CC BY
2
Вестник Томского государственного университета. 2023. № 495. С. 5-13 Vestnik Tomskogo gosudarstvennogo universiteta - Tomsk State University Journal. 2023. 495. рр. 5-13
ФИЛОЛОГИЯ
Научная статья УДК 81'33
doi: 10.17223/15617793/495/1
Фреймирование кризисной ситуации в институциональных и персональных медиа (на материале текстов о COVID-19)
Зоя Ивановна Резанова1, Андрей Александрович Степаненко2
12Национальный исследовательский Томский государственный университет, Томск, Россия
1 rezanovazi@mail.ru 2 stepanenkone@mail.ru
Аннотация. Выявляются варианты фреймового моделирования ситуации пандемии COVID-19, реализованные в условиях инфодемии в текстах новостных агентств и социальной сети Твиттер. Анализ проведен с использованием методик дискурс-анализа, автоматического тематического моделирования и фреймового анализа. Представлены дискурсивные варианты инвариантного фрейма «пандемия COVID-19», которые являются моделями «среднего уровня», конкретизирующими общий фрейм в текстовых реализациях новостей и твитов. Ключевые слова: инфодемия, COVID-19, фрейм, фреймирование, Твиттер, новости, дискурс, тематическое моделирование, дискурс-анализ
Источник финансирования: исследование выполнено при поддержке гранта Российского научного фонда (проект № 23-28-01001).
Для цитирования: Резанова З.И., Степаненко А.А. Фреймирование кризисной ситуации в институциональных и персональных медиа (на материале текстов о COVID-19) // Вестник Томского государственного университета. 2023. № 495. С. 5-13. doi: 10.17223/15617793/495/1
Original article
doi: 10.17223/15617793/495/1
Framing a crisis situation in institutional and personal media (based on COVID-19 texts)
Zoya I. Rezanova1, Andrey A. Stepanenko2
12 National Research Tomsk State University, Tomsk, Russian Federation 1 rezanovazi@mail.ru 2 stepanenkone@mail.ru
Abstract. The article presents variability in the frame modeling of the COVID-19 disease in the conditions of infodemic in news texts (RIA, TASS, Lenta) and the social network Twitter. The analysis was based on the methods of discourse analysis, automatic topic modeling and frame analysis. Different versions of discursive framing of the pandemic situation in news texts and Twitter are determined by the structure of the base frame new coronavirus infection (COVID-19). This frame is interpreted as a variant of the implementation of a more general frame - "disease". Its structure is formed by a set of subframes (nodes of the base frame in graphical models) represented at two levels of specification. The first-level subframes reflect specific social interactions caused by the specifics of the disease (types of treatment, quarantine measures, the global scale of the spread, the study of the virus). The second-level subframes represent various aspects of the social consequences of the pandemic. Such methods as automatic topic modeling and vector analysis are used to identify the directions of framing in the news texts and personal Internet discourse (Twitter). The research results demonstrate both commonalities and expected differences in the media representation of the pandemic due to the target orientation of the discourses and their actors' role positions. The first-level node, representing the disease as a physical condition experienced by the subject, is actualized in a single middle-level node of Twitter, as well as at lower-level nodes in news and tweets as a part of other subframes associated with different social aspects of the pandemic. The analysis revealed the commonality of the discursive actualization of the first- and second-level nodes of the base frame in the news texts and tweets, which is manifested in the allocation of the subframes of the same name. At the first level, the commonality of framing is manifested in the actualization of frames reflecting hospitalization and treatment, introduction of quarantine measures, return of citizens to their homeland, and the course of the pandemic in other countries. The commonality in the node concretization of the second-level base frame is manifested in the allocation of the same or related frames reflecting the development of the economy during the pandemic period in Russia and in the world as well as crisis phenomena in general. However, in common subframes, framing differences at lower
© Резанова З.И., Степаненко А.А., 2023
levels of concretization were revealed, which is reflected in the difference of their lexical representation. The main differences in the directions of framing in the studied institutional and personal media are the following. The tweets focus more on discussing the course of the disease, its diagnosis, daily statistics and treatment, while the news texts are more focused on the social consequences of the pandemic.
Keywords: infodemic, COVID-19, frame, framing, Twitter, news, discourse, topic modeling, discourse analysis
Financial support: The study was supported by the Russian Science Foundation, Project No. 23-28-01001.
For citation: Rezanova, Z.I. & Stepanenko, A.A. (2023) Framing a crisis situation in institutional and personal media (based on COVID-19 texts). Vestnik Tomskogo gosudarstvennogo universiteta - Tomsk State University Journal. 495. pp. 5-13. (In Russian). doi: 10.17223/15617793/495/1
Введение
Пандемия новой коронавирусной инфекции оказала огромное влияние практически на все аспекты жизни человека, предопределив необходимость принятия экстренных решений, изменений привычного образа жизни, ее личных и институциональных аспектов. Это вызвало необходимость исследования поведенческого, когнитивного, эмоционального ответа человека на ситуацию острого риска как в сфере здоровья, так и в других областях социального и личного развития.
Одним из социальных следствий пандемии, значимых в общемировом масштабе, является феномен ин-фодемии, характеризующейся переизбытком онлайновой и офлайновой информации, наличием противоположных мнений, оценок, слухов. Определение этого феномена было дано в документах ВОЗ, содержащих также призыв к научному сообществу исследовать данное социальное явление [1].
Изучение природы инфодемии как кризисного варианта коммуникативных практик должно основываться, на наш взгляд, на данных из разных информационных источников, отражающих вариантные фокусировки одних и тех же событий, их интерпретации и оценки. При этом наиболее значимым считаем сравнение личностных и институционально мотивированных позиций, репрезентируемых в текстах.
Т. ван Дейк, один из крупнейших аналитиков новостного дискурса, актуализировал ангажированность новости, ее интерпретационный характер: новость не отражает ситуацию, но моделирует ее [2. С. 125, 137]. Прагматический аспект новости, включающий фокус эмпатии, тип масштабирования, призму представления ситуации, не менее важен, нежели ее информативный план.
Современные социальные сети являются площадкой для трансляции субъективных позиций «среднего» человека [3]. Анализ работ, представленных на сайте (https://arxiv.org) [4] и посвященных анализу медийной интерпретации коронавирусной инфекции, показал, что абсолютное большинство исследований в мире выстраивается на материале социальной сети (СС) Твит-тер. Однако работы, обращенные к русскоязычному сегменту Твиттер и сравнительному анализу текстов СС и официальных СМИ, единичны.
Обзор тематик русскоязычных работ, посвященных медийному представлению ситуации пандемии СОУГО-19, выявил преобладание исследований, выполненных на методологической основе социологии и журналистики (см. материалы [5]). В сфере внимания
лингвистов находятся либо тексты ведущих информационных агентств и социальных сетей без внутрижан-ровой дифференциации, либо отдельные жанры. В фокусе исследовательского внимания в таких работах находятся: общая тематическая направленность медийных текстов; распространение фейковых новостей, концептуальное моделирование ситуации пандемии СОУГО-19, эмоциональный фон распространения информации. Основные используемые методы -текстологический анализ, частные приемы дискурс-анализа и концептуального моделирования (см., например, [6, 7]).
В данной статье мы ставим задачу сравнить варианты интерпретации ситуации СОУГО-19, реализованные в системе ситуационных фреймов в текстах новостных агентств и СС Твиттер, на основе объединения качественных и количественных методов анализа: дискурс-анализа, методологии фреймового моделирования, автоматического анализа текста. Сочетание междисциплинарных методов позволило впервые представить лингвокогнитивные модели ситуации пандемии, реализованные в текстах, противопоставленных по параметру личностных и институциональных позиций их авторов, выявить дискурсивно обусловленную вариативность фреймирования одного и того же событийного ряда.
Методы и материал исследования
На этапе формирования программы исследования был применен комплексный метод современного дискурс-анализа, предполагающий социолингвистическую и когнитивную рефлексию информационных потоков. Мы используем термин «дискурс» для обозначения типовой модели коммуникативной деятельности, актуализируя значимость противопоставления институциональных и личностных, персональных дискурсов в логике, выстроенной в работах В.И. Карасика [8. С. 5-20]. Одним из компонентов дискурсивной деятельности является текст - ее результат, объективированный в знаковой форме. Жанр, в соответствии с традицией, берущей начало от работ М. Бахтина, интерпретируется нами как типовая модель построения текста, характеризующаяся единством тематического содержания, стиля и композиционного построения [9. С. 237]. При выборе материала исследования мы опирались на работы, посвященные анализу дискурсивных и жанровых особенностей новости [2, 10] и твита [3], своеобразию коммуникативного пространства современных медиа
[3, 11, 12], выделяя аспекты, значимые для выявления способов фреймового моделирования.
В качестве основного был использован метод фреймового моделирования. В применении метода мы опирались на концепцию М. Минского, разработанную в рамках общей теории искусственного интеллекта и языковой семантики [13], теорию Р. Шенка и Р. Абель-сона, объединяющую семантический и прагматический анализ [14], лингвистическую концепцию фреймового моделирования и представления знаний в языковых и текстовых единицах Ч. Филлмора [15], дискурсивную интерпретацию теории фреймов в варианте Т.А. ван Дейка и В. Кинча [16].
В данных работах при всей разнонаправленности решаемых авторами конкретных задач мы выделяем несколько моментов, значимых для ее применения в нашем исследовании.
Во-первых, фреймы интерпретируются как обобщенные модели, инварианты ситуаций, зрительных образов, действий, в том числе речевых (семантические фреймы), выводимые на основе обобщения опыта, включающего и зрительные образы (фреймы визуальных образов), и действия (фреймы-сценарии). Фреймовые модели структурируют опыт, выделяя в нем элементы, или понятия (узлы в графических схемах), и их связи. Как обобщенные модели ситуаций фреймы в полной мере не реализованы ни в одном сознании, ни в одном речевом действии.
Во-вторых, ситуационные фреймы имеют иерархическую структуру. На верхних уровнях иерархии находятся понятия, «которые всегда справедливы в отношении представляемой данным фреймом ситуации», вследствие чего составляют основу ее понимания. Нижние уровни иерархической структуры фрейма -терминалы - связывают обобщенные понятия с конкретной ситуацией, в результате чего осуществляется «приспособление фреймов к конкретным ситуациям». По Минскому, этот процесс осуществляется на основе объединения знания о ситуации, об обобщенной когнитивной модели и языковых способах их поверхностной репрезентации.
В работах Ч. Филлмора и его последователей разрабатываются вопросы способов языковой, прежде всего лексической, репрезентации фреймовых структур. Ч. Филлмор переосмысливает структуралистскую по истокам теорию семантических полей: лексические связи в структуре семантического поля предстают как отражение отношений между элементами фреймовой структуры - когнитивной основы языковой семантики. Лексико-семантические поля -это языковые репрезентанты систем фреймов, элементы поля, лексико-семантические варианты представляют слоты (узлы) фрейма.
В дискурсивной деятельности, в интерпретации Т.А. ван Дейка и В. Кинча, происходит координация обобщенной фреймовой структуры и знания о конкретной ситуации. На среднем уровне обобщения в дискурсе находится ситуационная модель. Авторы подчеркивают, с одной стороны, обобщенный характер ситуационной модели, с другой - ее «гораздо более личностный характер» по отношению к инвариантному
фрейму. Построение ситуационной модели - это способ преодоления строгой алгоритмичности фреймового моделирования, его абсолютной предзаданности. В дискурсивной деятельности «системы фреймов не заданы в качестве алгоритмов восприятия, а всегда находятся в процессе своего формирования». В этих идеях мы наблюдаем пересечение с концепцией И. Гофмана о фреймировании реальности в дискурсивной деятельности [17].
В настоящее время широкое распространение теория фреймов нашла в исследованиях информационных потоков современных медиа (см., например, обзор работ в [18]). При этом фреймирование также интерпретируется, во-первых, как индивидуальный процесс, во-вторых, подчеркивается его мировоззренческая направленность [18. С. 49].
В нашей работе на основе анализа текстов двух дискурсов мы выявляем модель фреймирования «среднего уровня» - жанровую модель. Она является обобщенной по отношению к ситуационным речевым моделям, но конкретизированной по отношению к абстрактной языковой модели. В конкретном варианте дискурсивной деятельности мы наблюдаем неполную реализацию фрейма.
В совокупности текстов мы можем определить то, как общность коммуникативных установок субъектов новостного дискурса или дискурса социальной сети обусловливают спецификацию фреймового моделирования. В статье представлена лингвистическая интерпретация процессов фреймирования на основе анализа лексических репрезентантов в поверхностной структуре текстов. Лексические репрезентанты выявляются, как было отмечено, с применением методов автоматического тематического моделирования.
При этом первоначально мы моделируем базовый фрейм, выделяя узлы (по Минскому - инварианты, которые справедливы по отношению к любой ситуации) на основе семантического анализа лексем, репрезентантов фрейма, и соотносимых с ними пропозитивных структур: болезнь - инфекция - новый тип инфекции -эпидемия - пандемия.
Ядерной пропозицией считаем «болезненное состояние организма человека», организованное предикатом «состояние (находиться в состоянии)» и ядерным актантом «субъект состояния». Данная пропозиция репрезентируется лексемой болезнь. Далее пропозиция связывается с другими событийными через логические пропозиции: «болезненное состояние» > «причина состояния» > «инфекция»; «характер инфекции» > «массовое распространение», «мировой масштаб»; причина инфекции > «неизвестный возбудитель». Таким образом, лексемой пандемия обозначается пропозитивная композиция, объединяющая предикативные центры: «болезнь» > «заражение» > «распространение (массовое)» > «неизвестное, новое». Эти пропозиции отражают личностный аспект пандемии.
Второй уровень пропозитивной структуры фрейма «пандемия» составляют пропозиции, отражающие системы социальных реакций на заболевание и его специфические черты, организуемых предикатами: «болезнь» > «лечить»; «предотвращать»; «инфекционный» >
«изолировать»; «защищать»; «новый тип инфекции» > изучать, создавать. В данном случае меняются субъ-ектно-объектные отношения: субъект состояния «болезнь» является объектом действий «лечить», «изолировать». Субъектами соответствующих действий являются представители государственных органов, учреждений. К основной связи «болезнь» > «лечить» > «медучреждение» подключаются связи «инфекция» > «меры профилактики», в составе которых главное - «изоляция», осуществляемая не только медицинскими, но и другими государственными субъектами, учреждениями.
Следующие варианты приспособления фрейма к конкретной ситуации связаны системой конкретиза-ций основных предикатов: 1) «состояние» > «особо тяжелое, с массовым отрицательным результатом, смертностью»; 2) «распространение инфекции» > «экстремально массовое мирового масштаба»; 3) «новый тип инфекции» > «неизвестный вирус» > «исследования».
Первое направление конкретизации отражает наряду с лечением активизацию системы государственных и межгосударственных регулирующих мероприятий, направленных на профилактику заболевания - изоляцию людей и обеспечение их защитными средствами. Частный человек при этом включается в систему отношений не только как субъект заболевания (как следствие - объект лечения), но и как объект мер профилактики, что означает многократное увеличение интеракций разнотипных акторов, вовлечение в ситуацию практически всего населения.
Второе направление конкретизации вводит в фокус интерпретации пандемии страны всего мира. Частные субфреймы этого уровня характеризуются единством предикатов, отражающих течение заболевания и правительственные меры, направленные на преодоление пандемии, и различаются конкретными локусами и субъектами государственных акций.
Третье направление конкретизации, «новый, неизвестный вирус», вводит субфреймы, организуемые предикатами «изучение (штамма)», «создание вакцин», субъектами которых являются научные организации и их представители, локусами - Россия и ее регионы, другие страны.
Особые характеристики пандемии новой коронави-русной инфекции - мировой характер распространения - обусловили наличие в структуре фрейма субфреймов, отражающих социальные последствия пандемии. Совокупность этих субфреймов организуется предикатами, представляющими интеракции субъектов действия - государственных органов и лиц, действующих от их имени.
Выделенные субфреймы первого и второго уровней (в графических структурах - узлы верхних уровней) отражают компоненты ситуации, верные для всех контекстов актуализации фрейма «пандемия новой коро-навирусной инфекции СОУГО-19», субфреймфы (узлы) третьего уровня определяют общие направления конкретизации фрейма.
Обобщенно структура фрейма представлена на рис. 1.
Рис. 1. Базовые узлы фрейма «пандемия новой коронавирусной инфекции COVID-19»
Далее выявленная на основе семантического анализа обобщенная фреймовая модель была соотнесена с ситуативными моделями, реализованными в текстовых реализациях новостей и твитов.
В качестве материала, на котором проводилось исследование, были использованы корпусы текстов новостных агентств РИА, ТАСС, Лента (10 499 390 токе-нов) и твитов СС Твиттер (1 163 511 токенов) за период с 01.01.2020 по 31.12.2020.
Корпусы были собраны на основании алгоритмов, разработанных на языках программирования R 4.0.2 и Python 3. Корпусы прошли предобработку, которая включала токенизацию, лемматезацию, приведение
вех слов в единый (нижний) регистр, удаление малоинформативных лексических единиц, удаление «стоп-слов».
Этапы анализа и их результаты
На первом этапе был проведен тематический анализ, т.е. была выявлена тематическая фокусировка ситуации пандемии, определяющая направления конкретизации узлов фрейма. Выявление уникальных тем в текстах двух дискурсов было проведено на основе применения алгоритма Латентного размещения Дирихле (LDA, Latent Dirichlet allocation) [19. С. 56].
Данный тип автоматического семантического анализа позволил извлечь вероятные сочетания лексем и объединить их по группам (темам). Далее было проведено ранжирование тем на основе определения «удельного веса» ТБ-ГОР. В результате были получены группы тематически связанных слов, из которых для дальнейшего анализа были взяты по 20 групп слов, характеризующиеся наибольшим уровнем совокупной частотности составляющих слов (с развернутым списком лексем и тем
можно ознакомиться по ссылке: URL: https://docs.google.com/ document/
d/1OU56LZ867XQQnAn5i0_8mazCumyf-hyJ9 wluBHOSIJU/edit?usp=sharing).
Результат автоматического тематического анализа представлен на рис. 2, где topic - группировка лексем, тематически связанных, ida_top - числовое выражение «веса» лексемы, выявленного по формуле TF-IDF.
случай новый выявить заражение инфекция сутки коронавирусный заболевание Крым зафиксировать подтвердить общество зарегистриров 0.0253094254662885 дом хотеть просто сидеть говорить рука температура думать болеть ходить мама вообще идти пойти выходить бог каждый очень смотреть в 0.0252926955109976 Украина число статистика заболеть киев количество заразить жертва выздороветь общий инфицировать превысить больной умерший вырас 0.0252090685702612 мир борьба трансляция угроза продолжаться праздник вызов израиль снова победа сила каждый глобальный близкий штамм здравоохран' 0.0251411427391565 тест результат положительный анализ провести сдать тестирование пройти лаборатория отрицательный получить рязань сделать показать с 0.0250626129004364 выявить сутки умереть подтвердить житель подтвердиться район скончаться заболеть край пациент диагноз диагностировать выздороветь / 0.0250609G30276732 почему знать большой нужно друг читать делать очень проблема тема писать имя момент стоить решить давать объяснить народ сделать ду 0.0250279512188379 Москва самоизоляция путин режим мера собянин власть политика изоляция Владимир ввести Сергей столица мэр портал правительство су/ 0.0249797845905141 мир трансляция опасный волна сми важный общество европа идти акт/альный прогноз реалия Воронеж самый этап новостиворонеж отст 0.0249380464289611 эпидемия учёный медицина новый болезнь найти создать назвать исследование иммунитет наука передаваться антитело признак распрос 0.0249140723358675 Китай вирус италия китайский ухань турист Турция кнр европа аэропорт рейс вспышка самолёт ее россиянин мид индия въезд аэрофлот ав 0.0249077792890678 врач больница маска пациент медик пневмония больной медицинский состояние рассказать Волгоград тяжёлый лечить защита средство иг 0.0248895385227146 помощь коронавирус видео доктор ответ Кыргызстан правда выпуск реальный факт Тюмень эфир мнение менный фонд песня срочно миф 0.0248885848517308 подозрение обнаружить госпитализировать россиянин находиться вернуться женщина Подмосковье найти мужчина житель япония диагно 0.0248770466769994 covidl9 Coronavirus Казахстан лучшедома русский стопкоронавирус конституция короновирус оставайтесьдом Иркутск служба поправка го 0.02487282DD922545 сша русскаявесный воз заявить трамп президент здравоохранение сообщить глава министр военный американский считать эксперт орган!* 0.0248654420747651 коронавирус последний собрать утро убить заразить заболеть ситуация планет накрыть Красноярск Дагестан челябинский исход мурманск 0.0248358894031418 коронавирус отменить Лукашенко перенести футбол спорт игра несмотря мероприятие дезинфекция игрок российский матч запретить сезон 0.0248252G36632857 коронавирус вакцина вакцинация ожидание против население массовый депутат российский начаться Госдума испытание близиться приЕ 0.0248163523698264 самый неделя большой коронавирус дело несколько конец пока смертность остаться выйти часть первое страшный история высокий урове! 0.0248157432895643 экономика кризис мировой бизнес рынок нефть гражданин цена бесплатный война городской проект повлиять страх открытый российский 0.Q248069046930476 коронавирус ситуация школа страна Кузбасс Иран Великобритания лекарство вирусолог продукт атаковать азербайджан Корея студент треть 0.0248063296873668
Рис. 2. Ключевые темы в корпусе текстов СС «Твиттер»
Объединения лексем были поименованы на основе экспертной оценки темы членами лаборатории лингвистической антропологии Томского государственного университета. Две группировки лексем не обнаруживали явно выраженных семантических связей, что было отмечено экспертами, и исключены из дальнейшего анализа. Темы были пронумерованы в соответствии с рангами частотности по данным автоматического анализа:
Новости - 1. COVID-19 в мире; 2. Госпитализация и лечение COVID-19; 3. Карантинные мероприятия в период COVID-19 ; 4. Поддержка бизнеса в период COVID-19; 5. Вспышка COVID-19 в Китае; 6. Мировой экономический кризис в период COVID-19; 7. Жизнь в период COVID-19; 8. Политическая ситуация в США в период COVID-19; 9. Возвращение россиян в период COVID-19; 10. Региональная экономика в период COVID-19; 11. Рекомендации по индивидуальной защите в период COVID-19; 12. Информированность населения о COVID-19; 13. Создание вакцины от COVID-19; 14. День Победы; 15. Протесты политическая ситуация в Белоруссии и Украине в период COVID-19; 16. Искусство в период COVID-19; 17. Туризм в период COVID-19 18. Спорт в период COVID-19;
Твиттер: 1. COVID-19 в мире; 2. Суточная статистика COVID-19; 3. Самоизоляция в период COVID-19; 4. Тестирование ТОУГО-19; 5. Экономика в период СОУГО-19; 6. Ограничения передвижений; возвращение граждан в период COVID-19; 7. Распространение СОУГО-19 на Украине; 8. Госпитализация и
лечение в период СОУГО-19; 9. СОУГО-19 в Беларуси; 10. Карантинные меры в Москве в период СОУГО-19; 11. Цикл переживания СОУГО-19; 12. Спорт в период СОУГО-19; 13. Правительственные решения в период СОУГО-19; 14. Ситуация в мире в период СОУГО-19; 15. Личные реакции на ситуацию с СОУГО-19; 16. Медицина в СОУГО-19;
17. Исследование и прививки от СОУГО-19;
18. СОУГО-19 в семье.
Данные автоматического тематического моделирования послужили основой выявления направлений интерпретации пандемии в текстах новостей и твитах, затем - их сравнения.
На рис. 3 схематически представлены направления фреймирования в новостях и твитах. Узлы верхних уровней фрейма обозначены в соответствии с представленными на рис. 1 направлениями конкретизации базовых узлов фрейма. Узлы обозначаются заглавными буквами Т - темы Твиттера, Н - темы новости, цифра обозначает порядковый номер темы, ее ранг по результатам автоматического анализа (см. список тем), например, Т1 - первая тема Твиттера, т.е. «СОУГО-19 в мире».
Как показал анализ и как можно видеть в схемах на рис. 3, тематические фокусы моделирования пандемии в двух дискурсах обнаруживают значительную степень совпадения. В качестве наиболее частотной в новостях и твитах представлена тема мирового масштаба пандемии, развитие пандемии в отдельных странах. Другие тематические актуализации верхних узлов фрейма, объединяющие два дискурса, - лечение короновируса,
меры предупреждения заболевания, карантинные меро- мире, разработка и создание вакцины, что соответствует приятия, в том числе ограничения передвижений в второму уровню конкретизации фрейма.
□ И
Тематическая актуализация узлов третьего уровня базовой фреймовой структуры - экономика в период пандемии, а также некоторые аспекты социальной, политической жизни страны, испытавшей непосредственное влияние пандемии. Отметим, что при этом темы могут занимать более или менее близкое положение в рейтингах частотности в двух сравниваемых дискурсах.
Уже на этом уровне тематического моделирования можно видеть и различия в направлениях фреймирова-ния ситуации пандемии. Основное различие проявилось в том, что в твитах представлена в качестве частотной тема, конкретизирующая аспекты развития самой инфекционной болезни (Т11 «Цикл переживания болезни»), а также аспекты личного переживания ситуаций лечения, персональных реакций на пандемию, связанных с ожиданием ухудшения экономического положения. Данная тема конкретизирует узел фреймовой структуры первого уровня. В текстах новости преобладает тематическая фокусировка на последствиях пандемии в разных областях государственной жизни (на втором и третьем уровнях субфреймовых связей), институциональная фокусировка государственного реагирования на COVID-19.
Данное своеобразие выявляется в случае, когда мы обращаемся к анализу семантики лексических единиц, объединенных в тему. Для того чтобы получить больший объем «входной» информации для выявления конкретных направлений фреймирования на более низких уровнях фреймовой структуры, нами был применен еще один метод автоматического анализа текстов. Список слов каждой из 18 тем на основе применения метода векторного представления слов Word2vec [20] был дополнен лексическими единицами, наиболее близкими к результирующему вектору проведенного тематического анализа (полные результаты данного типа анализа также можно увидеть, пройдя по ссылке: URL:
https://drive.google.com/drive/folders/1EM86Hu8r4hz9hIz oDzObkt NUePu1uyAg?usp=sharmg).
Привлечение результатов данного варианта автоматического анализа позволило выявить варианты дальнейших конкретизаций фреймирования ситуаций пандемии в двух типах дискурсах на все уровнях фреймовой структуры. Анализ показал, что и при наличии одноименных тем фреймирование ситуации может различаться в текстах Твиттера и новостей на более низких уровнях фреймовой структуры. Так, в Твиттере субфрейм Т1 «С0УТО-19 в мире» конкретизируется в трех узлах (субфреймах): (Т1а) «распространение пандемии в мире» (мир, планета, глобально, непрерывный); (Т1б) «эмоциональная реакция на пандемию» (опасный, угроза, надежда и улучшаться, расслабляться) и (Т1в) «динамика развития, волны СОУГО-19» (волна, этап, замедление, нарастать, близиться, отступать, расползаться). Одноименный узел данного уровня в новостных текстах имеет общий конкретизирующий узел (Н1а) «распространение пандемии в мире», репрезентированный лексемами мир, всемирный, ВОЗ, однако более репрезентативно представлен субфрейм (Н1б) «данные о развитии болезни» (данные, портал, число, ситуация, ежедневно, наибольший, заболеваемость, максимум, рост, скончаться).
Одноименные узлы (субфреймы) в сравниваемых медийных текстах могут отличаться разной частотностью: например, субфрейм «госпитализация и лечение С0УТО-19» является вторым по совокупной частотности лексем в новостях и восьмым в Твиттере. Данный тип вариаций может дополняться наличием разных конкретизирующих субфреймов. Так, в новостях этот субфрейм конкретизируется в основном субфрейме, общем с Твитером, который представляет ситуацию лечения через призму субъекта заболевания (субфрейм
Н2а: умирать, выздоравливать, заражаться). Но лексически гораздо более репрезентативно в данной теме в новостях представлен субфрейм (Н2б), актуализирующий действия медицинского персонала с обозначением локусов, субъектов, процессов: больница, медицинский, врач, госпиталь, лечение, больной, пациент, выписать, а также субфрейм (Н2в), фиксирующий динамику распространения болезни в разные временные периоды (штаб, зарегистрировать, максимум, опуститься, октябрь, ноябрь, декабрь). В Твиттере, в свою очередь, дополнительно выделяется субфрейм «переживание болезни на разных ее этапах» (состояние, тяжелый, умереть, скончаться, заболеть, выздороветь, вылечиться, заразиться), объединяя этот узел с узлом верхнего уровня фреймовой структуры.
Другой вариант различий фреймирования обнаруживается при сравнении близких по тематике узлов Н3 «Карантинные мероприятия в период COVID-19» и Т10 «Карантинные меры в Москве в период COVID-19». Ожидаемо субфрейм имеет более разветвленный спектр конкретизаций в новостях: включает субфреймы (Н3а) «ограничительные действия со стороны государственных органов» (ограничение, вводить, разрешать, мера, мероприятия, продлять, проведение, рекомендовать), (Н3б) «действия граждан в ситуации самоизоляции (самоизоляция, соблюдение), а также (Н3в) «номинации локусов, связанных с ограничением посещения» (магазин, ресторан, кафе, транспорт), и отдельный субфрейм (Н3г) «образование в пандемию» (колледж, очный, школа, школьник, обучение, класс, ученик, учащийся). В Твит-тере соответствующий фрейм конкретизируется в обозначении (Т10а) локуса и субъектов власти (Москва, столица, Собянин, мэр, московский); (Т10б) ограничительных мер (режим, мера, изоляция, ввести, отменить штраф, тестирование).
Таким образом, вовлечение дополнительных данных автоматического векторного анализа позволяет выявлять более сложные, нелинейные отношения в направлениях фреймирования в разных дискурсах общего фрейма «COVID-19».
Обсуждение
Рассмотренные в работе варианты дискурсивного фреймирования в текстах новостей и СС «Твиттер» ситуации пандемии определяются структурой базового фрейма «новая коронавирусная инфекция COVID-19». Данный фрейм интерпретируется как вариант реализации более общего фрейма - «болезнь». Его структура формируется совокупностью субфреймов (узлов базового фрейма в графических моделях), выделяемых на
двух уровнях конкретизации. Субфреймы первого уровня отражают специфические социальные интеракции, обусловленные спецификой болезни, - типы лечения, карантинные мероприятия, мировой масштаб распространения, изучение вируса. На втором уровне выделяются субфреймы, связанные с разными аспектами социальных последствий пандемии.
Использование методов автоматического тематического моделирования и векторного анализа позволило выявить направления фреймирования, т.е. направления конкретизации базовых узлов (субфреймов) в текстах двух типах дискурсов: в институциональном новостном и личностном интернет-дискурсе (в варианте СС «Твиттер»). Результаты проведенного анализа свидетельствуют как об их значительной общности в представлении пандемии, так и ожидаемых различиях, обусловленных целевой направленностью дискурсов, ролевыми позициями их акторов. Узел первого уровня - болезнь, физическое состояние, переживаемое субъектом - актуализируется в одном узле среднего уровня Твиттера и на низших уровнях в новостях и твитах в составе других субфреймов, связанных с разыми вариантами социальных аспектов пандемии.
В новостях и твитах отмечена общность дискурсивной актуализации узлов второго и третьего уровней базового фрейма, проявляющаяся в выделении одноименных субфреймов. На втором уровне общность фреймирования проявляется в актуализации фреймов, отражающих ситуации госпитализации и лечения, введения карантинных мероприятий, возвращения граждан на родину, протекания пандемии в других странах. Общность конкретизации узлов базового фрейма третьего уровня проявилась в выделении одноименных или связанных фреймов, отражающих развитие экономики в пандемию как в России, так и в мире в целом с актуализацией развития кризисных явлений. Однако при этом в выделяемых общих субфреймах различия фреймирования могут обнаруживаться на более низких уровнях конкретизации, что проявляется в различии их лексического представления.
Варианты фреймирования в самом общем виде проявляются в том, что авторы твитов в большей мере сосредоточены на обсуждении протекания болезни, ее диагностики, суточной статистики, лечении, авторы новостей - на социальных последствиях пандемии. Отметим также значимость выделения фреймов более низкого уровня конкретизации, на которых также наблюдаются различия фреймирования. Выделение данного уровня конкретизации с опорой на результаты векторного анализа позволяет выявить и наличие нелинейных связей субфреймов в общей структуре.
Список источников
1. Борьба с инфодемией на фоне пандемии COVID-19: поощрение ответственного поведения и уменьшение пагубного воздействия ложных
сведений и дезинформации / Совместное заявление ВОЗ, ООН, ЮНИСЕФ, ПРООН, ЮНЕСКО, ЮНЭЙДС, МСЭ, инициативы ООН «Глобальный пульс» и МФКК. URL: https://www.who.int/ru/news/item/23-09-2020-managing-thecovid-19-infodemic-promoting-healthy-behav-iours-andmitigating-the-harm-from-misinformation-and-disinformation (дата обращения: 20.05.2023).
2. Дейк ван Т. Анализ новостей как дискурса // Язык. Познание. Коммуникация. Благовещенск : БГК им. И.А. Бодуэна де Куртенэ, 2000.
С. 111-160.
3. Горошко Е.И. «Чирикающий» жанр 2.0 Твиттер, или что нового появилось в виртуальном жанроведении // Вестник Тверского государ-
ственного университета. 2011. .№ 3. C. 11-21.
4. arXiv. URL: https://arxiv.org (дата обращения: 26.06.2023).
5. Инфодемия: существующие подходы к анализу паник, фобий, слухов, фейков во время эпидемий и предложения по борьбе с ними // Рос-
сийская академия народного хозяйства и государственной службы при Президенте Российской Федерации. URL: https://www.ranepa.ru/documents/monitoring/120-infodemiya.pdf (дата обращения: 26.06.2023).
6. Карасик В.И. Эпидемия в зеркале медийного дискурса: факты, оценки, позиции // Политическая лингвистика. 2020. № 2 (80). С. 25-34. doi:
10.26170/pl20-02-02
7. Ерофеева И.В., Толстокулакова Ю.В., Муравьёв А.В. Пандемия коронавируса в концептуальной сфере медиадискурса России и Китая:
стратегия выживания // Вопросы теории и практики журналистики. 2021. Т. 10, № 1. С. 78-93. doi: 10.17150/2308-6203.2021.10(1)
8. Карасик В.И. Языковой круг: личность, концепты, дискурс. Волгоград, 2002. 385 с.
9. Бахтин М.М. Проблема речевых жанров // Бахтин М.М. Эстетика словесного творчества. М. : Искусство, 1979. 423 с.
10. Добросклонская Т.Г. Новостной дискурс как объект медиалингвистического анализа // Дискурс современных масс-медиа в перспективе теории, социальной практики и образования. Белгород : ИД «Белгород» НИУ «БелГУ», 2016. С. 13-22.
11. Шмелева Т.В. Медиалингвистика: терминологический аспект // Вестник Новгородского государственного университета. 2015. № 87, ч. 1. С. 32-35.
12. Щипицина Л.Ю. Жанровый статус сетевого комментария // Вестник Башкирского университета. 2015. № 2. С. 528-532.
13. Минский М. Фреймы для представления знаний / под ред. Ф.М. Кулакова. М., 1979. 151 с.
14. Schank R., Abelson R. Scripts Plans and Knowledge // Advance Papers of the Fourth International Joint Conference on Artificial Intelligence. 1975. № 2. Р. 151-157.
15. Филлмор Ч. Фреймы и семантика понимания // Новое в зарубежной лингвистике. Вып. 23: Когнитивные аспекты языка. М. : Прогресс, 1988. С. 52-92.
16. Дейк Т.А. ван, Кинч В. Стратегии понимания связного текста // Новое в зарубежной лингвистике. Вып. 23: Когнитивные аспекты языка. М. : Прогресс, 1988. С. 153-211.
17. Гофман И. Анализ фреймов: эссе об организации повседневного опыта. М. : Ин-т социологии РАН, 2003. 752 с.
18. Дунас Д.В., Салихова Е.А., Толоконникова А.В., Бабына Д.А. Установление повестки дня и эффект фрейминга: о необходимости концептуального единства в медиаисследованиях «цифровой молодежи» // Вестник Московского университета. Серия: Журналистика. 2022. № 4. С. 47-78.
19. Aggarwal C.C. Machine learning for text. 2018. 490 p.
20. Church K. Word2Vec // Natural Language Engineering. 2017. № 23 (1). P. 155-162. doi: 10.1017/S1351324916000334
References
1. WHO. (2020) Managing the COVID-19 infodemic: promoting healthy behaviours and mitigating the harm from misinformation and disinformation.
[Online] Available from: https://www.who.int/ru/news/item/23-09-2020-managing-thecovid-19-infodemic-promoting-healthy-behaviours-andmit-igating-the-harm-from-misinformation-and-disinformation (Accessed: 20.05.2023).
2. van Dijk, T. (2000) Yazyk. Poznanie. Kommunikatsiya [Language. Cognition. Communication]. BGK im. I.A. Boduena de Kurtene. pp. 111-160.
3. Goroshko, E.I. (2011) "Chirikayushchiy" zhanr 2.0 Tvitter ili chto novogo poyavilos' v virtual'nom zhanrovedenii ["Tweeting" genre 2.0 Twitter or
what's new in virtual genre studies]. Vestnik Tverskogo gosudarstvennogo universiteta. 3. pp. 11-21.
4. arXiv. [Online] Available from: https://arxiv.org (Accessed 26.06.2023).
5. RANEPA. (2023) Infodemiya: sushchestvuyushchiepodkhody k analizu panik, fobiy, slukhov, feykov vo vremya epidemiy i predlozheniyapo bor'be
s nimi [Infodemic: existing approaches to the analysis of panics, phobias, rumors, fakes during epidemics and proposals for combating them]. [Online] Available from: https://www.ranepa.ru/documents/monitoring/120-infodemiya.pdf (Accessed: 26.06.2023).
6. Karasik, V.I. (2020) Epidemiya v zerkale mediynogo diskursa: fakty, otsenki, pozitsii [The epidemic in the mirror of media discourse: facts, assess-
ments, positions]. Politicheskaya lingvistika. 2 (80). pp. 25-34. doi: 10.26170/pl20-02-02
7. Erofeeva, I.V., Tolstokulakova, Yu.V. & Murav'ev, A.V. (2021) Pandemiya koronavirusa v kontseptual'noy sfere mediadiskursa Rossii i Kitaya:
strategiya vyzhivaniya [The coronavirus pandemic in the conceptual sphere of media discourse in Russia and China: a survival strategy]. Voprosy teorii i praktiki zhurnalistiki. 10 (1). pp. 78-93. doi: 10.17150/2308-6203.2021.10(1)
8. Karasik, V.I. (2002) Yazykovoy krug: lichnost', kontsepty, diskurs [Language circle: personality, concepts, discourse]. Volgograd.
9. Bakhtin, M.M. (1979) Estetika slovesnogo tvorchestva [Aesthetics of verbal creativity]. Moscow: Iskusstvo.
10. Dobrosklonskaya, T.G. (2016) Novostnoy diskurs kak ob"ekt medialingvisticheskogo analiza [News discourse as an object of medialinguistic analysis]. In: Diskurs sovremennykh mass-media v perspektive teorii, sotsial'noy praktiki i obrazovaniya [Discourse of modern mass media in the perspective of theory, social practice and education]. Belgorod: ID "Belgorod" NIU "BelGU". pp. 13-22.
11. Shmeleva, T.V. (2015) Medialingvistika: terminologicheskiy aspekt [Medial inguistics: terminological aspect]. VestnikNovgorodskogo gosudarstvennogo universiteta. 87 (1). pp. 32-35.
12. Shchipitsina, L.Yu. (2015) Zhanrovyy status setevogo kommentariya [Genre status of network comment]. VestnikBashkirskogo universiteta. 2. pp. 528-532.
13. Minsky, M. (1979) Freymy dlyapredstavleniya znaniy [Frameцщкл for ^presenting knowledge]. Moscow.
14. Schank, R. & Abelson, R. (1975) Scripts Plans and Knowledge. Advance Papers of the Fourth International Joint Conference on Artificial Intelligence. 2. pp. 151-157.
15. Fillmore, Ch. (1988) Freymy i semantika ponimaniya [Frames and the semantics of understanding]. In: Novoe v zarubezhnoy lingvistike [New in foreign linguistics]. Vol. 23. Moscow: Progress. pp. 52-92.
16. van Dijk, T.A. & Kintsch, W. (1988) Strategii ponimaniya svyaznogo teksta [Strategies for understanding connected text]. In: Novoe vzarubezhnoy lingvistike [New in foreign linguistics]. Vol. 23. Moscow: Progress. pp. 153-211.
17. Goffman, E. (2003) Analiz freymov: esse ob organizatsiipovsednevnogo opyta [Frame analysis: an essay on the organization of everyday experienc]. Moscow: Institute of Sociology of the Russian Academy of Sciences.
18. Dunas, D.V. et al. (2022) Ustanovlenie povestki dnya i effekt freyminga: o neobkhodimosti kontseptual'nogo edinstva v mediaissledovaniyakh "tsifrovoy molodezhi" [Agenda setting and the framing effect: on the need for conceptual unity in media studies of "digital youth"]. Vestnik Mos-kovskogo universiteta. Ser. Zhurnalistika. 4. pp. 47-78.
19. Aggarwal, C.C. (2018) Machine learning for text. Springer.
20. Church, K. (2017) Word2Vec. Natural Language Engineering. 23(1). pp. 155-162. doi: 10.1017/S1351324916000334 Информация об авторах:
Резанова З.И. - д-р филол наук, зав. кафедрой общей, компьютерной и когнитивной лингвистики, зам. зав. лабораторией лингвистической антропологии Национального исследовательского Томского государственного университета (Томск, Россия). E-mail: rezanovazi@mail.ru
Степаненко А.А. - зав. научно-исследовательской лабораторией «Когнитивные исследования языка» Национального исследовательского Томского государственного университета (Томск, Россия). E-mail: stepanenkone@mail.ru
Авторы заявляют об отсутствии конфликта интересов. Information about the authors:
Z.I. Rezanova, Dr. Sci. (Philology), head of the Department of General, Computational and Cognitive Linguistics; deputy head of the Linguistic Anthropology Laboratory, National Research Tomsk State University (Tomsk, Russian Federation). E-mail: re-zanovazi@mail.ru
A.A. Stepanenko, head of the Laboratory for Cognitive Studies of Language, National Research Tomsk State University (Tomsk, Russian Federation). E-mail: stepanenkone@mail.ru
The authors declare no conflicts of interests.
Статья поступила в редакцию 01.07.2023; одобрена после рецензирования 12.10.2023; принята к публикации 06.11.2023.
The article was submitted 01.07.2023; approved after reviewing 12.10.2023; accepted for publication 06.11.2023.
