
mathematical psychology. 1975. Vol. 12. №. 3. P. 328—383; Burt R. S. STRUCTURE: A computer program providing
basic data for the analysis of empirical positions in a system of actors // Survey Research Center, Working Paper. 1977.
Vol. 5. P. 33—38; Richards Jr W. D. A Manual for Network Analysis (Using the NEGOPY Network Analysis Program).
1975. 94 p.; Stokman F. N., Van Veen F. GRADAP, Graph Definition and Analysis Package User’s Manual //
Interuniversity Project Group GRADAP, University of Amsterdam-Grningen-Nijmegen, 1981. 580 p.; Seidman S. B.,
Foster B. L. Sonet-1: Social network analysis and modeling system // Social Networks. 1979. Vol. 2. №. 1. P. 85—90;
Pappi F. U., Stelck K. SONIS: Ein Databanksystem zur Netzwerkanalyse // Pappi F. U. (ed.). Methoden der
Netzwerkanalyse. Oldenbourg Verlag, 1987. Vol. 1. P. 253—265; Borgatti S. P., Everett M. G., Freeman L. C. UCINET IV
network analysis software // Connections. 1992. Vol. 15. №. 1. P. 12—15; Borgatti S. P., Everett M. G., Freeman L. C.
Ucinet for Windows: Software for social network analysis. 2002; De Nooy W., Mrvar A., Batagelj V. Exploratory social
network analysis with Pajek. Cambridge University Press, 2011. Vol. 27. 442 p.; Bastian M., Bastian M., Heymann S.,
Jacomy M. Gephi: an open source software for exploring and manipulating networks // ICWSM. 2009. Vol. 8. P. 361—362;
Csardi G., Nepusz T. The igraph software package for complex network research // InterJournal, Complex Systems. 2006.
Vol. 1695. №. 5. P. 1—9; Schult D. A., Swart P. Exploring network structure, dynamics, and function using NetworkX //
Proceedings of the 7th Python in Science Conferences (SciPy 2008). 2008. Vol. 2008. P. 11—16

²⁵ Градосельская Г. В. Анализ социальных сетей – дисс. канд. соц. наук: 22.00.01. Москва, 2001. 229 с.

10 Ю. Г. Рыкова «Структура социальных связей в виртуальных сообществах: сравнительный анализ онлайн-групп социальной сети «ВКонтакте»²⁶ представляет большой теоретический и прикладной интерес. Автор в своей работе выявил особенности организации социальных связей и дифференциацию участников в онлайн-группах разных типов, а также интерпретировал зависимость между выполняемыми социальными функциями онлайн-групп и структурными характеристиками сетей связи их участников. Достаточно близкой к теме нашего диссертационного исследования является докторская диссертация Быкова И. А. «Сетевая политическая коммуникация в условиях трансформирующегося общества»²⁷, в которой автор изучает влияние сетевых форм политической коммуникации на политический процесс в современной России и за рубежом.

Среди диссертационных исследований по смежной теме следует назвать исследование Парфеновой Ю. В. «Сетевые формы политического участия в современной России и постсоветском пространстве»²⁸, в которой автор анализирует теоретические концепции сетевого участия. Кроме того, смежными по теме являются исследования: Малова Е. А. «Феномен социальных сетей: акторно-сетевой контекст, теоретико-методологический анализ»²⁹ и Мальцевой Д. В. «Сетевой подход в социологии: генезис идей, современное состояние и возможности применения»³⁰.

Среди зарубежных диссертационных исследований следует упомянуть работу Стансберри К. С «Оne-step, two-step, or multi-step flow: the role of influencers in information processing and dissemination in online, interest-based publics».³¹. Автор оценивает использование одно-, двух- и многоступенчатых, моделей коммуникации для интернет-коммуникации. Заслуживает внимания работа

²⁶ Рыков Ю. Г. Структура социальных связей в виртуальных сообществах: сравнительный анализ онлайн-групп
социальной сети «ВКонтакте» – дисс. канд. соц. наук: 22.00.04. Москва, 2016. 196 с.

²⁷ Быков И. А. Сетевая политическая коммуникация в условиях трансформирующегося общества – дисс. докт. пол.
наук: 10.01.10. Санкт-Петербург, 2016. 322 с.

²⁸ Парфенова Ю. В. Сетевые формы политического участия в современной России и постсоветском пространстве –

дисс. канд. пол. наук.: 23.00.02. Санкт-Петербург, 2016. 171 с.

Малов. Е. А. Феномен социальных сетей: акторно-сетевой контекст, теоретико-методологический анализ – дисс.

канд. соц. наук.: 22.00.01. Санкт-Петербургу, 2014. 230 с.

ЗО

Мальцева Д. В. Сетевой подход в социологии: генезис идей, современное состояние и возможности применения

дисс. канд. соц. наук.: 22.00.01. Москва, 2014. 177 с.

Stansberry K. S. Оne-step, two-step, or multi-step flow: the role of influencers in information processing and

dissemination in online, interest-based publics: PhD. University of Oregon Graduate School, Oregon, 2012. 199 p.

Огяновой К. «Intermedia agenda setting in an era of fragmentation: applications of network science in the study of mass communication»³², в которой автор предлагает сетевой подход к изучению установления повестки дня и фрагментации предпочтений к СМИ. Также следует отметить труд Мислава А. Е. «Online Social Networks: Measurement, Analysis, and Applications to Distributed Information Systems»³³, в котором рассматривается сетевой анализ социальных сетей.

Объектом диссертационного исследования является политическая Интернет-коммуникация.

Предметом исследования структура связей сообществ и подписчиков в онлайн коммуникационном пространстве социальной сети «ВКонтакте».

Цель диссертационного исследования заключается в выявлении сетевых особенностей организации коммуникативных связей в онлайн коммуникационном пространстве.

Задачи исследования:

Определение основных теоретических подходов к исследованию политической коммуникации, в том числе в виртуальном пространстве;

Обобщение опыта теоретических и прикладных исследований в области сетевого анализа, связанных с изучением структуры социальных сетей;

Формирование научно-методического и организационно-методического обеспечения мониторинга виртуального пространства;

Разработка современного программного обеспечения для мониторинга Рунета (российского сегмента Интернета);

Разработка современного программного обеспечения для анализа реляционных данных из социальных сетей;

Выявление и интерпретация топологии коммуникативного пространства петербургского сегмента в социальной сети «ВКонтатке».

³² Ognyanova K. Intermedia agenda setting in an era of fragmentation: applications of network science in the study of mass
communication: PhD. Annenberg School for Communication, Los Angeles, 2013. 194 p.

³³ Mislove A. E. Online Social Networks: Measurement, Analysis, and Applications to Distributed Information Systems:
PhD. Rice university, Houston, 2009. 268 p.

12 Задача создания программного обеспечения и инструментов мониторинга

российского виртуального пространства соответствует приоритетным

направлениям развития науки, технологий и техники, учрежденным Президентом

Российской Федерации, в частности задачам развития «Технологии обработки и

анализа информации», «Предсказательного моделирования» и других.

Гипотеза диссертационного исследования.

Структура онлайн дискурсивного политического пространства отражает сущность, специфику, структуру и динамику политического сознания активных участников политической коммуникации в Интернете; структурные особенности онлайн-пространства отображают признаки структуры общественных формальных и, большей частью, неформальных объединений. Кластеризация графов и поиск субграфов (неслучайных образований, в которых внутренних связей больше, чем внешних) позволяет выявить множества агентов политической коммуникации, обладающих схожими сетевыми свойствами. Онлайн-пространство политической коммуникации зависит от идеологических установок ее участников. Виртуальные сообщества в рамках кластера обладают эмерджентными свойствами, создающими уникальную топологию, по которой можно определить стратегию и тактику (даже неявную) совокупности сообществ. Подобные коммуникативные тактики в среде либералов, националистов, социалистов будут различаться. Деятельность администраторов сообществ может отличаться от поведения участников виртуальных сообществ. Характер потребления и передачи политической информации связаны с поведением. В сети «дружбы» ядра участников политической коммуникации должны прослеживаться структурные особенности каждого кластера.

Методология и основные методы диссертационного исследования.

Методология исследования опирается на общенаучные подходы (системный, компаративный, исторический). Системный подход использовался в исследовании политической коммуникации в условиях широкого распространения Интернета. Исторический подход применялся при рассмотрении генезиса, становления и развития изучения политической коммуникации и сетевого анализа.

13 Компаративистский подход был применен для проведения сравнительного

анализа результатов моделирования пространства политического дискурса.

Диссертация основана на теоретических принципах интернет-коммуникации М. Кастельса, О. Ярена. Работы по одноступенчатой модели коммуникации Г. Лассуэлла, двухступенчатой модели коммуникации П. Лазарсфельда, теория полезности и удовлетворения потребностей Э. Каца, концепция эхо-камер К. Санстейна активно используются в исследовании.

К изучению пространства политической коммуникации применен комплексный подход, основанный на сетевой методологии. Исследование опирается на концепции сетей Л. Фримана, Дж. Скотта, С. Вассермана, М. Ньюмана. Использовались принципы сетевого анализа Я. Морено, Х. Уайта, М. Эверетта, Л.Фримана, М. Грановеттера, Н. Ли, С. Милгрэма, М. Ньюмана, С. Вассермана, А. Барабаши, Р. Альберт и других.

Основным методом исследования явилось моделирование. Кроме того, для анализа данных телефонных опросов использовались комбинированная группировка данных, оценка скрытых закономерностей на основе показателей статистически значимых стандартизованных остатков.

В ходе исследования было проведено эксплораторное исследование на основе сетевого анализа с целью изучения связи между ценностными установками и топологическими особенностями виртуальных сообществ в дискурсивном онлайн пространстве. Проверялось соотношение результатов кластерного анализа в графах с ценностными установками виртуальных политических сообществ, степень совпадения математической классификации на основе связей и их интенсивности с оценкой идеологической ангажированности виртуальных сообществ политической коммуникации. Оценивалось наличие связи между ценностными установками и метриками центральности сообществ, между численностью сообществ и их публикационной активностью, численностью и метриками центральности. Полученные результаты дают надежные данные о реальных потоках политической информации и поведении участников изучаемых виртуальных политических сообществ.

Эмпирическая основа исследования.

Нами было написано тринадцать программ на языке программирования Python для «интеллектуального анализа данных» (data mining) социальной сети «ВКонтакте», которые работали с VK API, семь скриптов в языке программирования R для анализа данных. Поле исследования составило 440 онлайн-сообществ, вся их аудитория, в сумме численностью 1 199 169 человек, а также все публикации сообществ численностью 2 309 430 опубликованных записей. Сеть «дружбы» ядра коммуникативного пространства составила 319 504 пользователей и 7 070 030 связей «дружбы».

Кроме того, эмпирической базой исследования послужили телефонные опросы. В 2015 г. на базе Ресурсного Центра СПбГУ «Центр социологических и Интернет-исследований» сотрудниками Центра эмпирических политических исследований факультета политологии СПбГУ были проведены два телефонных опроса «Политический Петербург–2015» и «Интернет в жизни петербуржцев». Стратифицированная выборка каждого опроса составила 1200 респондентов.

Хронологические рамки создания эмпирической базы диссертационного исследования охватывают весну–лето 2015 и 2016 г. В 2015 г. были проведены телефонные опросы. В 2016 г. были собраны данные из социальной сети. Первый срез был получен весной. Алгоритм расширенной выборки был разработан к лету 2016 г., тогда и был получен срез структуры расширенной выборки, позже были получены данные о заимствовании публикаций и сети «дружбы» коммуникативного ядра сети.

Научная новизна.

1. Впервые проведен эксплораторный анализ структуры коммуникативного политического пространства на примере петербургского сегмента онлайн социальной сети.

2. Исследована топология сети обмена коммуникации, смежности аудитории и сети «дружбы» ядра данного пространства в рамках обозначенного пространства.

3. Топология коммуникативного онлайн-пространства отражает структуру

потребления политической информации, участников которой можно разделить на кластеры. Самыми крупными кластерами являются националистический и либеральный, ориентированный на обсуждение политических проблем российского социума.

4. Изучена взаимосвязь между ценностными установками и центральностью в коммуникативном пространстве.

5. Выявлены численность участников коммуникативного пространства и уникальной аудитории ядра кластеров — пользователей, интегрированных в политический дискурс (подписанных более чем на 2 виртуальных сообщества, обсуждающих политические проблемы).

6. Доказано наличие взаимосвязи между фактом интеграции в политический дискурс и увеличением количества дружеских связей с его участниками.

7. Произведена методологическая триангуляция результатов телефонного опроса и результатов сбора данных с социальной сети. Подтверждено высокое соответствие данных.

Теоретическая и практическая значимость диссертационного исследования.

Результаты диссертационного исследования имеют как теоретическую, так и практическую значимость. Они могут быть использованы для создания методологии сетевого анализа структуры коммуникационного пространства в социальных сетях и внутри виртуальных сообществ. Результаты работы также могут быть использованы в преподавании курсов по методологии социологических исследований, политической коммуникации в Интернете.

В ходе подготовки и проведения онлайн исследования диссертантом было создано программное обеспечение и разработан научно-методический инструментарий мониторинга социальных сетей в контексте изучения структуры агентов коммуникации и сетей «дружбы» на примере «ВКонтакте»: 1. Разработан концептуальный аппарат для сетевых исследований

коммуникативного пространства онлайн социальных сетей.

2. Разработаны компьютерные программы для сбора социологических данных

из онлайн-социальных сетей.

3. Разработан построенный на принципе симуляции политической поляризации идеологических групп в эхо-камеры алгоритм анализа моделей политической коммуникации, плотность которых приближается к полносвязным или полным графам.

4. Разработан алгоритм расширения выборки в онлайн-социальных сетях по поиску связанных и релевантных сообществ на основе графа-затравки.

5. Разработан алгоритм анализа информационных обменов в коммуникативном пространстве онлайн социальных сетей.

6. Разработан алгоритм анализа сетей «дружбы» коммуникативного пространства, что его отличает от сетей «дружбы» отдельного сообщества. Результаты диссертационного исследования носят междисциплинарный

характер на стыке информационных технологий и общественно-гуманитарного знания. Они могут быть использованы для полномасштабных исследований онлайн социальных сетей, а также иных комплексных сетей. Разработанные алгоритмы позволяют анализировать взвешенные графы любых комплексных сетей, а также расширять выборки для любых тематических групп.

Положения, выносимые на защиту:

1. Структура коммуникативного пространства имеет очень высокую плотность, однако распределение весов ребер данной комплексной сети является ассиметричным и смещенным к слабым связям, что говорит о неравномерном распределении, связанном с ценностными установками участников виртуальных сообществ.

2. Симуляция эхо-камер позволяет приблизить распределение весов ребер к нормальному, создавая возможность изучения топологии сети, имеющей центры поляризации. Было выяснено, что кластеры имеют тесную связь с ценностными установками, утвержденными в виртуальном сообществе, либо разделяемыми его участниками. На примере трех моделей смежности и

17 на разном масштабе кластеризации были выявлены основные

идеологические группы: либеральные, националистические и

социалистические.

3. Расширение выборки позволило сделать вывод о том, что политическая коммуникация, как и её пространство в социальных сетях, не может быть строго отделена от других видов коммуникации. В центре сети находятся сообщества, чьи ценностные установки признаются значимыми всеми (например, сообщество «Красивый Петербург»).

4. Структура онлайн дискурсивного пространства содержит два основных кластера сообществ: демократические и общественные виртуальные сообществе, а также националистические и патриотические сообщества. Небольшую долю занимают ЛГБТ и социалистические сообщества.

5. Метрики центральности кластера с националистическими и патриотическими сообществами значительно превосходят метрики других кластеров. Численный состав ядра коммуникативного пространства данного кластера в три и более раза превышает состав остальных кластеров.

6. В диссертационном исследовании обоснованы различия стратегий аудитории и стратегий администраторов виртуальных сообществ. Если для аудитории характерно повышение уровня осведомленности, объединительная стратегия, что, например, выражается в высокой плотности и взвешенной степени модели, то для администраторов сообществ типична стратегия конкуренции, борьбы за умы и сердца подписчиков, что проявляется во фрагментированной структуре (50 кластеров) модели заимствования записей, выражающей коммуникационные обмены между виртуальными сообществами.

7. Сеть «дружбы» участников коммуникационного онлайн-пространства позволяет оценить плотность связей в каждом кластере, а также определить контагиозность различных кластеров. Она показывает, насколько сильно интеграция в коммуникативное пространство изменяет социальные контакты индивида.

Апробация диссертационной работы.

Основные положения работы были апробированы в ходе выступлений автора с докладами на следующих научных конференциях:

Суслов С. И. Политические особенности суточной, недельной и месячной аудитории Интернета по данным опроса петербуржцев // Сборник Сети в политике — Политика в сетях // Материалы V Международной конференции молодых ученых, студентов и аспирантов / Под общей ред. Курочкина А. В., Шерстобитова А. С РХГА Санкт-Петербург, 2014.

Суслов С. И. Сетевой анализ коммуникативных связей в социальной сети «ВКонтакте» на примере нацистских и националистических Интернет-сообществ Петербурга // Материалы VI международной молодежной конференции «Неонацизм в Европе и на постсоветском пространстве: уроки второй мировой войны», 24-25 апреля 2015 г., г. Санкт-Петербург.

Суслов С. И. Кластерный анализ комплексных сетей на примере политических онлайн сообществ Санкт-Петербурга // Материалы IX ежегодной конференции молодых ученых «Социальные коммуникации: профессиональные и повседневные практики», 13-14 мая 2016 г., г. Санкт-Петербург.

S. Suslov, V. Minina, K. Tsyganova, V. Radushevskiy Network Analysis of online communities by the example of St. Petersburg museums / Networks in the Global World 2016, 1-3 July, St. Peterburg.

Структура работы. Работа состоит из введения, трех глав, подразделенных на десяти параграфов, заключения, списка литературы, насчитывающего 330 источников, и двадцати двух приложений. Общий объем работы составил 290 страниц.

Современные теории политической коммуникации

Липпман описывал процесс, позже названный процессом установления повестки дня: «Люди читают не просто новости, а новости с аурой намека на действие, которое будет осуществлено. Они слушают сообщения о событиях, то есть получают не объективное знание о фактах, а уже подогнанный под определенный стереотип образец поведения»42.

Также Липпман является пионером в применении контент-анализа. Так, в номерах The New York Times, посвященных Великой октябрьской социалистической революции в России, Липпман и Мерц обнаружили в публикациях смещение к тенденциозному освещению событий, что, по их мнению, не дает американской общественности возможности сформировать проработанное и интеллектуальное мнение о важных проблемах43.

Среди основоположников изучения коммуникации стоит назвать Г. Лассуэлла, опубликовавшего множество трудов, описывающих роль пропаганды44. Следуя по стопам У. Липпмана, он описал, какое влияние политическая коммуникация может оказать на массовое сознание. Его группа сформировала в 1930-х годах. Институт пропаганды выпускал издание «Азбука пропаганды», содержащее основные определения и техники, имеющие отношение к пропаганде: оказание влияния на реципиентов, а также способы донесения информации. В произведении Г. Лассуэлла «Техники пропаганды в мировой войне» мы находим описание того, как аудитория может быть подвергнута манипуляции различными способами45. Г. Лассуэлл утверждал, что с помощью контроля над средой СМИ и медленной подготовки людей к принятию странных или отличных идей, авторы медиаконтента могут эффективно подготовить аудиторию к действию.

Одна из попыток целостного описания информационных массовых процессов и их циркуляции была осуществлена Г. Лассуэллом. По его мнению, любому феномену социума присуща коммуникация. В своей работе он вводит в структуру коммуникативного процесса такой важный элемент как «эффект», который не может быть отделен от анализа непосредственной аудитории и канала. Ученый одним из первых в американской коммунитивистике высказал идею, связанную с управлением сознанием масс (представлениями, ожиданиями, иллюзиями и заблуждениями людей). Ключевым выводом, к которому он пришел, является то, что социологический анализ массовых иллюзий, ожиданий и представлений как нельзя более полно раскрывает специфику и природу общественного сознания и мнения, в отличие от изучения систематизированных духовных образований (идеологий). Линейная модель коммуникации Г. Лассуэлла содержит пять элементов: коммуникатор (автора сообщения), сообщения (информации), канал коммуникации (средства передачи сообщения), реципиент (адресата сообщения), достигнутое воздействие (эффективности коммуникации). Г. Лассуэлл дает определение массовой коммуникации; это — «целенаправленное воздействие коммуникатора на аудиторию с помощью сообщений, передаваемых техническими средствами»46.

«Теория волшебной пули» (magic bullet theory), зачастую приписываемая Г. Лассуэллу, стала официальной основой пропаганды. Его размышления о пропаганде и психопатологии были основаны на утверждении абсолютной власти правительства над пассивной и разобщенной аудиторией, члены которой испытывали недостаток в независимых СМИ47. Согласно этой теории, коммуникация подобна магической пуле, перед которой зритель беззащитен, как мишень; эта «пуля», летящая от мозга одного человека к мозгу другого, автоматически «зажигает» реципиента «как электрическую лампочку» и трансформирует его идеи, чувства, знания или мотивацию48. В рамках данной традиции внимание исследователя акцентируется на каналах и средствах передачи информации, а также тексте месседжа, однако вне поля зрения остается реакция аудитории. В дальнейшем модель Г. Лассуэлла испытала влияние кибернетического подхода и была дополнена идеей обратной связи. Его модель приобрела иной вид: она стала больше походить на замкнутую цепь, в которую были добавлены источники информации и условия передачи информации. В дальнейшем научное сообщество дало оценку теории «волшебной пули» как излишне теоретизирующее на тему оказываемого медиаэффекта49,50. Модель Г. Лассуэлла называют одноступенчатой, линейной, бихевиористской (информационное воздействие осуществляется по принципу: стимул-реакция). Критика данной модели сводилась к отсутствию цели и обратной связи (однонаправленность воздействия СМИ). Однако модель одноступенчатой коммуникации оказалась применимой практически и востребованной для изучения процессов массовой коммуникации: пропаганды, рекламы, электоральных кампаний.51

В конце 1930-х годов мир стал свидетелем массовой эксплуатации пропаганды нацистским режимом, претворявшим политику массового господства. С приходом Гитлера к власти оказалось, что практически все наработки в области пропаганды были применены в Третьем Рейхе. В результате термин «пропаганда» стал отождествляться с отрицательными коннотациями, подавлением воли и информационным контролем. Исследователи коммуникации заняли прагматичную позицию, заинтересовавшись эмпирическими исследованиями в изучении последствий воздействия СМИ (на примере речей политиков, радиопостановки «Войны миров»).

Анализ структуры коммуникативного пространства

Исследователями из Центра Беркмана для выделения дискуссионных сетей был проведен анализ русскоязычных блогов, в которых обсуждаются темы, связанные с политикой и обществом. Чтобы выделить активистов («дискуссионное ядро»), включающее в себя более чем 11 тыс. блогов, было изучено более пяти миллионов блогов в целом. Анализируемая совокупность блогов была сгруппирована в соответствии с паттернами цитирования внутри сообщений, а итоговая сегментация была проведена экспертами-кодерами с помощью автоматизированного контент-анализа.154 В результате исследователи обнаружили два крупных кластера в российской блогосфере: либеральный и националистический. Как оказалось, между ними преобладали частотные связи, что не превращало их в эхо-камеры.

Все онлайн социальные сети строятся вокруг идеи виртуальной дружбы. Связь между пользователями онлайн социальной сети устанавливается, когда между пользователями есть общий бэкграунд: общие друзья, интересы, деятельность. Также такая связь может установиться через группы или сообщества. Механизм виртуальной дружбы позволяет пользователям устанавливать новые связи и проводить фильтрацию по определенным критериям155. Значительная разница между оффлайн и виртуальной дружбой была представлена в работе Д. Бойда156, где утверждается, что виртуальная дружба есть своего рода проекция социального капитала пользователя. В результате анализа наиболее распространенными причинами виртуальной дружбы явились: настоящая (оффлайн) дружба; знакомые, друзья семьи, коллеги; невозможность отказать по причине знакомства; желание выглядеть популярным; способ указать на то, что вы поклонник; желание выглядеть лучше, имея «влиятельных» людей в друзьях; желание увидеть больше людей; способ узнать приватную информацию о пользователе.

Зачастую пользователи социальной сети имеют более 100 друзей. Возникает резонный вопрос, настоящие ли они, если ли взаимосвязь между оффлайн друзьями и друзьями в социальных медиа? Д. Зиновьев и В. Даонг из Суффольского университета (Suffolk University) в Бостоне заинтересовались данной проблемой и изучили структуру онлайн дружбы157. Исследователи утверждают, что количество сведений в списке друзей не указывает на реальную дружбу; они предлагают разделить условно этот массив на три группы: близкие друзья, хорошие знакомые (средняя прочность связей) и случайные знакомые (слабые связи). Для проверки гипотезы использовались два массива пользователей из популярной русскоязычной социальной сети Odnoklassniki.Ru. Массив A включал в себя 500 тыс. пользователей с необычной распределением количества друзей: оно соответствовало правилу распределения Парето, что, скорее, является правилом для онлайн-социальных сетей158: закону степенного распределения подчиняется Facebook159, а также Flicr и Yahoo!160

Подмассив B состоял из 150 пользователей массива A, с которыми был проведен опрос. В результате опроса было определено, что 23% друзей являются случайным знакомыми, 52% хорошими знакомыми и 25% близкими друзьями. Пользователи добавляют в друзья в основном людей из своей возрастной когорты. Интересной частью их исследования является введение параметра «количественной личности» (quantitative personality) для измерения готовности пользователей принять участие в виртуальной дружбе: П = Mfi = l0g Л р() " 21оР(Л) где р() - количество друзей друзей, а р(Л) - количество друзей161. Результатом явилось обнаружение отрицательной линейной корреляцией между данной метрикой и количеством друзей в подмассиве B.

Э. Ферара провел полномасштабное исследование структуры сообществ сети с целью объяснения динамики взаимодействия между индивидами162. Он получил выборку социального графа Facebook — сеть отношений между пользователями. Для этой цели пришлось создать инструмент по сбору данных, так как API FB не разрешает выдачу информации о друзьях пользователя без его ведома. Выборка пользователей была реализована с помощью вариации метода снежного кома («поиск в ширину» (breadth-first-search), которая исходила из одного «зернового узла» (seed node), а затем к его друзьям, друзьям друзей и так далее) и равномерной выборки (uniform sampling), которая отбирала пользователей посредством случайной генерации идентификатора пользователя.

Затем различными инструментами ученый изучил структуру сети; были использованы алгоритм кластеризации методом частотных меток (label propogation algorithm) и метод «быстрого поиска сообществ» (fast network community algorithm). Уровень своего исследования сам Е. Ферара определяет как мезоскопический, т. е. между макро- и микроуровнем. Ученый пришел к нескольким выводам. Во-первых, для пользователей социальной сети характерна тенденция формирования кластеров гетерогенного размера (распределение степени характеризуется распределением с медленно убывающем «хвостом»), что означает наличие большого количества кластеров среднего размера и небольшого количества кластеров крупного размера. Во-вторых, количество взаимоотношений между кластерами является большим, они не изолированы, что дает основания для подтверждения тезисов силы слабых связей Грановеттера. В-третьих, отношения в онлайн социальной сети соответствуют феномену «мир тесен», описанному и подтвержденному Милгрэном, а также модели «мир тесен», описанный Ватцом и Строгацом: структура сообщества является высоко сгруппированной с высоким коэффициентом кластеризации и с коротким средним расстоянием пути. Суммируя вышеперечисленное, мы можем сказать, что исследование носит в большей степени эксплораторный характер; выборка соответствует онлайн-социальной сети графу «мир тесен», предпринята попытка дать качественную интерпретацию полученных кластеров.

Онлайн социальная сеть Facebook оказывает значительное влияние на политическое участие и политическую коммуникацию. М. Вестлинг утверждает, что Facebook расширяет концепцию публичной сферы Ю. Хабермаса, позволяя общественности участвовать в политике как в рамках, так и независимо от политических кампаний163. Определение публичной сферы Ю. Хабермаса164 гармонично сочетается с феноменом онлайн социальных сетей. Они стали местом формирования общественного мнения для членов сообщества, удаленным от правительства и экономики. Более того, социальные сети поддерживают низкий порог вхождения в политическую жизнь в публичном пространстве оффлайн.

Концептуальные основы сетевого анализа

Промежуточная центральность — это мера центральности узлов в графе (существует также промежуточная центральность ребер (edge betweenness)), через которые проходят кратчайшие пути из любого узла в любой другой при их

Freeman L.C. A set of measures of centrality based on betweenness // Sociometry. 1977. Vol. 40. P. 35—41 чередовании. В отличие от простого подсчета инцидентных связей, промежуточная центральность определяется для каждого узла как количество кратчайших путей, проходящих через данный узел из всех узлов ко всем другим узлам, что имеет место в расчете диаметра графа. Для графа G = (V, Е) с узлами п промежуточная центральность Св (у) для узла v считается следующим образом: 1. Для каждой пары узлов (s,tEV) высчитываются все кратчайшие расстояния между ними. 2. Для каждой пары узлов (s, t Є V) определяется количество кратчайших путей, проходящих через заданный узел. В нашем случае это узел v Є V. 3. Суммируем частоту на всех парах узлов (s, t Є V). Или проще: CB(v)= ±L t m) s v tEV где ast количество кратчайших путей из узла s в узел t, а ost(v) — количество кратчайших путей из узла s в узел t, проходящих через узел v. Эта величина может быть нормализована делением на количество пар узлов не включая узел v — (п — 1)(п — 2) для ориентированных графов и (п — 1)(п — 2)/ 2 для ненаправленных графов. Например, в неориентированном графе, имеющем форму звезды, центральный узел содержит все возможные кратчайшие расстояния и его промежуточная центральность вычисляется как: (п — 1)(п — 2)/ 2 (1 - единицу, если значение нормализовано), а лучики, через которые не проходит ни один кратчайший путь имеют промежуточную центральность 0 — ноль.

Применив на примере данную метрику центральности, мы можем показать другие результаты (см. Рисунок 7). Роль сетевого моста здесь выполняет узел Е -70,5. Меньшую промежуточную центральность имеет узел А- 64,8. Далее за ним следуют F - 56,5, С - 50,9, М - 29,8.

В топологии и смежных областях в математике, близость есть основное понятие измерения пространства. Мы можем сказать, что два множества находятся близко друг к другу, если они расположены в произвольном порядке по отношению друг к другу. Данное понятие можно определить естественно в метрическом пространстве, где единица дистанции между элементами в пространстве определена или задана, но она может быть обобщена в топологии пространств, где мы не имеем ни одного предположения как измерить расстояние.

В теории графов для связанных графов существует естественный показатель расстояния между всеми парами узлов, определяемый по длине их кратчайших путей. Удаленность определяется как сумма ребер. Другими словами, центральность по близости показывает, насколько данный узел располагается в сети близко или далеко по отношению к каждому другому узлу. Узлы, имеющие множественные связи с другими узлами, имеют тенденцию находиться на кратчайших путях в графе и имеют высокую центральность по близости. В сетевой теории близость является сложной метрикой центральности. Оно определяется как среднее кратчайших путей между узлом v и всех других узлов, которые можно достичь из него: Ztevw dG(v,t) п — 1 где п 2 есть размер сети связанных компонент V, достигаемых из узла v. Близости можно приписать величину того как далеко может распространиться информация из узлат;277. Некоторые исследователи определяют близость как величину обратную расстоянию, но понимаемую так же как атрибут передачи информации (на этот раз оценивая скорость вместо временного интервала)278. Центральность по близости Сс(у) для узла v обратно пропорциональна сумме кратчайших путей к другим узлам V: Сс = Y.tev\vdG(v,t) (23)

Таким образом, чем более централен узел, тем меньше его общее расстояние до других узлов. А. Бавелас в статье «Communication patterns in task-oriented groups»279 определял центральность по близости как величину обратную отдаленности. Очень важно понимать, что чем больше приближена к единице

Можно представить разные методы и алгоритмы для измерения близости. Центральность случайного хождения (random walk centrality) Ноха и Ригера есть мера скорости, с которой случайно шагают сообщения к узлу отовсюду в графе. Такой вид случайного хождения для центральности по близости280.

Подсчет метрик центральности по близости и промежуточной центральности для всех узлов в графе требует подсчет всех кратчайших путей между всеми узлами в графе. Это занимает 0(К3) времени с алгоритмом Флойда-Варшалла (Floyd-Warshall algorithm), разработанным не только для нахождения кратчайших путей, но и подсчета всех кратчайших путей между двумя узлами. Для разряженных графов больше подходит алгоритм Джонсона (Johnson s algorithm), занимающий 0(V2\ogV + VE) времени. Для невзвешенных графов, используя алгоритм Брандеса (Brandes algorithm), подсчет промежуточной центральности занимает О (VE) времени.

Центральность узла зависит еще и от того, с кем именно он имеет соединения. Центральность по престижу или центральность собственного вектора присваивает относительные оценки всем узлам в сети на основе той концепции, что связи с более центральными узлами вносят больший вклад в центральность данного узла, чем связи его с менее центральными. Другими словами, значимость узла определяется тем, насколько значимы его соседи.

Симуляция эхо-камер

Средняя взвешенная степень графа равна 4909,15, в пересчете на один узел — 44,22 — показатель, близкий к среднему арифметическому. Третий квантиль находится на уровне 37 подписчиков. В этом распределении присутствуют выбросы, которые сдвигают среднее арифметическое. Таким образом, стандартное отклонение равно 139, что говорит о явной неоднородности наблюдений. Таким образом, в модели присутствуют сильные центры притяжения, которые создают ядра близких сообществ. Они и есть агенты, выполняющие роли хабов. Также различные идеологические сообщества имеют хотя бы небольшое количество общей аудитории. Это прямо свидетельствует о том, что подмножество виртуальных сообществ, представляющих несистемные политические силы (не представленные в Государственной думе), не изолированы друг от друга и не замыкаются в эхо-камерах.

Диаметр графа равняется двум. Это означает, что граф не является полным. Средняя длина пути — это средняя величина переходов от любого узла к любому другому. Она равна 1.06. Модулярность — это параметр, определяющий, как граф делится на подмножества (группы, кластеры, субграфы), и она составляет 0,33. Средний коэффициент кластеризации показывает, как связан граф — посредством транзитивных троек или клик, другими словами — это мера, в которой узлы в графе имеют тенденцию группироваться вместе. В нашем случае эта статистика — 0,95. Взвешенный коэффициент кластеризации отображает меру кластеризации с учетом интенсивности связи для взвешенных графов. Он равен 0,98. Это говорит о том, что распространение информации в такой модели будет происходит практически моментально. На основании того, что коэффициент кластеризации является сверхсильным, а средняя степень по графу не отличается высоким значением, следует вывод, что политические сообщества формируют очень плотную структуру сети, имеющую распределенную сеть хабов.

Обратимся к диаграммам размаха разных метрик центральности для идеологических групп (Приложение Е). Взвешенная степень узла является самой простой мерой центральности. В распределении этой метрики в разных идеологических группах сразу ярко видны те сообщества, которые мы решили назвать националистическими. В этих сообществах большой размах — 19913, а также межквантильный размах (размах между 25% и 75% наблюдений) — 10648, высокое минимальное и максимальное значения: 1467 и 21380. Высокая медиана — 7080, которая выше третьего квантиля всех остальных групп. Кроме того, стандартное отклонение незначительно отличается от медианы — 6369,11, что говорит о приблизительно однородной представленности наблюдений с незначительным смещением. Либералы также имеют большой размах — 15538, но межквантильный размах заметно меньше — 3289,25. Медиана — 2946,5, что немногим выше первого квантиля националистов, но стандартное отклонение 3805,69, которое заметно отличается от медианы, а, следовательно, классифицирует распределение как неоднородное. ЛГБТ-сообщества имеют медиану на уровне 2046, что довольно высоко для четырех сообществ. Социалисты показывают низкие показатели центральности по степени узла. Размах составляет примерно половину размаха националистических сообществ — 7204. Медиана равно 1607, а стандартное отклонение — 1672,64, что говорит об однородном представлении наблюдений. Третий квантиль — 2241, что ниже медианы в группе либералов.

Промежуточная центральность предоставляет возможность обнаруживать сетевых агентов, связывающих различные изолированные группы или узлы. В нашем случае при смежности аудитории можно выявить кросс-идеологические сообщества, а также дать характеристику сетевым стратегиям и практикам различных идеологических групп. После выполнения подсчетов данной метрики можно заметить, что особенно выделяются сообщества ЛГБТ и социалистов. Медиана ЛГБТ-сообществ находится на уровне первого квантиля остальных сообществ — 2,24. Тот же показатель у социалистов заметно превосходит не только медианы, но и третьи квантили всех остальных сообществ — 5,72. Кроме того, данные виртуальные сообщества имеют не только огромный размах — 7,26, но и огромный межквантильный размах — 4,84. Однако первый квантиль несколько меньше, чем у националистов и либералов. Кроме того, наблюдения располагаются неоднородно — стандартное отклонение 2,6, а 25 % наблюдений имеют высокие показатели на уровне 6. Распределения сообществ националистов и либералов очень схожи. Медиана националистических сообществ — 2,85, а либеральных — 3,05. Размах и межквантильный размах у националистов 6,86 и 1,02, у либералов 6,79 и 1,41. Наблюдения представлены неоднородно: стандартное отклонение у националистов — 1,4, а у либералов — 1,75. Это, в сравнении с медианой, говорит о том, что размах от медианы до наблюдаемого минимума без выбросов значительно больше, чем до наблюдаемого максимума.

Для интерпретации центральности по близости очень важно понимать, чем больше приближена к единице данная метрика, тем лучше, так как единица — это кратчайшее расстояние в графе. В нашем случае данная метрика покажет отношения центра-периферии в графе. Так как модель приближена к плотному графу, т.е. практически все элементы соединены между собой различными по силе связями, следовательно, центральность по близости для большинства сообществ будет стремиться к единице.

Центральность по престижу или центральность собственного вектора практически полностью повторяют распределение предыдущей центральности. Медианы незначительно отличаются друг от друга: ЛГБТ — 0,95, либералы — 0,99, националисты — 0,96, социалисты — 0,97.