CC BY
2УДК: 32.019.51 БКК: 60.84 ГРНТИ: 19.21.07 ВАК: 5.9.9
DOI: 10.24412/2949-2513-2023-30-173-186
Андреева Ю.В., Липатова А.В.
Казань, Россия
ОТРАЖЕНИЕ СОЦИАЛЬНЫХ СОБЫТИЙ В ИНФОРМАЦИОННОМ ПОЛЕ КАК СПОНТАННЫЕ И МОДЕЛИРУЕМЫЕ СТРАТЕГИИ
ИНФОРМАЦИОННЫХ ВОЛН
Аннотация. Социально-значимые события, происходящие в мире реальном, находят свое отражение в информационном поле как спонтанные или моделируемые информационные волны, имеющие период активности, регрессии, резонанса, а также повторения различных фаз и процессов. В статье представлен авторский взгляд на феноменологию явления с позиции междисциплинарного подхода. Предложен концептуальный взгляд на «информационную волну» как на феномен распространения резонансной информации, расширения круга ее интерпретаций. Предложена методология исследования информационной волны с учетом современных паттернов медиапотребления, приемов политического медиавлияния. Исследование опиралось на метод кейсов, явления информационной волны рассмотрены на примере введения тематики самоизоляции в Республике Татарстан (2020), спортивного скандала (2022), обсуждения рисков ИИ (чат GPT), дискуссии, развернутой в 2023 г. Предложена модель информационной волны, выявлены основные этапы и механизмы ее формирования (нарастание, пик, спад, повторный пик). Представлены явления медиавлияния в ситуации информационной волны: рассогласованность основного семантического ядра новости и интерпретаций, кумулятивный резонанс, эффект «обратной волны».
Ключевые слова: информационная волна, информационное поведение, медиа аудитория, медиавлияние, моделирование медиавлияния
Andreeva Y.V., Lipatova A.V. Kazan, Russia
REFLECTION OF SOCIAL EVENTS IN THE INFORMATION FIELD AS SPONTANEOUS AND MODELLED STRATEGIES OF INFORMATION
WAVES
Abstract. Socially significant events occurring in the real world are reflected in the information field as spontaneous or modelled information waves having the period of activity, regression, resonance, as well as repetition of various phases and processes. The article presents the author's view on the phenomenology of the phenomenon from the position of interdisciplinary approach. A conceptual view of the "information wave" as a phenomenon of resonance information spreading, expanding the range of its interpretations is proposed. The methodology of information wave research is proposed, taking into account modern patterns of media consumption and methods of political media influence. The research was based on the method of cases, the phenomena of information wave were considered on the example of the introduction of the topic of self-isolation in the Republic of Tatarstan (2020), sports scandal (2022), discussion of AI risks (GPT chat room), discussion unfolding in 2023. The model of information wave was proposed, the main stages and mechanisms of its formation (growth, peak, decline, repeated peak) were revealed. The phenomena of media influence in the situation of information wave are presented: the discordance of the main semantic core of news and interpretations, cumulative resonance, the effect of "reverse wave".
Keywords: information wave, information behaviour, media audience, media influence, media influence modelling, media influence modelling
Введение
В информационном обществе с высоким уровнем авторства «свободных участников» медиа поля, непредсказуемости и неопределенности, социальной энтропии все больше актуализируется проблема частичной управляемости массовой аудиторией с помощью моделирования и прогнозирования развития информационных потоков. Влияние информации на поведение массовой аудитории в ситуации лавинообразного нарастания информационных медиа потоков исследуется с позиции разных наук: социологии и психологии, математической статистики, когнитивных подходов. Активную масштабную «информационную волну» нередко сравнивают с эмоциональной индукцией или информационной эпидемией: необычная и значимая информация стремительно преодолевает границы, взлетая в рейтинги просмотров. Информационный «иммунитет» аудитории нарабатывается со временем, когда аудитория получает оценку достоверности, масштабности явления. Информационные волны часто смещают акцент с социально-значимых проблем на искусственные, смоделированные (в том числе с применением технологий искусственного интеллекта). Благодаря критическом мышлению и пониманию специфики информации человечество вырабатывает «информационный иммунитет», выстраивает информационную защиту: учится закрываться от агрессивного инфопотока в «информационных комнатах», перепроверять данные в альтернативных источниках, сопоставлять и игнорировать информационные атаки. Целью исследования стало исследование феноменологии явления «информационной волны», выявление стратегий моделирования влияния инфоволны на медийные аудитории.
Обзор литературы
Информационная (эмоциональная) индукция была описана в начале XXI века [Hethcote, 2000], когда было высказано предположение: распространение информации сродни эпидемии. Была предложена детерминированная модель эпидемии SIR (susceptible - infected - removed), в которой распространение информации представлялось как процесс передачи эпидемии от одного индивида (агента) к другому. Расширенная модель SIR включает в себя
вероятность перехода агента из невосприимчивого состояния в уязвимое. Возникает вопрос с «выздоровлением» агента: на практике сложно представить ситуацию с полным стиранием информации из эмпирического опыта индивида. В сознании (а возможно, и подсознании) событие может «заякориться», закрепиться маркером и даже превратиться в детерминанту.
Математические модели распространения информации были предложены еще в 1960-80-х гг. (модель Далея-Кендалла, модель клеточного автомата, модель с порогами, модель независимых каскадов, марковская модель влияния), однако исследователи активно используют их и по сей день. Isea R., Mayo-García R. [Isea, Mayo-García, 2015], опираясь на модель Далея-Кендалла, исследовали распространение информации на примере изменения данных о курсе доллара в Венесуэле, когда фокус внимания аудитории был смещен в область слухов («голоса, который звучат в толпе»).
Д.К. Горковенко [Горковенко, 2017] проводит сравнительный анализ моделей эпидемии и клеточного автомата при моделировании распространения информации в социальных сетях. Адаптивность состояния игрока позволяет менять стратегии, замещая собственное мнение на мнение другого агента. Модель «клеточного автомата» активно используется в эпидемиологии, наработки в этой области переходят в исследования вирусного маркетинга [Башабшех, Масленников, Скворцов, 2013], [Утакаева, 2016].
Попытку смоделировать процесс информационного распространения предпринимают в компьютерных экспериментах [Носова, Сенникова, 2014]. Методику выявления каналов распространения информации в социальных сетях разработала группа санкт-петербургских исследователей: создан алгоритм сбора данных об информационных объектах и отображения результатов [Проноза, Виткова, Чечулин, Котенко и др., 2018].
Рассмотренные выше подходы недостаточно полно освещают информационное воздействие с точки зрения понимания закономерностей нарастания информационной волны как единого в пространственно-
временном континууме процесса. Исследователь из Калифорнийского университета М. Франческетти [Franceschetti, 2017] предлагает не ограничиваться в анализе медиа влияния математическими моделями и рассмотреть в контексте физики - в частности, волновой теории. Сравнивая с распространением электромагнитных волн в различных средах, он связывает степень свободы сигнала с ограниченной полосой пропускной способности. На наш взгляд, из физической теории применимо к информационной можно использовать понятия амплитуды, резонанса, интерференции волн.
Иную точку зрения на медиа влияние можно найти в работах медиа философа В.В. Савчука. Он представляет медиареальность как самостоятельную, самовоспроизводящуюся, автореферентную [Савчук, 2013]. Можно ли управлять медиареальностью, если она живет по «своим» законам; возможно ли полностью просчитать и предугадать развитие событий?
А.В. Болотнов [Болотное, 2015] связывает новостные поводы с характером информационной волны (по степени воздействия, продолжительности, характеру распространения - кумулятивный резонанс; каскад; воронка; призма). Группа ученых [Cha, Haddadi, Benevenuto, Gummadi, 2010] в исследовании динамики влияния пользователей в социальной сети приходит к выводу, что лидеры мнений могут оказывать влияние на множество тем, а их влияние достигается не спонтанно или случайно, а благодаря согласованным усилиям. Авторский коллектив выработал своё мнение о некоторых законах медиареальности, которые были сформулированы в предыдущих публикациях [Andreeva, Lipatova, Mukhamadullin, 2019], [Андреева, Липатова, 2022]. Опыт практической и исследовательской деятельности позволяет судить о частичной управляемости медицинах волн, а также о зоне вариативности влияния. В цифровом и управляемом обществе значение влияния информации на поведение аудитории достигает значительных пределов.
Методы исследования
Методология исследования «информационной волны» находится на стадии становления. На практике обследование ограничивается количественными методами и моделированием, что дает лишь поверхностный и однобокий взгляд на явление. Слабо учитывается роль семантических слоев и семиотики интерпретаций. В моделировании информационной волны зачастую применяют кибернетический подход (например, математические модели), в то время как ее функционирование в общественном пространстве предполагает некую стохастичность, обусловленную человеческим фактором. В отечественных и зарубежных исследованиях описаны модели информационной волны, однако во многих из них упускается роль влияния лидера, а также функционирование волны в контексте социальных изменений, влияния событий и интерпретаций. Новость передается от одного агента к другому, однако слабо учитывается, как меняются коннотации, как новость «обрастает» новыми смыслами.
Гипотезой исследования может быть идея о том, что феномены развития информационных волн различной событийной и социальной природы могут иметь общие закономерности при уникальных характеристиках (таких как интенсивность нарастания объема информации, коннотации оценок и мнений вокруг повода).
Для проверки гипотезы исследования был использован метод сравнительного анализа моделей несколько информационных волн (на базе аналитического сервиса «Google Trends», поисковой системы Яндекс и материалов региональных медиа (Республика Татарстан), социальных сетей). Параметрами исследования выступили: оценка информационного фона события в количественных показателях популярности запросов по информационному поводу и качественных характеристиках - интерпретации события путем дискурс-анализа и нарративного анализа медиа текстов.
Результаты и обсуждение
В ходе исследования был проведен сравнительный анализ моделей информационных волн информационных поводов, возникших в разное время:
тема самоизоляции в Республике Татарстан (2020), тема дисквалификации российской спортсменки, тема применения искусственного интеллекта и рисков, связанных с развитием этой технологии (2022-2023).
I. Введение самоизоляции в РТ (2020).
Информационное поле события. С 30 марта 2020 года в Республике Татарстан стремительно и директивно введен режим самоизоляции для всех жителей - в связи с недопущением распространения новой коронавирусной инфекции C0VID-2019. На экстренном брифинге заместитель Премьер-министра РТ Л. Фазлеева огласила правила поведения и ограничений для жителей республики.
В ходе исследования было проведено моделирование информационной волны по теме самоизоляции в Татарстане. На основе статистики аналитического сервиса «Google Trends» и поисковой системы «Яндекс» было выделено четыре контрольных периода (рис. 1.):
1. 24-29 марта - нарастание пика с практически нулевых значений - до пиковых показателей, готовится «почва» для введения самоизоляции в РТ (в соцсетях распространяются слухи «Москву закрывают», «Казань закрывают» и т.д.);
2. 29 марта - 4 апреля - пик («Google Trends»: 100 - максимальное значение). Период совпадает с введением первых ограничительным мер для населения Республики Татарстан. Согласно поисковой системе «Яндекс», за эту же неделю в СМИ было опубликовано 2504 сообщения по тегу «Татарстан самоизоляция». Главной новостью стало введение режима ограничительных мер и работа смс-пропусков для передвижения по территории региона. Прирост заболевших в Татарстане составил 14 человек.
3. 5 апреля - 2 мая - спад в четырехкратном размере («Google Trends»: 22-28). По данным поисковой системы «Яндекс», в СМИ тема самоизоляции в Татарстане была затронута в 4663 сообщениях. Прирост заразившихся Covid -19 в регионе составил плюс 935 человек, тем самым заболевших стало больше в 68,5 раз больше.
4. 10-16 мая - повторный пик («Google Trends»: 98). В СМИ на эту тему было «всего» 994 сообщения, а количество зараженных выросло на 477 человек.
Рис. 1. "Google Trends" - динамика популярности запроса «самоизоляция в Татарстане» за период с 03.22.2020 по 06.13.2020
II. Спортивный скандал
Информационное поле события. Выступление на 0лимпиаде-2022 российской спортсменки Камилы Валиевой и связанный с этим «допинговый скандал» (январь-февраль 2022 г.), выделено 4 периода (рис. 2):
1. Общая формулировка проблемы без указания персоналий (разразился скандал, связанный с допинг-пробой одного из представителей сборной России по фигурному катанию, выигравшей командный турнир).
2. Информационный вакуум (заполняется версиями и предположениями, например, такие как: «Камила Валиева не выходит из номера»); официальное подтверждение проблемной ситуации.
3. Нарастание напряженности, неопределенность ситуации допуска к соревнованиям, качели «допустят - не допустят» (неудачная тренировка «упала на лед с двух четверных тулупов», отсутствие комментариев от тренерского штаба, К. Валиева проходит с прикрытым лицом мимо микст-зоны, поддержка спортсменки).
4. Допуск спортсменки на соревнования, разрешение ситуации выступлением.
20 фев
Рис. 2. Google Trends: динамика запроса по теме участия К.Валиевой в 0лимпиаде-2022 (2022 г.)
На основе статистики аналитического сервиса «Google Trends» был выявлен плавное нарастание внимания аудитории к теме искусственного интеллекта (информационная волна, длительная по времени, с малым возмущением амплитуды):
5июл.2020г. 23 ЯНЕ. 2022 г. 13авг 2023г
Рис. 3. Google Trends: динамика запроса по теме искусственного интеллекта (artificial intelligence) в мире (2020-2023 гг.)
III. Риски искусственного интеллекта
Информационное поле события. Искусственный интеллект в 2023 г. стал объектом интереса студентов, журналистов и всех тех, кто работает с информацией [Limon, Plaster, 2022]. С внедрением доступного чатбота GPT, который не только сканирует информационное поле (анализ больших данных), и моделирует, творит, создает, интерпретирует «реальную реальность», развернулась новая полемика об уникальности авторского контента, достоверности информации и маркера «человечного в человеке», дифференцирующего мир людей и мир машин. Emotion AI в системах распознавания считывает выражения лица при помощи любого оптического
датчика (веб-камеры), алгоритмы распознают мимику. Продвинутые решения в области эмоционального искусственного интеллекта (Affectiva или Kairos), дадут классификацию базовых эмоций почти безошибочно: радость, грусть, гнев, презрение, отвращение, страх и удивление. Компания Nemesysco тестирует технологию Layered Voice Analysis (LVA) (многоуровневый анализ голоса) для выявления напряженности, обмана в речи, используя более 150 неконтролируемых биомаркеров эмоций.
Внедрение чата GPT демонстрирует резкое высокоамплитудное нарастание информационной волны, которая начала рост в декабре 2022 года
Z L Л
1 S GL 1 IZ
4 окт. 2020г. 24 июл. 2022г.
Рис. 4. Google Trends: динамика запроса по теме GPT чата в России (2020-2023 гг.)
Имитируя интеллект человека с возможностями обучения и принятия решений, в том числе без участия человека, искусственный интеллект создает опасность формирования автономной логики и другие риски. Именно вокруг рисков сосредоточена основной объем информационных сообщений на эту тему. С внедрением доступного чатбота GPT, который не только сканирует информационное поле (проводит анализ больших данных), но и моделирует, творит, создает, интерпретирует «реальную реальность», развернулась новая полемика о достоверности информации. В новостной повестке фиксируется мысль, что самообучающийся генеративный алгоритм открывает современному человеку новые возможности в сфере научного поиска, сбора и анализа информации, освобождая от рутинной и чересчур объемной загрузки, вместе с тем, скорость его развития и неопределенность его влияния в будущем ввергают аудиторию в тревожное состояние.
Выводы
Исследование трех различных по тематике кейсов - социально политического явления, спортивного, научного, показало, что развитие информационной волны имеет схожую динамику. Отличительной особенностью является степень включенности аудитории (приближенности) к результатам события.
Таким образом, можно сделать вывод о том, что процесс освещения значимого события может быть представлен в виде спонтанной или моделируемой информационной волны. При этом феномены развития информационных волн как показывает эксперимент имеют общие закономерности даже при различных характеристиках. Проведенный обзор кейсов показал, что в информационной волне можно наблюдать эффект резонанса (усиления) или движения информационного потока (волны) в «обратном направлении», когда навстречу негативным коннотациям направляются сообщения, которые снижают отрицательную модуляцию и дальнейшее распространение информации. Таким образом, можно сделать предположение о том, что информационная волна подвержена влиянию и управлению как с позиции СМИ (транслятора) и с позиции ньюсмейкера (инициатора), так и с позиции активных аудиторий, которые могут стать антагонистами инициатора или спонтанными инициаторами «информационных всплесков».
Библиография
Андреева Ю.В., Липатова А.В. Управление информационной волной в контексте политического медиаобраза // Вопросы политологии. 2022. Т. 12. № 2(78). С. 434-439.
Башабшех М.М., Масленников Б.И., Скворцов А.В. Комбинированная имитационная модель пространственного распространения эпидемических заболеваний по холере на основе вероятностного клеточного автомата // Науковедение, 2013, № 3(16). С. 1-8.
Болотнов А.В. Информационные волны и их типы в современном медиадискурсе: к постановке проблемы // Вестник Томского государственного педагогического университета. 2015. № 6 (159). С. 102-106.
Горковенко Д.К. Сравнительный анализ моделей эпидемии и клеточного автомата при моделировании распространения информации в социальных сетях // Научно-
технические ведомости Санкт-Петербургского государственного политехнического университета. Информатика, телекоммуникации и управление. 2017. №3. Т.10. С. 103-113.
Носова М.В., Сенникова Л.И. Моделирование распространения информации в децентрализованных сетевых системах с нерегулярной структурой // Новые информационные технологии в автоматизированных системах. 2014. № 17. С. 329-335.
Проноза А.А. Методика выявления каналов распространения информации в социальных сетях / А.А.Проноза, Л.А.Виткова, А.А.Чечулин, И.В.Котенко, Д.В. Сахаров // Вестник Санкт-Петербургского университета. Прикладная математика. Информатика. Процессы управления. - 2018. - с. 362-375.
Савчук В.В. Феномен поворота в культуре XX века // Международный журнал исследований культуры. 2013. №1 (10). URL: https://cyberleninka.ru/article/n/fenomen-povorota-v-kulture-xx-veka (дата обращения: 12.12.2023).
Утакаева И.Х. Имитационное моделирование распространения эпидемий на основе агентного подхода // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2016. № 121. С. 55-63.
Andreeva Yu.V., Lipatova A.V. Mukhamadullin S.R. (2019). Transformation of positive and negative image characteristics of a politician formed by media. Turismo: Estudos & Práticas (UERN), Mossoró/RN, Caderno Suplementar 01.
Cha M., Haddadi H., Benevenuto F., Gummadi K.P. (2010). Measuring User Influence in Twitter: The Million Follower Fallacy. ICWSM '10.
Franceschetti M. Wave theory of information. Cambridge University Press, 2017, 451 p.
Hethcote H.W. (2000) The mathematics of infectious diseases. SIAMReview, 42 (4): 599653.
Isea R., Mayo-García R. (2015) Mathematical analysis of the spreading of a rumor among different subgroups of spreaders. Pure and Applied Mathematics Letters, pp. 50-54.
Limon D., Plaster B. (2022). Digital Transformation. Can AI Teach Us How to Become More Emotionally Intelligent? URL: https://hbr.org/2022/01/can-ai-teach-us-how-to-become-more-emotionally-intelligent_ (дата обращения: 12.12.2023).
References
Andreeva YU.V., Lipatova A.V. (2022). Upravlenie informacionnoj volnoj v kontekste politicheskogo mediaobraza. Voprosy politologii. 12, 2 (78): 434-439.
Andreeva Yu.V., Lipatova A.V. Mukhamadullin S.R. (2019). Transformation of positive and negative image characteristics of a politician formed by media. Turismo: Estudos & Práticas (UERN), Mossoró/RN, Caderno Suplementar 01.
Bashabshekh M.M., Maslennikov B.I., Skvorcov A.V. (2013). Kombinirovannaya imitacionnaya model' prostranstvennogo rasprostraneniya epidemicheskih zabolevanij po holere na osnove veroyatnostnogo kletochnogo avtomata. Naukovedenie. 3 (16): 1-8.
Bolotnov A.V. (2015) Informacionnye volny i ih tipy v sovremennom mediadiskurse: k postanovke problem. Vestnik Tomskogo gosudarstvennogo pedagogicheskogo universiteta. 6 (159): 102-106.
Cha M., Haddadi H., Benevenuto F., Gummadi K.P. (2010). Measuring User Influence in Twitter: The Million Follower Fallacy. ICWSM '10.
Franceschetti M. Wave theory of information. Cambridge University Press, 2017, 451 p.
Gorkovenko D.K. (2017) Sravnitel'nyj analiz modelej epidemii i kletochnogo avtomata pri modelirovanii rasprostraneniya informacii v social'nyh setyah. Nauchno-tekhnicheskie vedomosti Sankt-Peterburgskogo gosudarstvennogo politekhnicheskogo universiteta. Informatika, telekommunikacii i upravlenie. 3 (10): 103-113.
Hethcote H.W. (2000) The mathematics of infectious diseases. SIAMReview, 42 (4): 599653.
Isea R., Mayo-García R. (2015) Mathematical analysis of the spreading of a rumor among different subgroups of spreaders. Pure and Applied Mathematics Letters, pp. 50-54.
Limon D., Plaster B. (2022). Digital Transformation. Can AI Teach Us How to Become More Emotionally Intelligent? URL: https://hbr.org/2022/01/can-ai-teach-us-how-to-become-more-emotionally-intelligent (accessed: 12.12.2023).
Nosova M.V., Sennikova L.I. (2014) Modelirovanie rasprostraneniya informacii v decentralizovannyh setevyh sistemah s neregulyarnoj strukturoj. Novye informacionnye tekhnologii v avtomatizirovannyh sistemah. 17: 329-335.
Pronoza A.A., Vitkova L.A., Chechulin A.A., Kotenko I.V., Saharov D.V. (2018) Metodika vyyavleniya kanalov rasprostraneniya informacii v social'nyh setyah. Vestnik Sankt-Peterburgskogo universiteta. Prikladnaya matematika. Informatika. Processy upravleniya. Pp. 362-375.
Savchuk V.V. (2013) Fenomen povorota v kul'ture XX veka. Mezhdunarodnyj zhurnal issledovanij kul'tury. 1 (10). URL: https://cyberleninka.ru/article/n/fenomen-povorota-v-kulture-xx-veka (accessed: 12.12.2023).
Utakaeva I.H. (2016) Imitacionnoe modelirovanie rasprostraneniya epidemij na osnove agentnogo podhoda. Politematicheskij setevoj elektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta. 121: 55-63.
Сведения об авторах
Андреева Юлия Валентиновна - доктор педагогических наук, профессор, профессор кафедры телепроизводства и цифровых коммуникаций Высшей школы журналистики и медиакоммуникаций Казанского (Приволжского) федерального университета, e-mail: andreevsemen@mail.ru.
Липатова Анна Вячеславовна - кандидат политических наук, доцент кафедры общей и этнической социологии Института социально-философских наук и массовых коммуникаций Казанского (Приволжского) федерального университета, e-mail: anna-shab@mail.ru.
Andreeva Yulia V. - Doctor of Pedagogical Sciences, Professor, Professor of the Department of Television Production and Digital Communications of the Higher School of Journalism and Media Communications of the Kazan (Volga Region) Federal University, e-mail: andreevsemen@mail.ru.
Lipatova Anna V. - Candidate of Political Sciences, Associate Professor of the Department of General and Ethnic Sociology of the Institute of Social and Philosophical Sciences and Mass Communications of Kazan (Volga Region) Federal University, e-mail: anna-shab@mail.ru.
