Речевые особенности популярного онлайн-контента в социальных сетях

Постановка проблемы

Для реше­ния мно­гих про­блем медиа­линг­ви­сти­ки осо­бый инте­рес пред­став­ля­ет вопрос о пред­по­чте­ни­ях в соци­аль­ных сетях: поче­му одни тек­сты в соци­аль­ных сетях попу­ляр­ны, име­ют отклик, полу­ча­ют реак­ции от поль­зо­ва­те­лей, мно­же­ствен­ные ком­мен­та­рии, а дру­гие, напро­тив, оста­ют­ся без вни­ма­ния. В этой свя­зи осо­бую акту­аль­ность при­об­ре­та­ет изу­че­ние осо­бен­но­стей вос­при­я­тия в соци­аль­ных сетях поли­ти­че­ских тек­стов и ана­лиз ком­мен­та­ри­ев на их пуб­ли­ка­цию. Исследование рече­вых при­е­мов попу­ляр­но­сти тек­стов поли­ти­че­ской тема­ти­ки спо­соб­ству­ет пони­ма­нию меха­низ­мов поли­ти­че­ской онлайн-коммуникации, поз­во­ля­ет осу­ществ­лять моде­ли­ро­ва­ние пара­мет­ров и про­гно­зи­ро­ва­ние рас­про­стра­не­ния инфор­ма­ции в Сети с целью обес­пе­че­ния инфор­ма­ци­он­ной и пси­хо­ло­ги­че­ской безопасности.

Цель иссле­до­ва­ния — уста­нов­ле­ние иерар­хии зна­чи­мо­сти рече­вых при­е­мов, обу­слов­ли­ва­ю­щих попу­ляр­ность онлайн-контента в соци­аль­ных сетях.

Объектом ана­ли­за высту­пи­ли посты поли­ти­че­ской тема­ти­ки, посвя­щен­ные одно­му инфоповоду.

История вопроса

Сегодня соци­аль­ные сети как пред­мет иссле­до­ва­ния в кон­тек­сте медий­но­го про­стран­ства пред­став­ля­ют осо­бый инте­рес. При изу­че­нии фено­ме­на осо­бен­но важен вопрос о том, как соци­аль­ные сети вли­я­ют на рас­про­стра­не­ние инфор­ма­ции, фор­ми­ро­ва­ние обще­ствен­но­го мне­ния. Значительную роль в иссле­до­ва­нии дан­ной про­бле­ма­ти­ки сыг­ра­ли тру­ды руко­во­ди­те­ля медиа­линг­ви­сти­че­ской комис­сии Международного коми­те­та сла­ви­стов про­фес­со­ра Л. Р. Дускаевой [Duskajewa 2016; Дускаева 2018; Дускаева, Иванова 2022; Дускаева 2025а; Дускаева 2025б].

Актуальность изу­че­ния соци­аль­ных пред­по­чте­ний на при­ме­ре ана­ли­за вос­при­я­тия поли­ти­че­ских тек­стов обу­слов­ле­на тем, что сего­дня соци­аль­ные сети при­об­ре­та­ют все боль­шее вли­я­ние в совре­мен­ном обще­стве [Писарева 2021], вно­сят зна­чи­тель­ный вклад в кон­стру­и­ро­ва­ние совре­мен­ной общественно-политической реаль­но­сти, поли­ти­че­ской жиз­ни. С помо­щью соци­аль­ных сетей фор­ми­ру­ет­ся новое поли­ти­че­ское ком­му­ни­ка­тив­ное про­стран­ство, кото­рое, по мне­нию Л. М. Беленковой и С. Ю. Белоконева, харак­те­ри­зу­ет­ся боль­шой сте­пе­нью поли­ти­че­ской сво­бо­ды, высо­ким уров­нем кри­тич­но­сти, все­доз­во­лен­но­стью. Исследователи счи­та­ют, что соци­аль­ные сети сего­дня ста­но­вят­ся мощ­ным сред­ством поли­ти­че­ско­го воз­дей­ствия, вли­я­ют на инди­ви­ду­аль­ное, груп­по­вое созна­ние и пове­де­ние поль­зо­ва­те­лей Сети, высту­па­ют инстру­мен­том поли­ти­че­ско­го управ­ле­ния [Беленкова, Белоконев 2020]. Этой точ­ки зре­ния при­дер­жи­ва­ет­ся и В. Е. Хецелиус. Он отме­ча­ет, что соци­аль­ные сети повли­я­ли на при­ро­ду поли­ти­че­ской ком­му­ни­ка­ции, изме­ни­ли спо­со­бы поли­ти­че­ско­го обще­ния. По мне­нию иссле­до­ва­те­ля, соци­аль­ные сети сего­дня пре­вра­ти­лись в мощ­ный инстру­мент поли­ти­ки, ста­ли сред­ством для пуб­лич­ных дис­кус­сий, исполь­зу­ют­ся для мани­пу­ли­ро­ва­ния созна­ни­ем и обще­ствен­ным мне­ни­ем [Хецелиус 2019]. В срав­не­нии с тра­ди­ци­он­ны­ми медиа поль­зо­ва­те­ли соци­аль­ных сетей обре­ли зна­чи­тель­но боль­ший кон­троль над инфор­ма­ци­он­ной сре­дой, чем созда­те­ли кон­тен­та [Писарева 2021]. Социальный ста­тус поль­зо­ва­те­ля в совре­мен­ных усло­ви­ях не явля­ет­ся опре­де­ля­ю­щим, посколь­ку глав­ная роль при­над­ле­жит инфлю­ен­се­рам — лиде­рам мне­ний [Писарева 2021; Ирхин 2015].

Социальные сети поми­мо поло­жи­тель­но­го вли­я­ния могут так­же ока­зы­вать нега­тив­ное воз­дей­ствие, высту­пать пло­щад­кой для соци­аль­но опас­ной и несу­щей за собой необ­ра­ти­мые послед­ствия инфор­ма­ции. В этой свя­зи осо­бое зна­че­ние при­об­ре­та­ет про­ти­во­дей­ствие мани­пу­ли­ро­ва­нию обще­ствен­ным созна­ни­ем, кото­рое осу­ществ­ля­ет­ся посред­ством рас­про­стра­не­ния неже­ла­тель­но­го кон­тен­та в соци­аль­ных сетях [Ирхин 2015; Котлярова 2024]. Важно уметь рас­по­зна­вать и про­гно­зи­ро­вать попу­ляр­ность рас­про­стра­не­ния деструк­тив­ной инфор­ма­ции в Сети [Котлярова 2024].

Средством выяв­ле­ния соци­аль­но опас­ной инфор­ма­ции и деструк­тив­но­го кон­тен­та явля­ет­ся ана­лиз тек­стов в соци­аль­ных сетях. При этом необ­хо­ди­мо опи­рать­ся на меж­дис­ци­пли­нар­ный под­ход, объ­еди­ня­ю­щий зна­ния в обла­сти пси­хо­ло­гии, линг­ви­сти­ки, авто­ма­ти­че­ско­го ана­ли­за на осно­ве машин­но­го обу­че­ния, мето­дов искус­ствен­но­го интел­лек­та [Ениколопов, Медведева, Воронцова 2019; Ениколопов и др. 2021; Салимовский и др. 2024]. Анализ лите­ра­ту­ры пока­зы­ва­ет, что в насто­я­щее вре­мя мно­го работ, посвя­щен­ных ана­ли­зу в том чис­ле поли­ти­че­ских тек­стов в соци­аль­ных сетях. Так, осо­бен­но­сти вос­при­я­тия поли­ти­че­ских интернет-статей в соци­аль­ных сетях были изу­че­ны И. В. Савельевой. Она пока­за­ла, что поль­зо­ва­те­ли соци­аль­ных сетей — авто­ры ком­мен­та­ри­ев исполь­зу­ют такие стра­те­гии и так­ти­ки вос­при­я­тия поли­ти­че­ских тек­стов, как целост­ное (холизм) либо дета­ли­зи­ро­ван­ное (эле­мен­та­ризм) вос­при­я­тие. К чис­лу так­тик иссле­до­ва­тель отно­сит раз­об­ла­че­ние, при­со­еди­не­ние, дистан­ци­ро­ва­ние, эмо­тив­ное вос­при­я­тие [Савельева 2013].

Речевое пове­де­ние и реак­ции полу­ча­те­лей сооб­ще­ний бло­гов изу­че­ны Л. Р. Дускаевой, Е. В. Шириной, Г. И. Мясищевым, А. С. Батищевой [Дускаева 2025а; Дускаева 2025б; Ширина, Мясищев, Батищева 2025]. К чис­лу важ­ных рито­ри­че­ских при­е­мов воз­дей­ствия на реак­ции вос­при­ни­ма­ю­щей ауди­то­рии они отно­сят гла­голь­ные кон­струк­ции, чис­ло кото­рых зна­чи­тель­но воз­рас­та­ет в про­цес­се обсуж­де­ния наи­бо­лее соци­аль­но ост­рых тем, напри­мер рево­лю­ции в России, Первой и Второй миро­вых войн, рас­па­да Советского Союза. Обнаружено, что к чис­лу ком­мен­та­то­ров в бло­гах отно­сят­ся и лица в воз­расте до 35 лет. Анализ рече­во­го пове­де­ния ком­мен­та­то­ров пока­зал, что для моло­де­жи харак­тер­но в боль­шей мере стрем­ле­ние повто­рять за лиде­ром рече­вые сиг­на­лы, в то вре­мя как пред­ста­ви­те­лей стар­шей воз­раст­ной груп­пы отли­ча­ет склон­ность к дис­кус­сии [Ширина, Мясищев, Батищева 2025].

Особенности вос­при­я­тия поли­ти­че­ско­го кон­тен­та в соци­аль­ных сетях у моло­де­жи с помо­щью ней­ро­фи­зио­ло­ги­че­ско­го мето­да оку­ло­гра­фии изу­че­ны в рабо­те Ю. А. Еременко и З. А. Жаворонковой. В ходе экс­пе­ри­мен­та респон­ден­там предъ­яв­ля­ли раз­лич­ные виды поли­ти­че­ско­го кон­тен­та (мемы, фото­гра­фии поли­ти­че­ских лиде­ров, фото­гра­фии поли­ти­че­ских собы­тий и посте­ры). Одновременно осу­ществ­ля­лась запись гла­зо­дви­га­тель­но­го пове­де­ния участ­ни­ков экс­пе­ри­мен­та с исполь­зо­ва­ни­ем веб­тре­ке­ра. Результаты иссле­до­ва­ния поз­во­ли­ли оце­нить визу­аль­ное вни­ма­ние при вос­при­я­тии раз­лич­но­го вида поли­ти­че­ско­го кон­тен­та [Еременко, Жаворонкова 2021].

Изучению поли­ти­че­ско­го вос­при­я­тия вла­сти в соци­аль­ных сетях посвя­ще­но иссле­до­ва­ние О. В. Котляровой, кото­рая обна­ру­жи­ла, что на вос­при­я­тие обра­за орга­нов госу­дар­ствен­ной вла­сти вли­я­ют поло­жи­тель­ная инфор­ма­ция, про­фес­си­о­наль­но пред­став­лен­ный акка­унт, пол­но­цен­ность инфор­ма­ции, откры­тый диа­лог [Котлярова 2024].

При ана­ли­зе тек­стов в соци­аль­ных сетях акту­аль­ным явля­ет­ся вопрос о кри­те­ри­ях и мето­дах ана­ли­за, поз­во­ля­ю­щих полу­чить досто­вер­ную инфор­ма­цию на осно­ве пись­мен­ной речи. Рассматривая мето­до­ло­ги­че­ские прин­ци­пы ана­ли­за тек­ста, О. В. Митина и А. С. Евдокимова выде­ли­ли десять пози­ций: интент-анализ, кон­тен­та­на­лиз, фоно­се­ман­ти­че­ский ана­лиз, дискурс-анализ, нар­ра­тив­ный ана­лиз, экс­перт­ная оцен­ку тек­ста, гра­фе­ма­ти­че­ский, мор­фо­ло­ги­че­ский, син­так­си­че­ский, семан­ти­че­ский ана­лиз [Митина, Евдокимова 2010]. Методика ана­ли­за тек­ста зави­сит, как счи­та­ют авто­ры, от того, что рас­смат­ри­ва­ет­ся в каче­стве еди­ни­цы ана­ли­за. Например, линг­ви­сти­че­ский под­ход пред­по­ла­га­ет ана­лиз язы­ко­вых струк­тур мор­фо­ло­ги­че­ско­го, син­так­си­че­ско­го, семан­ти­че­ско­го уров­ней [Ениколопов и др. 2021]. В этом слу­чае еди­ни­ца­ми ана­ли­за высту­па­ют такие эле­мен­ты, как мор­фе­ма, фоне­ма, пред­ло­же­ние, сло­во­со­че­та­ние, выска­зы­ва­ние и т. д. [Ениколопов, Медведева, Воронцова 2019; Ениколопов и др. 2021; Митина, Евдокимова 2010]. Для пси­хо­линг­ви­сти­че­ско­го под­хо­да харак­те­рен ана­лиз рече­вых дей­ствий и опе­ра­ций, соот­но­си­мых с рече­вой дея­тель­но­стью и нахо­дя­щих­ся друг с дру­гом в иерар­хи­че­ских отно­ше­ни­ях. В этом слу­чае еди­ни­ца­ми ана­ли­за высту­па­ют фрей­мы, кон­цеп­ты, когнио­ти­пы, эмо­те­мы, про­по­зи­ции и т. д. [Митина, Евдокимова 2010]. Единицей пси­хо­ло­ги­че­ско­го ана­ли­за высту­па­ют моти­вы, интен­ции, инди­ви­ду­аль­ные осо­бен­но­сти субъ­ек­та, пси­хо­ло­ги­че­ские усло­вия и осо­бен­но­сти дея­тель­но­сти [Митина, Евдокимова 2010: 29].

Я. Г. Мильчук отме­ча­ет, что суще­ствен­ной про­бле­мой для иссле­до­ва­ний соци­аль­ных сетей высту­па­ет тру­до­ем­кость сбо­ра и обра­бот­ки дан­ных. Информация, необ­хо­ди­мая для ана­ли­за, име­ет боль­шой объ­ем, посто­ян­но обнов­ля­ет­ся и харак­те­ри­зу­ет­ся неод­но­род­но­стью, в то же вре­мя суще­ству­ю­щие ста­ти­сти­че­ские мето­ды часто не поз­во­ля­ют свое­вре­мен­но обнов­лять дан­ные [Мильчук 2018; Мильчук, Мартынова 2016]. Автор счи­та­ет, что необ­хо­ди­мы новые мето­ды мони­то­рин­га соци­аль­ных про­цес­сов. Он пред­ла­га­ет исполь­зо­вать ана­лиз дан­ных соци­аль­ных сетей для изу­че­ния соци­аль­ных пред­по­чте­ний жите­лей реги­о­нов и их вли­я­ния на эффек­тив­ность при­ни­ма­е­мых реше­ний, а в каче­стве еди­ниц ана­ли­за рас­смат­ри­ва­ет дан­ные из про­фи­лей поль­зо­ва­те­лей соци­аль­ных сетей, такие как пол, воз­раст, инте­ре­сы, место рабо­ты, место уче­бы, фото­гра­фии, хеш­те­ги, гео­дан­ные. Выявление и иссле­до­ва­ние соци­аль­ных потреб­но­стей жите­лей реги­о­нов с исполь­зо­ва­ни­ем дан­ных соци­аль­ных сетей будет спо­соб­ство­вать постро­е­нию эффек­тив­ной соци­аль­ной поли­ти­ки и эффек­тив­но­му выбо­ру кон­крет­ных про­ект­ных бизнес-решений. Получая из соци­аль­ной сети инфор­ма­цию о попу­ляр­ных местах, осо­бен­но­стях их вос­при­я­тия, мож­но опре­де­лить недо­ста­ток или избы­ток инфра­струк­ту­ры сетей и ком­му­ни­ка­ций, а впо­след­ствии фор­ми­ро­вать назна­че­ние неис­поль­зу­е­мых тер­ри­то­рий [Мильчук, Мартынова 2016].

Обосновывая необ­хо­ди­мость при­ме­не­ния новых мето­до­ло­ги­че­ских под­хо­дов в рабо­те с база­ми дан­ных, сле­ду­ет ска­зать об исполь­зо­ва­нии мето­дов искус­ствен­но­го интел­лек­та. Так, при помо­щью ней­ро­се­ти изу­че­ны дан­ные о вовле­чен­но­сти поль­зо­ва­те­лей соци­аль­ных сетей «ВКонтакте» в деструк­тив­ные про­цес­сы [Жданова, Рабчевский, Ашихмин 2025].

В дру­гом иссле­до­ва­нии на осно­ве интел­лек­ту­аль­но­го ана­ли­за дан­ных с помо­щью ней­ро­се­те­во­го моде­ли­ро­ва­ния рас­смот­ре­ны зако­но­мер­но­сти про­гно­зи­ро­ва­ния поли­ти­че­ских собы­тий. Показано, что с помо­щью ней­ро­се­те­вых моде­лей мож­но научить­ся пони­мать, каким обра­зом сле­ду­ет ока­зы­вать вли­я­ние на буду­щие собы­тия, раз­во­ра­чи­вать тра­ек­то­рию их раз­ви­тия в нуж­ном направ­ле­нии, созда­вая бла­го­при­ят­ную ситу­а­цию для дости­же­ния постав­лен­ных целей [Ясницкий 2008; Ясницкий 2016].

В целом ана­лиз лите­ра­ту­ры пока­зы­ва­ет, что боль­шое коли­че­ство иссле­до­ва­ний послед­не­го деся­ти­ле­тия посвя­ще­но изу­че­нию роли соци­аль­ных сетей в совре­мен­ных поли­ти­че­ских ком­му­ни­ка­ци­ях. К чис­лу наи­бо­лее обсуж­да­е­мых отно­сят­ся вопро­сы при­вле­ка­тель­но­сти темы поли­ти­че­ской ком­му­ни­ка­ции, осо­бен­но­стей вос­при­я­тия поли­ти­че­ских интернет-статей и ком­мен­та­ри­ев, мето­дов сбо­ра и обра­бот­ки дан­ных в соци­аль­ных сетях, в каче­стве кото­рых исполь­зу­ют­ся раз­лич­ные мето­ды ана­ли­за тек­ста, метод оку­ло­гра­фии, мето­ды искус­ствен­но­го интеллекта.

Вместе с тем недо­ста­точ­но изу­чен­ным оста­ет­ся вопрос о соци­аль­ных пред­по­чте­ни­ях и изу­че­нии фак­то­ров, обу­слов­ли­ва­ю­щих попу­ляр­ность онлайн-контента поли­ти­че­ских тек­стов в соци­аль­ных сетях. В этой свя­зи целью нашей рабо­ты ста­ло ней­ро­се­те­вое иссле­до­ва­ние попу­ляр­но­сти онлайн-контента на при­ме­ре поли­ти­че­ских тек­стов в соци­аль­ных сетях.

Описание методики исследования

При фор­ми­ро­ва­нии мето­ди­ки иссле­до­ва­ния мы исхо­ди­ли из поло­же­ния о том, что попу­ляр­ность кон­тен­та в соци­аль­ных сетях ско­рее зави­сит от содер­жа­ния тек­ста, чем от струк­тур­ных свойств сети [Zhu, Su, Kong 2015]. С целью изу­че­ния попу­ляр­но­сти онлайн­кон­тен­та в соци­аль­ных сетях нами про­ве­де­но спе­ци­аль­ное иссле­до­ва­ние в два эта­па. В каче­стве объ­ек­та иссле­до­ва­ния из поли­ти­че­ских тек­стов в соци­аль­ной сети «ВКонтакте» был собран гипер­ме­ди­а­текст на одну тему. Из мас­си­ва тек­стов, вошед­ших в него, мы ото­бра­ли те, кото­рые име­ли самые высо­кие рей­тин­ги поль­зо­ва­те­лей в соци­аль­ных сетях, т. е. полу­чив­шие самое боль­шое чис­ло реак­ций: учи­ты­ва­лись коли­че­ство про­смот­ров, чис­ло лай­ков, ком­мен­та­ри­ев, репо­стов, общее коли­че­ство реак­ций, чис­ло дуб­ли­ка­тов, реак­ций на дуб­ли­кат. Отбор попу­ляр­ных тек­стов осу­ществ­лял­ся с помо­щью спе­ци­аль­ной про­грам­мы «Информационный трек-детектор» (сви­де­тель­ство о госу­дар­ствен­ной реги­стра­ции про­грам­мы для ЭВМ № 2022668598 от 10.10.2022), а так­же про­грамм­но­го ком­плек­са для поис­ка, мони­то­рин­га и ана­ли­за инфор­ма­ции в откры­том про­стран­стве соци­аль­ных сетей и мес­сен­дже­ров¹. В таб­ли­це 1 пред­став­ле­ны резуль­та­ты анализа.

Таблица 1. Результаты ана­ли­за попу­ляр­но­сти тек­стов в соци­аль­ных сетях

Как вид­но из таб­ли­цы 1, наи­боль­шую попу­ляр­ность в соци­аль­ных сетях име­ет текст 4, посколь­ку он вызвал мак­си­маль­ное коли­че­ство реак­ций на один дуб­ли­кат (мно­го­крат­ное повто­ре­ние одно­го и того же тек­ста). Данный текст име­ет мак­си­маль­ное абсо­лют­ное зна­че­ние сум­мар­ной реак­ции 68,6 реак­ций на один дуб­ли­кат. В то вре­мя как для тек­ста 1, хотя он и был повто­рен 670 раз, коли­че­ство реак­ций на один дуб­ли­кат соста­ви­ло лишь 17,9.

На сле­ду­ю­щем эта­пе была осу­ществ­ле­на экс­перт­ная оцен­ка тек­стов по 28 кри­те­ри­ям, кото­рые пред­став­ля­ют собой пси­хо­ло­ги­че­ские при­е­мы при­вле­че­ния вни­ма­ния адре­са­та. В каче­стве экс­пер­тов высту­пи­ли пси­хо­ло­ги (четы­ре чело­ве­ка), име­ю­щие опыт рабо­ты с тек­ста­ми и вла­де­ю­щие навы­ка­ми контент-анализа. В ходе экс­перт­ной оцен­ки были выде­ле­ны кри­те­рии ана­ли­за тек­стов. Отметим, что экс­пер­ты не зна­ли о том, какой из тек­стов полу­чил мак­си­маль­ные оцен­ки поль­зо­ва­те­лей соци­аль­ных сетей. В про­цес­се иссле­до­ва­ния экспертами-психологами был исполь­зо­ван частот­ный контент-анализ, оце­ни­ва­лась часто­та встре­ча­е­мо­сти пока­за­те­лей в текстах. Уровень экс­перт­но­го согла­сия в оцен­ке попу­ляр­но­сти тек­стов соста­вил 82,5 %.

Результаты контент-анализа, осу­ществ­лен­но­го экс­пер­та­ми, пред­став­ле­ны в таб лице 2.

Таблица 2. Результаты ана­ли­за тек­стов на осно­ве оце­нок экспертов

Как вид­но из таб­ли­цы 2, для тек­стов, име­ю­щих наи­бо­лее высо­кие пока­за­те­ли попу­ляр­но­сти, харак­тер­ны такие ком­по­нен­ты и свой­ства, как ссыл­ка на попу­ляр­ных лиц (13,67); нали­чие ссы­лок на источ­ни­ки, хеш­те­ги (11,33); отсыл­ка ко вре­ме­ни (насто­я­щее, про­шлое, сроч­ность — 6,00); текст с пер­со­ни­фи­ци­ро­ван­ным изло­же­ни­ем (6,00); повест­во­ва­ние осу­ществ­ля­ет­ся от пер­во­го лица, исполь­зу­ет­ся при­ем обра­ще­ния к чита­те­лю (5,33); харак­тер­но нали­чие цифр, ста­ти­сти­ки (5,33); при­во­дит­ся цити­ро­ва­ние источ­ни­ков (4,67).

Значимыми харак­те­ри­сти­ка­ми тек­стов, при­вле­ка­тель­ны­ми для поль­зо­ва­те­лей соци­аль­ных сетей, явля­ют­ся так­же такие пока­за­те­ли, как точ­ность в изло­же­нии фак­тов (3,33); нали­чие при­зы­ва к дей­ствию (3,33); обсуж­де­ние попу­ляр­ной темы (2,67); ори­ен­та­ция тек­ста на целе­вую ауди­то­рию (2,00).

Далее была раз­ра­бо­та­на спе­ци­аль­ная про­грам­ма, кото­рая с помо­щью боль­шой язы­ко­вой моде­ли DeepSeek выяв­ля­ла и под­счи­ты­ва­ла исполь­зо­ван­ные пси­хо­ло­ги­че­ские при­е­мы (кри­те­рии) в дру­гих текстах по тому же инфо­по­во­ду. В резуль­та­те были полу­че­ны дан­ные о том, какие кри­те­рии и сколь­ко раз были исполь­зо­ва­ны в каж­дом тек­сте. Сумма исполь­зо­ван­ных кри­те­ри­ев для каж­до­го тек­ста рас­смат­ри­ва­лась в каче­стве фак­то­ра, обес­пе­чи­ва­ю­ще­го популярность.

Для выяв­ле­ния уров­ня реак­ции поль­зо­ва­те­лей на пред­став­лен­ные тек­сты так­же была напи­са­на спе­ци­аль­ная про­грам­ма, кото­рая через VK API соби­ра­ла реак­цию на каж­дый пост в кол­лек­ции. Всего был про­ана­ли­зи­ро­ван 4531 пост. Таким обра­зом создан дата­сет, в кото­ром в каче­стве вход­ных пара­мет­ров исполь­зо­ва­лась сум­ма каж­до­го кри­те­рия для каж­до­го тек­ста (все­го 28 вход­ных пара­мет­ров), а в каче­стве выход­но­го пара­мет­ра — сум­ма реак­ций для каж­до­го тек­ста. Далее была спро­ек­ти­ро­ва­на спе­ци­аль­ная ней­ро­сеть в виде пер­сеп­тро­на с 28 вход­ны­ми пара­мет­ра­ми, одним выход­ным пара­мет­ром, про­ме­жу­точ­ным сло­ем из 14 ней­ро­нов и акти­ва­ци­он­ной функ­ци­ей ReLu на про­ме­жу­точ­ном слое и пара­бо­ли­че­ским тан­ген­сом — на выход­ном. После обу­че­ния пер­сеп­тро­на выпол­не­на про­це­ду­ра оцен­ки зна­чи­мо­сти вход­ных пара­мет­ров. Затем все кри­те­рии про­ран­жи­ро­ва­ны по уров­ню зна­чи­мо­сти и нор­ма­ли­зо­ва­ны в пре­де­лах от 0 до 1 (рис. 1). Полученные зна­че­ния исполь­зо­ва­ны в каче­стве весо­вых коэф­фи­ци­ен­тов для каж­до­го критерия.

Рис. 1. Рейтинг пси­хо­ло­ги­че­ских при­е­мов, исполь­зу­е­мых авто­ра­ми тек­стов,
полу­чен­ный с помо­щью ней­ро­се­те­во­го исследования

Так полу­чен рей­тинг при­е­мов попу­ля­ри­за­ции тек­ста. Из гра­фи­ка вид­но, что потен­ци­ал рас­про­стра­нен­но­сти осо­бен­но высок у крат­ких тек­стов, напол­нен­ных фак­та­ми, с высо­ким диа­ло­ги­че­ским тону­сом и яркой выра­жен­но­стью автор­ско­го нача­ла (образ­ность, дина­мизм повест­во­ва­ния, персонифицированность).

Анализ материала и результаты исследования

Полученные коли­че­ствен­ные дан­ные поз­во­ли­ли опре­де­лить наи­бо­лее зна­чи­мые пока­за­те­ли тек­ста, вли­я­ю­щие на попу­ляр­ность сре­ди поль­зо­ва­те­лей соци­аль­ных сетей: малый объ­ем, диа­ло­гич­ность, исполь­зо­ва­ние рито­ри­че­ских вопро­сов, нали­чие в тек­сте фак­тов, цифр, при­зыв к дей­ствию, быст­рое повест­во­ва­ние, нали­чие сар­каз­ма, иро­нии, эмо­ци­о­наль­ность тек­ста, ее дра­ма­ти­за­ция, рас­кры­тие сек­рет­ной инфор­ма­ции, гипер­бо­ли­за­ция (дове­де­ние до абсур­да), ссыл­ка на попу­ляр­ных лиц (поли­ти­ки, звез­ды эст­ра­ды), текст пер­со­ни­фи­ци­ро­ван, повест­во­ва­ние осу­ществ­ля­ет­ся от пер­во­го лица, харак­тер­но нали­чие «я‑высказываний».

Использование весо­вых коэф­фи­ци­ен­тов каж­до­го кри­те­рия, полу­чен­ных в резуль­та­те ней­ро­се­те­во­го иссле­до­ва­ния, в соче­та­нии с частот­ным ана­ли­зом, выпол­нен­ным с помо­щью ней­ро­се­те­вой моде­ли DeepSeek, пока­зы­ва­ют коэф­фи­ци­ент кор­ре­ля­ции Пирсона с реаль­ны­ми дан­ны­ми реак­ций поль­зо­ва­те­лей 0,88 (p < 0,05).

Для вери­фи­ка­ции дан­ных экс­пер­ты выпол­ни­ли контент-анализ и частот­ный ана­лиз вруч­ную (рис. 2).

Как сле­ду­ет из гра­фи­ка, кри­вые отли­ча­ют­ся меж­ду собой, но в целом повто­ря­ют фор­му реаль­ных данных.

Несмотря на рас­хож­де­ния оце­нок экс­пер­тов, коэф­фи­ци­ент кор­ре­ля­ции Пирсона меж­ду усред­нен­ной экс­перт­ной оцен­кой и реаль­ны­ми дан­ны­ми реак­ции поль­зо­ва­те­лей соста­вил 0,75 (p < 0,05).

Таким обра­зом, усред­нен­ная оцен­ка экс­пер­тов и оцен­ка с помо­щью искус­ствен­но­го интел­лек­та с уче­том весо­вых коэф­фи­ци­ен­тов дают кор­ре­ля­цию с реаль­ны­ми дан­ны­ми 0,75 и 0,88. Вероятно, если бы экс­пер­ты учи­ты­ва­ли сте­пень зна­чи­мо­сти исполь­зо­ва­ния пси­хо­ло­ги­че­ских при­е­мов, то эти коэф­фи­ци­ен­ты кор­ре­ля­ции были бы еще бли­же. Это гово­рит о том, что соче­та­ние контент-анализа, частот­но­го ана­ли­за и уче­та зна­чи­мо­сти исполь­зо­ва­ния линг­во­пси­хо­ло­ги­че­ских при­е­мов, полу­чен­ных с помо­щью ней­ро­се­те­во­го иссле­до­ва­ния, суще­ствен­но повы­ша­ют точ­ность про­гно­зи­ро­ва­ния попу­ляр­но­сти контента.

Полученные дан­ные сви­де­тель­ству­ют о том, что к чис­лу наи­бо­лее зна­чи­мых линг­во­пси­хо­ло­ги­че­ских при­е­мов, обу­слов­ли­ва­ю­щих попу­ляр­ность поли­ти­че­ских тек­стов у поль­зо­ва­те­лей Сети, отно­сят­ся крат­кий объ­ем тек­ста, диа­лог с чита­те­лем, нали­чие в тек­сте цифр, ста­ти­ки, кон­крет­ных фак­тов, быст­рый темп повест­во­ва­ния, высо­кая эмо­ци­о­наль­ность тек­ста, ссыл­ка на попу­ляр­ных лиц (поли­ти­ки, звез­ды эст­ра­ды), нали­чие опре­де­лен­но­го сти­ля повест­во­ва­ния (от пер­во­го лица, при­сут­ствие иро­нии, сар­каз­ма, мета­фор, гипер­бо­ли­за­ции), отсыл­ки ко вре­ме­ни, модус призыва.

Использование этих пси­хо­ло­ги­че­ских при­е­мов вли­я­ет на реак­ции поль­зо­ва­те­лей соци­аль­ных сетей, их жела­ние под­дер­жать, одоб­рить, пере­слать текст, оста­вить свои ком­мен­та­рии, что при­во­дит к даль­ней­ше­му рас­про­стра­не­нию инфор­ма­ции по Сети.

На осно­ве ана­ли­за обо­зна­чен­ных при­е­мов мож­но пред­ска­зать потен­ци­ал рас­про­стра­не­ния тек­ста в Сети. Полученные резуль­та­ты мож­но исполь­зо­вать в про­цес­се моде­ли­ро­ва­ния пара­мет­ров рас­про­стра­не­ния инфор­ма­ции в Сети с целью пред­ска­за­ния мас­шта­ба рас­про­стра­не­ния инфор­ма­ци­он­ных атак, уров­ня ущер­ба от них, обес­пе­че­ния мер про­ти­во­дей­ствия инфор­ма­ци­он­ным ата­кам, обес­пе­че­ния инфор­ма­ци­он­ной и пси­хо­ло­ги­че­ской без­опас­но­сти поль­зо­ва­те­лей соци­аль­ных сетей.

Выводы

В каче­стве выво­дов отме­тим два момента.

1. Исследование пока­за­ло, что для мето­до­ло­ги­че­ской раз­ра­бот­ки пред­ло­жен­но­го под­хо­да к изу­че­нию кон­тен­та соци­аль­ных сетей прин­ци­пи­аль­но зна­чи­мо исполь­зо­ва­ние экс­перт­ных оце­нок. Убеждены, что без уча­стия экс­пер­тов исполь­зо­ва­ние ней­ро­се­те­вой моде­ли не будет столь же результативным.
2. Знание кри­те­ри­ев попу­ляр­но­сти кон­тен­та необ­хо­ди­мо для эффек­тив­но­го его исполь­зо­ва­ния — без реше­ния этой про­бле­мы соци­аль­ная инже­не­рия инфор­ма­ци­он­но­го пото­ка в соци­аль­ных сетях невоз­мож­на. Вместе с тем появ­ля­ет­ся мно­го новых вопро­сов, напри­мер изме­нит­ся ли ком­плект кри­те­ри­ев попу­ляр­но­сти пуб­ли­ка­ций при пере­фор­му­ли­ров­ке темы контент-анализа и какие кри­те­рии уни­вер­саль­ны, а какие специфичны.