CC BY
15
is considered on the example of social emergencies, which makes it possible to effectively organize the work of CMC teams as emergency project management teams, taking into account the anthological incompleteness of the processes under consideration. The results of practical research on modeling the processes of assessing the influence of individual stakeholders, including negatively affecting the development of an emergency situation (the leadership of the CMC, the operational headquarters for emergency response, the expert groups involved, the population affected by the emergency, etc.) on the effectiveness and productivity of the regional CMC teams, taking into account special measures to increase the productive work time of the teams (reduce the level of burnout of the teams).
Keywords: techno-social space, stakeholders, knowledge parameters, stakeholder approach, competence approach, ontological incompleteness of virtual (simulated) reality, cognitive modeling, burnout of teams
УДК 316.34
БАДАРАЕВ Дамдин Доржиевич — доктор социологических наук; доцент; ведущий научный сотрудник Института монголоведения, буддологии и тибетологии СО РАН (670047, Россия, Республика Бурятия, г. Улан-Удэ, ул. Сахьяновой, 6; damdin80@mail.ru)
ЦЫДЕНОВ Александр Баторович — стажер-исследователь, аспирант Института монголоведения, буддологии и тибетологии СО РАН (670047, Россия, Республика Бурятия, г. Улан-Удэ, ул. Сахьяновой, 6; tsydenovab@bsu.ru)
ИССЛЕДОВАНИЯ СОЦИАЛЬНОЙ ИДЕНТИЧНОСТИ В КОНТЕКСТЕ ЦИФРОВОЙ СОЦИОЛОГИИ: ТЕОРЕТИКО-МЕТОДОЛОГИЧЕСКИЙ АСПЕКТ
Аннотация. В статье обсуждаются методологические аспекты исследования социальной идентичности в рамках виртуальных социальных сетей Интернета. Изучаются различные методологические подходы в контексте цифровой социологии, такие как контент-анализ, сетевой анализ и анализ цифрового следа. В статье рассматриваются основные методы анализа данных, используемые для извлечения информации о социальной идентичности из контента, созданного и распространяемого пользователями в сети; оцениваются преимущества и ограничения каждого метода, определяется их вклад в понимание динамики социальных взаимодействий в онлайн-среде. Исследование направлено на расширение теоретического и методологического арсенала исследователей в области социальной идентичности, представляется более глубокий взгляд на взаимосвязь между цифровыми технологиями и формированием личности в современном информационном обществе.
Ключевые слова: цифровая социология, социальная идентичность, виртуальная идентичность, цифровой след, сетевой анализ, контент-анализ
Статья подготовлена в рамках государственного задания (проект «Россия и Внутренняя Азия: динамика геополитического, социально-экономического и межкультурного взаимодействия (XVII - XXI вв.)», № 121031000243-5).
Введение. Социальные медиа, или социальные сети стали в современном мире одним из пространств социальной коммуникации, часто вытесняя традиционные ее виды. Так, по данным доклада Digital2023: The Russian Federation,
в России на 144 млн населения насчитывается 127,6 млн интернет-пользователей (88,2% населения России), среди них порядка 106 млн пользователей социальных сетей (73,3% населения России). Примечателен тот факт, что пользователи социальных медиа тратят на них в среднем 2 часа 16 минут в день [Kemp 2023]. Таким образом, мы видим, что подавляющее большинство жителей России являются активными пользователями социальных сетей, а сами социальные сети плотно вошли в их жизнь.
Развитие данной сферы социальной коммуникации привело к повышенному интересу исследователей, что породило необходимость новых методологических подходов. Впервые в рамки отдельного направления в социологии подобные исследования вывели американские исследователи Р. Уинн, Р. Нил, затем Н. Маррес и Д. Лаптон [Wynn 2009; Neal 2010; Marres 2012; Lupton 2015].
В.Ф. Ницевич пишет, что фундаментом «цифровой социологии» являются теоретико-методологические разработки теории цифровизации, а именно математические разработки, информатика, электроника и цифровые методы познания социального [Ницевич 2018: 25]. Другие исследователи, отмечая влияние цифровых методов, подчеркивают, что данные процессы дают доступ к получению информации о человеке из его социальных сетей как чисто социологическими методами (наблюдение, например, за совокупностью аккаунтов, социальный эксперимент, биографический метод, метод парных сравнений, метод идеальных типов и т.п.), так и заимствованными из других областей методами, в частности прикладной лингвистики и социальной психологии [Шульц, Гребенюк, Ашманов 2022: 135].
В рамках данного направления в социологических исследованиях встает вопрос о важнейшей категории, которая находится на пересечении социологии и социальной психологии, - о социальной идентичности. Уникальные возможности для изучения различных аспектов социальной идентичности предоставляет сама структура социальных сетей в Интернете. Это происходит за счет наличия личных страниц, где люди добровольно разглашают данные о себе, такие как место работы, дата рождения, интересы, религиозные и политические убеждения и пр. Виртуальная идентичность таким образом строится c целью самопрезентации на основе готового материала из интернет-среды и ограничена лишь средствами виртуального интерфейса социальной сети [Солдатова, Погорелов 2018: 118].
Человек в интернет-пространстве социальной сети обычно либо проецирует свою реальную идентичность, либо, как отмечают авторы, формирует «виртуальную идентичность», опираясь на свойства, недоступные в повседневной жизни, такие как принадлежность к субкультурам или идейно-политическим течениям. Д.Н. Погорелов отмечает, что в настоящее время пользователи Интернета активно взаимодействуют в социальных сетях с использованием «аватаров» и «ников».
Основную долю пользователей социальных сетей составляют подростки и молодежь, для которых существенны вопросы личностного и профессионального самоопределения, формирования ценностной сферы и мировоззренческих установок. В этом возрасте особенно актуальны процессы формирования и развития идентичности личности, включая комплексное представление о себе в контексте принадлежности к различным социоэкономическим, национальным, религиозным и профессиональным группам. Социальные сети, таким образом, открывают для своих пользователей возможности, которые недоступны в реальном мире, такие как преодоление различных - географических и социальных - рамок реальной жизни [Погорелов 2020: 263].
С развитием технологий и широким распространением Интернета социальные взаимодействия все больше перемещаются в онлайн-пространство. Онлайн-коммуникация создает уникальные возможности для изучения социальной идентичности, предоставляя исследователям доступ к множеству данных о поведении и восприятии пользователей. В этой статье мы рассмотрим различные методы изучения социальной идентичности в онлайн-простран-стве и их вклад в современные исследования.
В целом мы можем выделить три основных направления изучения социальной идентичности в социальных сетях.
Наиболее разработанным в данной сфере направлением является контент-анализ социальных медиа. В общем виде можно выделить две особенности применения контент-анализа для изучения социальной идентичности. Первая предполагает изучение качественной информации, которую пользователь оставил о себе на своей личной странице (пол, возраст, город проживания, место работы, религиозные, политические предпочтения). Вторая - использование контент-анализа для изучения фактов сетевой активности, поддающихся количественному измерению: комментарии, лайки, репосты, упоминания, подсчет типичных слов.
Таким образом, контент-анализ используется в первую очередь при исследовании идентичности пользователя посредством изучения его самопрезентации, которую пользователь размещает на своей странице, а во вторую - для подсчета и анализа слов (сленгов, жаргонов), характерных для той или иной социальной группы в публичных текстовых сообщениях (постах, комментариях, обсуждениях), которые оставляет пользователь.
Ключевая проблема в данном случае - это большой объем материала для контент-анализа, в связи с чем, как правило, используется специализированное программное обеспечение для анализа определенной категории контента [Стефашина 2018: 99]. Наибольшее распространение подобное программное обеспечение получило в среде маркетинговых исследований, породив отдельное направление SMM(social media marketing). В непосредственно научных исследованиях данное программное обеспечение используется не так часто. Так, например, в качестве примера исследователи приводят аналитическую платформу для анализа и обработки данных PolyAnalyst (https://www. megaputer.com/polyanalyst/), которая была разработана российской компанией «Мегапьютер Интеллидженс» (MegaputerIntelligence). Однако, как отмечается, программа способна обрабатывать большие объемы только текстовой информации [Петров, Саркисова 2021: 95], что характерно и для других подобных программ1. Исследователи не могут в полной мере исследовать любую нетекстовую информацию, представленную пользователем в социальной сети (фото, видео, аудиофайлы). Однако с развитием обучающихся нейросетей исследователи добились некоторого прогресса в выявлении политико-идеологической идентичности пользователя по фотографиям из его социальных сетей [Xi et al. 2020].
Второе важнейшее направление в исследовании идентичности в онлайн-пространстве социальных сетей - сетевой анализ. Он делает акцент на изучении количественных показателей связей между социальной группой пользователей (к примеру, пользователей студенческих групп) и тематическими
1 Софт. Блог о контент-анализе. Доступ: http://content-analysis.ru/index.php/luchshij-soft-dlya-kontent-analiza/ (проверено 07.03.2024).
сообществами (к примеру, территориальной, религиозной, этнической и политико-идеологической направленности).
Данный метод позволяет выделять ряд таких характеристик пользователя, как социальные группы, к которым принадлежит пользователь, круг его общения, авторитетность и предпочтения пользователя [Смирнова, Петров, Бабийчук 2016: 153]. Таким образом, сетевой анализ позволяет изучать как взаимосвязи между пользователями в онлайн-пространстве, так и их предпочтения, реализуемые ими в определенных сообществах социальных сетей. Исследователи могут анализировать социальные графы, выявлять группы с общими интересами и определять влиятельных лидеров в онлайн-сообще-ствах. Этот метод помогает понять, как социальные связи влияют на формирование и проявление идентичности.
Стоит отметить, что все исследования в рамках сетевого анализа производятся посредством специализированного программного обеспечения. Как отмечают О.В. Попова и С.И. Суслов, в настоящее время для анализа сетевого взаимодействия в онлайн-пространстве чаще других используются программы Cytoscape, NetMiner, NetworkX, ORA, Pajek, SNAP, UCINet и другие продукты [Попова, Суслов 2021: 161].
Рассматривая основные тенденции эволюции методов сетевого анализа, ученые наиболее часто фокусируют внимание на эго-сетях и социальных графах. Однако социальные сети представляют собой чрезвычайно разнообразное поле для исследований, в связи с чем возникает необходимость подробнее рассмотреть другие подходы, в особенности связанные с технологиями анализа Big Data. Важно осознавать, что различные сети и мессенджеры предоставляют уникальные возможности для анализа социально-демографических характеристик сетевых сообществ, а также особенностей их коммуникаций и политических позиций. Некоторые аспекты и ограничения для исследователей прямо коррелируют с правилами конкретных социальных сетей и мессен-джеров, которые тесно связаны с информационной политикой их правообладателей, например, запрет парсинга и поиска информации о пользователях социальной сети, как, к примеру, это делает Facebook и Instagram . Для российских исследователей крупнейшая русскоязычная виртуальная социальная сеть ВКонтакте все же позволяет собирать информацию о своих пользователях посредством парсинга [Попова 2018: 291].
Стратегия анализа данных основана на программных методах, которые являются «нереактивными», поскольку обходятся без прямого взаимодействия с пользователями. Полученные данные о взаимоотношениях «дружбы» и членстве пользователей в сообществах социальной сети могут быть формализованы путем построения графовых моделей политико-идеологических онлайн-сообществ. Графовые математические модели прекрасно подходят для представления данных, описывающих связи между объектами. При этом используются такие специализированные методы, как анализ кластерной структуры и оценка авторитетности/центральности узлов. Важно отметить, что эти методы отличаются от статистических методов кластеризации/ранжирования объектов, поскольку они базируются на структуре взаимосвязей [Бадмацыренов, Цыденов, Хандаров 2021: 196].
Так, можно исследовать связи между различными онлайн-сообществами интересующих социальных групп и то, с какими по тематике сообществами
Продукты компании Meta, признанной экстремистской и запрещенной на территории Российской Федерации.
у них присутствуют наибольшие пересечения. Таким образом, можно выявить, к примеру, структуру онлайн-идентичности различных групп населения, представленных в онлайн-среде, посредством выявления типичных для них как для пользователей тематики сообществ. Следовательно, пользователи порождают кластеры, образованные по признаку общих подписчиков, и именно по их пересечению мы сможем выделить как структуру идентичности, так и ее вид.
Исследования цифрового следа. Новейший подход к изучению идентичности в цифровой социологии приходит к нам в виде исследований так называемых цифровых следов пользователя, т.е. совокупности данных о деятельности человека в Интернете [Кондаков, Костылева 2019: 209]. Исследователи, как правило, выделяют 2 вида цифрового следа: когда человек умышленно формирует свой онлайн-портрет какими-либо данными и когда сведения о сетевой активности формируются без его ведома [Листвина 2020: 15]. Как отмечают А.М. Кондаков и А.А. Костылева, у цифрового следа есть несколько слоев, которые, в свою очередь, могут быть представлены совершенно разными данными. Во-первых, это информация, которую пользователь умышленно оставляет о себе и может контролировать (имя, фамилия, город проживания, место работы, интересы, религиозные предпочтения, политические взгляды и т.д.). Во-вторых, это данные, которые человек не может контролировать непосредственно: это информация, собираемая, как правило, без его ведома (длительность и конкретное время его присутствия в социальных сетях, геолокация, файлы cookie и т.д.). В-третьих, это интерпретация двух предыдущих слоев, формирование профиля человека на основе как открытых, так и остаточных данных о нем [Кондаков, Костылева 2019: 210].
Таким образом, можно прийти к выводу, что современные технологии создают множество цифровых следов, оставленных пользователями в онлайн-пространстве, включая поисковые запросы, местоположение, историю просмотра и другие данные. Исследователи могут использовать эти цифровые следы для анализа поведения пользователей и выявления особенностей их социальной идентичности. Это наименее исследованный подход к определению социальной идентичности пользователя социальной сети, т.к. он включает в себя не самые доступные данные для анализа, вроде геолокации человека и метаданных его файлов.
Среди методов, используемых социологами в рамках исследований цифровых следов, применяются такие методы, как систематизация, опрос, включенное наблюдение и анализ документов. Подобные подходы в социологии являются основой междисциплинарных исследований цифровых следов пользователей Интернета, поскольку позволяют получить данные для ответа на вопросы, поставленные другими социальными науками.
Как отмечают исследователи, в рамках подобного рода исследований находят свое применение следующие эмпирические методы:
1) наблюдение - исследование поведения людей в социальных сетях;
2) эксперимент - идентификация человека в сети Интернет по цифровым следам;
3) сравнение - исследование поведения людей в социальных сетях и анализ цифровых следов с точки зрения различных социальных наук.
Существует и специфика применения специальных социологических методов:
1) опрос и наблюдение - регистрация действий в сети Интернет;
2) сбор данных - выборочное обследование аккаунтов и сайтов;
3) обработка и анализ данных - системный анализ сайтов, описание аккаун-тов и юзеров социальных сетей [ОНЫег et а1. 2020: 132].
Отмечается, что у социологов присутствует некоторое недоверие к использованию цифрового следа в исследованиях. При этом можно выделить две основные проблемы.
Первая проблема - нерепрезентативность полученных данных с характеристиками реальных людей и социальных групп. На это влияет возможность создавать в социальных сетях страницы на основе умышленно ложной информации, которая не может репрезентировать реальную социальную идентичность юзера социальной сети. Эта сложность является самым главным предметом спора в подобного рода исследованиях, и у различных авторов еще не сложилось единое мнение по этому поводу. Одни считают, что нельзя отождествлять реальную и виртуальную идентичность, другие заявляют, что виртуальная реальность является лишь пространством для самопрезентации своей реальной идентичности [Соболева 2021: 20-21]. Однако специалисты сходятся во мнении, что в социологических исследованиях фейковые акка-унты препятствуют формированию репрезентативной выборочной совокупности [Примаков 2021: 279]. Для решения подобной проблемы предлагается использовать специфические способы отбора единиц информации. К их разновидностям относятся такие выборки, как панельная - выборка на основе проверенных баз пользователей; поточная - привлекающая респондентов с помощью таргетированной рекламы; доступная выборка - осуществляется после проведения исследования; критериальная выборка - соответствует таким специфическим критериям, как поведенческий аспект, активность в событиях, конфликтах и других параметрах; интенсивная выборка - фокусируется на единицах, максимально проявляющих характеристики исследуемой совокупности, определяясь числом пользователей, активностью постов и другими факторами; выборка экстремальных случаев - отбирает случаи, демонстрирующие специфические качества, например, масштабные конфликты или девиантное поведение участников; выборка максимальной вариации - включает единицы с существенно различающимися характеристиками; гомогенная выборка - основана на схожих характеристиках единиц; выборка типичных случаев - представляет приемы отбора с устойчивыми сочетаниями признаков; цепная выборка - эффективна в исследовании сообществ и социальных сетей через систему дружбы и отношений внутри сообществ, а также гиперссылки в исследуемых документах [Примаков 2021: 284-287].
Вторая проблема, связанная с использованием цифрового следа в исследованиях, - зависимость от специфики цифровых платформ. Социальные сети - коммерческие продукты, поэтому часть цифровых следов пользователя может быть недоступной для исследователей ввиду коммерческой тайны. Также некоторые виды данных о цифровом следе пользователя невозможно получить на законных основаниях. Так, например, Верховный суд Российской Федерации постановил, что обработка сведений пользователей без их согласия даже из общедоступных источников признается противоречащей законодательству о персональных данных [Губайдуллина 2021: 14].
Однако, несмотря на перечисленные недостатки, у данного методологического подхода существует ряд преимуществ, в т.ч. возможность изучения малых групп, не присутствующих в значимых количествах в географическом и в виртуальном плане. М.Б. Богданов и И.Б. Смирнов отмечают, что использование метода цифровых следов помогает исследовать на основе
сетевого поведения такие закрытые для посторонних сообщества, как мигранты, радикальные футбольные фанаты и т.д. Отмечается также, что с помощью сервисов социальных сетей по таргетированной рекламе можно выделить респондентов не только по их демографическим характеристикам, но и по поведению в сети, онлайн-интересам и т.п. [Богданов, Смирнов 2021: 314].
Таким образом, современные исследования идентичности человека с помощью его цифрового следа открывают ряд возможностей: в первую очередь это изучение открытых данных, которые оставил о себе сам человек на странице социальной сети. Следовательно, в зависимости от поставленных целей и задач исследования идентичности возникает реальная альтернатива крупномасштабным социологическим опросам. У исследователя непосредственно оказываются в наличии характерные описания идентичностей человека: места его проживания, политических взглядов, религиозной принадлежности, данных о тематике сообществ, в которых он состоит, и др. В свою очередь, сервисы таргетированной рекламы в социальных сетях позволяют выборочно опрашивать требуемые категории пользователей, что позволяет адресно изучить тех людей, которые характеризуются определенным поведением и разнообразными интересами.
Заключение. Цифровая социология включает разнообразные методы исследования социальной идентичности в онлайн-пространстве. Контент-анализ социальных медиа фокусируется на изучении как качественных данных, предоставляемых пользователями о себе, так и количественных показателей их сетевой активности. Сетевой анализ направлен на изучение количественных взаимосвязей между социальными группами, что позволяет выявить предпочтения и авторитетность объектов исследования в сетевом контексте. Исследования цифрового следа представляют новый метод, который включает в себя «умышленные» и «случайные» цифровые следы, по результатам анализа которых можно определить полноценный профиль пользователя. Эти эмпирические методы, включая наблюдение и эксперимент, позволяют систематизировать, обрабатывать и анализировать данные, что открывает новые возможности для исследования социальной идентичности. Совокупность представленных направлений позволяет более глубоко понять, как формируется и проявляется социальная идентичность у пользователей Интернета в цифровую эпоху. Рассматриваемые методологические подходы не только расширяют современное понимание онлайн-поведения людей, но и предоставляют новые перспективы для социологических исследований в сфере социальной идентичности в современном информационном пространстве.
Список литературы
Бадмацыренов Т.Б., Цыденов А.Б., Хандаров Ф.В. 2021. «Третье пространство», «эхо-камеры» и онлайн-сообщества: воспроизводство политических идеологий в социальных сетях. - Политическая наука. № 1. С. 183-204. http:// www.doi.org/10.31249/poln/2021.01.09
Богданов М.Б., Смирнов И.Б. 2021. Возможности и ограничения цифровых следов и методов машинного обучения в социологии. - Мониторинг общественного мнения: экономические и социальные перемены. № 1. С. 304-328. https://doi.org/10.14515/ monitoring.2021.1.1760.
Губайдуллина Э.Х. 2021. Проблемы и перспективы правового регулирова-
ния использования Больших данных в Российской Федерации. - Вопросы экономики и права. № 154. С. 14-17. DOI: 10.14451/2.154.14.
Кондаков А.М., Костылева А.А. 2019. Цифровая идентичность, цифровая самоидентификация, цифровой профиль: постановка проблемы. - Вестник Российского университета дружбы народов. Сер. Информатизация образования. Т. 16. № 3. С. 207-218. https://doi. org/10.22363/2312-8631-2019-16-3-207-218.
Листвина Е.В. 2020. Цифровое общество: социокультурный анализ цифрового следа. - Аспирантский вестник Поволжья. № 7-8. С. 14-18. https://doi. org/10.17816/2072-2354.2020.20.4.14-18.
Ницевич В.Ф. 2018. Цифровая социология: теоретико-методологические истоки и основания. - Цифровая социология / Digital Sociology. № 1. С. 18-28. https://doi.org/10.26425/2658-347X-2018-1-18-28.
Петров Е.Ю., Саркисова А.Ю. 2021. Ресурс аналитической платформы PolyAnalyst в социогуманитарных научных исследованиях. - Открытые данные - 2021: материалы форума. Севастополь, 30 сентября - 2 октября 2021 г. Томск: Изд-во Том. ун-та. С. 94-104.
Погорелов Д.Н. 2020. Структура виртуальной идентичности пользователей социальных сетей. - Казанский педагогический журнал. № 4(141). С. 262-268.
Попова О.В. 2018. Технологии больших данных в публичной политике. -Публичная политика: Институты, цифровизация, развитие (под ред. Л.В. Сморгунова). М.: Аспект Пресс. С. 286-294.
Попова О.В., Суслов С.И. 2021. Сетевой анализ политических интернет-сообществ: от формализованных к «ненаблюдаемым» группам. - Политическая наука. № 1. С. 160-182. http://www.doi.org/ 10.31249/poln/2021.01.07.
Примаков В.Л. 2021. Особенности формирования онлайн-выборок в социологических исследованиях. - Вестник Московского государственного лингвистического университета. Общественные науки. Вып. 4(845). С. 272-289. DOI: 10.52070/2500-347X_2021_4_845_272.
Смирнова О.С., Петров А.И., Бабийчук Г.А. 2016. Основные методы анализа, используемые при исследовании социальных сетей. - Современные информационные технологии и ИТ-образование. Т. 12. № 3-1. С. 151-158.
Соболева М.О. 2021. Особенности построения исследований виртуальной идентичности пользователей социальных сетей. - Вестник РГГУ. Сер. Психология. Педагогика. Образование. № 4. С. 14-23. DOI: 10.28995/20736398-2021-4-14-23.
Солдатова Е.Л., Погорелов Д.Н. 2018. Феномен виртуальной идентичности: современное состояние проблемы. - Образование и наука. № 5. С. 105-124.
Стефашина К.К. 2018. Контент-анализ социальных сетей как метод изучения удовлетворенности потребителей туристических услуг. - Туризм и гостеприимство сквозь призму инноваций: сборник статей IV Научно-практической конференции. Москва, 27 сентября 2018 г. М.: ИД «Университетская книга». С. 97-100.
Шульц В.Л., Гребенюк А.А., Ашманов И.С. 2022. Теоретико-методологические проблемы цифровой социологии. - Вестник Московского университета. Сер. 18. Социология и политология. № 28(1). С. 126-144. https://doi.org/10.24290/1029-3736-2022-28-1-126-144.
Kemp S. 2023. Digital 2023: The Russian Federation. - DATAREPORTAL. URL: https://datareportal.com/reports/digital-2023-russian-federation (accessed 07.03.2024).
Lupton D. 2015. Digital Sociology. London; N.Y: Routledge. 236 p.
Marres N.X. 2012. Redistribution of Methods: on Intervention in Digital Social Research, Broadly Conceived. - Sociological Review. Vol. 60. Is. 1-suppl. P. 139-165. Neal R. 2010. Expanding Sentience: Introducing Digital Sociology. N.Y 150 p. Olinder N., Tsvetkov A., Fedyakin K., & Zaburdaeva K. 2020. Using Digital Footprints in Social Research: an Interdisciplinary Approach. - WISDOM. Vol. 16. Is. 3. P. 124-135. https://doi.org/10.24234/wisdom.v16i3.403.. Wynn J. 2009. Digital Sociology: Emergent Technologies in the Field and the Classroom. - Sociological Forum. Vol. 24. Is. 2. P. 448-456. DOI: 10.1111/j.1573-7861.2009.
Xi N., Ma D., Liou M., Steinert-Threlkeld Z.C., Anastasopoulos J., Joo J. 2020. Understanding the Political Ideology of Legislators from Social Media Images. -Proceedings of the International AAAI Conference on Web and Social Media. Vol. 14. Is. 1. P. 726-737. DOI: https://doi.org/10.1609/icwsm.v14i1.7338
BADARAEV Damdin Dorzhievich, Dr.Sci. (Soc.), Associate Professor, Leading Research Associate of the Institute for Mongolian, Buddhist and Tibetan Studies, Siberian Branch of Russian Academy of Sciences (6 Sakh'yanovoj St, Ulan-Ude, Republic of Buryatia, Russia, 670047; damdin80@mail.ru)
TSYDENOV Aleksandr Batorovich, Research Intern, postgraduate student of the Institute for Mongolian, Buddhist and Tibetological Studies, Siberian Branch of Russian Academy of Sciences (6 Sakh 'yanovoj St, Ulan-Ude, Republic of Buryatia, Russia, 670047; tsydenovab@bsu.ru)
RESEARCH OF SOCIAL IDENTITY IN THE CONTEXT OF DIGITAL SOCIOLOGY: THEORETICAL AND METHODOLOGICAL ASPECT
Abstract. The article discusses methodological aspects of social identity research in the context of virtual social networks on the Internet. Various methodological approaches in the context of digital sociology are studied, such as content analysis, network analysis, and digital footprint analysis. The article discusses the main methods of data analysis used to extract information about social identity from content created and distributed by users on the network. The advantages and limitations of each method are also discussed in detail, and their contribution to understanding the dynamics of social interactions in the online environment is determined. The research is aimed at expanding the theoretical and methodological arsenal of researchers in the field of social identity, providing a deeper look at the relationship between digital technologies and personality formation in the modern information society.
Keywords: digital sociology, social identity, virtual identity, digital footprint, network analysis, content analysis
Статья поступила в редакцию 01.03.2024; одобрена после рецензирования 06.03.2024; принята к публикации 22.03.2024.
