CC BY
7
®
СОЦИОЛОГИЯ ИНТЕРНЕТА
DOI: 10.14515/monitoring.2024.2.2515
И.А. Анкудинов
ПАТРИОТИЧЕСКИЙ ДИСКУРС В РУНЕТЕ: ДО И ПОСЛЕ 24 ФЕВРАЛЯ 2022 г.
Правильная ссылка на статью:
Анкудинов И. А. Патриотический дискурс в Рунете: до и после 24 февраля 2022 г. // Мониторинг общественного мнения: экономические и социальные перемены. 2024. № 2. С. 153—177. https://doi.Org/10.14515/monitoring.2024.2.2515. For citation:
Ankudinov I. A. (2024) Patriotic Discourse in Runet: Before and after February 24, 2022. Monitoring of Public Opinion: Economic and Social Changes. No. 2. P. 153-177. https:// doi.org/10.14515/monitoring.2024.2.2515. (In Russ.)
Получено: 05.11.2023. Принято к публикации: 21.02.2024.
ПАТРИОТИЧЕСКИЙ ДИСКУРС В РУНЕТЕ: ДО И ПОСЛЕ 24 ФЕВРАЛЯ 2022 Г.
АНКУДИНОВ Иван Андреевич — ассистент, департамент политики и управления факультета социальных наук, Национальный исследовательский университет «Высшая школа экономики», Москва, Россия E-MAIL: iaankudinov@edu.hse.ru https://orcid.org/0000-0002-7001-4163
Аннотация. Зафиксированный после 24 февраля 2022 г. патриотический подъем нашел своеобразное отражение в русскоязычном сегменте интернета. Хотя социологи почти единодушны в том, что социальное самочувствие граждан и их отношение к властям улучшились, цифровые следы этих изменений не так заметны: невооруженным взглядом видна только усилившаяся поляризация по линии «за — против». В работе измеряется непосредственный (краткосрочный) эффект, который начало СВО оказало на настроения российских интернет-пользователей. Основываясь на анализе тональности свыше 300 тыс. публикаций в социальных сетях, автор показывает, что онлайн-среда почти не восприняла тот консенсус, который, по всей видимости, сложился в офлайн-пространстве. Результаты оценки регрессионных моделей и тематического моделирования показывают незначительный, но статистически значимый рост «негатива» в интернет-публикациях на связанные с патриотизмом темы после начала СВО. При этом вторым переломным моментом с точки зрения тональности публикаций на тему патриотизма стало принятие закона о дискредитации армии 4 марта 2022 г.—в этой точке происходит небольшое частичное восстановление.
PATRIOTIC DISCOURSE IN RUNET: BEFORE AND AFTER FEBRUARY 24, 2022
Ivan A. ANKUDINOV 1 — Teaching Assistant, School of Politics and Governance, Faculty of Social Sciences E-MAIL: iaankudinov@edu.hse.ru https://orcid.org/0000-0002-7001-4163
1 HSE University, Moscow, Russia
Abstract. The patriotic upsurge recorded after February 24, 2022 found a very peculiar reflection in the Russian-language segment of the Internet. Although the pollsters are almost unanimous in the fact that the social well-being of citizens and their attitude towards the authorities have improved, the digital footprints of these changes are not so noticeable — from the outside, only the increased polarization along the for—against line is visible. This study measures the immediate (short-term) effect that the onset of the special military operation in Ukraine had on the sentiment of the Russian Internet users. Based on a sentiment analysis of over 300 thousand publications on social networks, the author shows that the online environment almost did not accept the consensus that, apparently, had developed in the offline space. The results of regression and thematic analysis show a slight but statistically significant increase in negativity in Internet publications on topics related to patriotism after the onset of the special military operation. The second turning point in terms of the tone of publications on the topic of patriotism was the adoption of the law on discrediting the army on March 4, 2022 — at this point the probability of seeing a positive post increases. In addition, the analysis shows that the
Кроме того, проведенный анализ показывает, что использование отечественных социальных сетей устойчиво связано с более позитивной тональностью рассмотренных сообщений по сравнению с зарубежными. Автор предполагает, что причина наблюдаемого противоречия заключается в специфике аудитории Рунета, более склонной к политическому активизму и демонстрации своих взглядов по сравнению с населением страны в целом.
Ключевые слова: патриотизм, СВО, Рунет, социальные сети, анализ текстов, эффект сплочения
Благодарность. Автор выражает искреннюю благодарность Д.В. Сальниковой за правки и помощь в разработке дизайна исследования.
use of Russian social networks is consistently associated with a more positive tone of the messages compared to foreign ones. The author suggests that the reason for the observed contradiction lies in the specifics of the Runet audience, which is more prone to political activism and identity demonstration compared to the general population of the country.
Keywords: patriotism, SMO in Ukraine, Runet, social media, text analysis, rally 'round the flag effect
Acknowledgments. The author expresses sincere gratitude to Daria Salnikova for edits and assistance in developing the study design.
Введение
Сегодня пользователи сети оставляют столь значимое количество цифровых следов, что по ним можно прогнозировать некоторые вполне реальные политические действия, потенциал которых в силу тех или иных причин недооценивается полстерами. Наиболее показательный пример такого действия — протест, форма публичного проявления нелояльности, чреватая санкцией со стороны властей и создающая у респондента стимул скрывать оппозиционные убеждения [Freelon, McIlwain, Clark, 2018; Ахременко, Стукал, Петров, 2020]. На более высоком уровне нелояльность может маркироваться как девиантное, «антипатриотическое» поведение, а к государственным санкциям часто добавляется социальное осуждение. И в том, и в другом случае недостатки опросного метода часто усугубляются неконкурентностью политической системы и/или ее нахождением в кризисной ситуации, когда риски подвергнуться наказанию особенно велики.
Один из таких кризисов наступил в России 24 февраля 2022 г. С началом СВО — специальной военной операции на территории Украины — россияне испытали патриотический подъем, механизм которого подробно описан в литературе об эффектах сплочения («ралли вокруг флага») [Казун, 2017]. Массовые опросы продемонстрировали типичную для этого эффекта динамику, а именно значимый рост поддержки инкумбента и улучшенное социальное самочувствие 1. При этом
1 Рейтинги доверия политикам, оценки работы президента и правительства, поддержка политических партий // ВЦИОМ. 2022. 4 марта. URL: https://wciom.ru/analytical-reviews/analiticheskii-obzor/reitingi-doverija-politikam-ocenki-raboty-prezidenta-i-pravitelstva-podderzhka-politicheskikh-partii-20220304 (дата обращения: 08.04.2024); Доминанты. Поле мнений. Выпуск 9 // ФОМ. 2022. 11 марта. URL: https://fom.ru/Dominanty/14696 (дата обращения: 08.04.2024).
часть общества не поддержала решение о вводе войск. Будучи меньшинством, представители этой группы, тем не менее, активнее других выражали недовольство, которое выливалось в том числе в уличные акции.
В настоящей работе исследуется отражение этого раскола — между «солидарным большинством» и «активным меньшинством» — в социальных сетях. Онлайн-площадки, ощутившие беспрецедентный приток новых пользователей на фоне усиления новостного давления 2, традиционно считались более открытым и свободным каналом коммуникации, нежели «старые» медиа [Reuter, Szakonyi, 2015]. Если исходить из этой логики, концентрация противников СВО в сети должна была предотвратить доминирование в ней патриотических настроений — во всяком случае, в тех пропорциях, которые фиксирует опросная социология. С другой стороны, масштаб ралли-эффекта и усилия по контролю за информационными потоками не могли не сказаться на массовой аудитории, потребляющей контент общественно-политического характера. В пользу этого довода говорят стремительно набирающие популярность сообщества на военно-патриотическую тематику [Urman, Makhortykh, 2022].
Чтобы определить, какая из этих тенденций возобладала, мы проводим анализ влияния СВО на наполнение «патриотических» публикаций в сети. Мы концентрируемся на краткосрочном, то есть непосредственном эффекте начала операции, оставляя в стороне ее долгоиграющие последствия. По истечении нескольких месяцев «ралли», как и любое макрополитическое событие, имеет тенденцию к затуханию — это интересно нам в меньшей степени, так как проконтролировать все сопутствующие изменения на таком длинном горизонте почти невозможно. Основываясь на массиве из более чем 300 тыс. сообщений, опубликованных в русскоязычном интернете с 1 января по 1 апреля 2022 г., мы последовательно применяем три техники количественной обработки текстов: анализ тональности, регрессионный анализ 3 и тематическое моделирование. Первые два метода призваны показать, как менялся эмоциональный окрас соответствующих публикаций до и после 24 февраля — даты, выполняющей роль своеобразного триггера для обеих сторон онлайн-дискуссии. Третий ориентирован скорее на содержание постов о патриотизме, которое, как мы полагаем, также изменилось в результате февральских событий.
Формально говоря, мы ставим перед собой вопрос, каким образом (количественно и качественно) изменилось наполнение патриотических публикаций после 24 февраля 2022 г. Основная гипотеза состоит в том, что действие разнонаправленных потоков информации (условно говоря, проправительственного и антиправительственного) привело к нивелированию эффекта сплочения, и какого-либо существенного «перекоса» в пользу позитивных комментариев за началом спецоперации не последовало. Соответственно, цель работы — выявление зна-
2 Аудитория социальных сетей и мессенджеров // Левада-центр. 2023. 18 апреля. URL: https://www.levada. ru/2023/04/18/auditoriya-sotsialnyh-setej-i-messendzherov/ (дата обращения: 08.04.2023) (данный материал создан и распространен средством массовой информации, признанным выполняющим функции иностранного агента).
3 Конечно, сам по себе регрессионный анализ не является методом обработки текстов. В ходе работы мы используем лишь отдельные модели, позволяющие представить публикационную активность пользователей в виде ряда и оценить его изменчивость. В частности, речь пойдет о кусочной регрессии (piecewise regression), порядковой логистической регрессии и авторегрессии с экзогенными ковариатами.
чимых изменений в патриотических текстах до и после ключевой даты. Забегая вперед, можно сказать, что таковых—во всяком случае, в ожидаемом направлении — не обнаруживается, что позволяет нам говорить о как минимум нелинейных взаимоотношениях «офлайна» и «онлайна».
Рунет как (кривое) зеркало общественного мнения
Может ли активность человека в сети послужить лучшим источником, чем его ответы на вопросы социологов? Пока исследователи склоняются к тому, что нет [Smetanin, 2020: 110713]. Несмотря на то что сетевая информация носит нереактивный характер, то есть не предполагает воздействия на респондента и может быть собрана без его участия, у нее есть свои недостатки. Она априори нестан-дартизирована, так как окружающие любой пост или комментарий обстоятельства оказываются за пределами внимания исследователя. Кроме того, в онлайн-среде ярче всего проявляется проблема самоотбора, когда авторами публикаций становятся люди, заведомо более инициативные и заинтересованные в вопросе, чем аудитория в целом [Schober et al., 2016]. Борьбу с названными ограничениями осложняют действия администрации площадок и федерального регулятора (Роскомнадзора), осуществляющих контроль за значительной частью публикуемого контента на предмет «нарушения правил сообщества».
Вопрос репрезентации населения его активным онлайн сегментом тем более спорен, что глубина пользования глобальной сетью даже для знакомых с технологией россиян значительно различается. Можно предположить, что Рунет «перепредставляет» молодежную аудиторию примерно в той же пропорции, в которой традиционные каналы коммуникации—более возрастную 4. Даже если попытаться обойти проблему социально-демографической представленности за счет взвешивания наблюдений по соответствующим параметрам, переменной, которая обозначала бы степень погружения в сеть (и включала бы тех, кто ей не пользуется), не существует. Иными словами, выборка пользователей сети является не просто цензурированной, а фокусированной.
Методологическую альтернативу подходу «интернет как выборка» предлагает социальный конструктивизм. Констатируя, что массовая информация имеет собственные законы распространения, конструктивисты видят в медиа «когнитивную копию» реальных настроений, создаваемую журналистами и онлайн-комментаторами [Spector, Kitsuse, 2017]. Аналитики делают из этого практический вывод, что интернет-аудиторию нужно рассматривать в качестве не плохой выборочной, а генеральной совокупности (см., например, [Feezell, Conroy, Guerrero, 2016]). В такой оптике достаточно, чтобы доступ к сети не был строго ограничивающим, а число пользователей составляло значительную часть населения страны. Если эти предпосылки соблюдены, мы можем отказаться от простого обобщения результатов путем перенесения выборочных коэффициентов на всю референтную группу, но вправе рассчитывать на какие-то более сложные эффекты: например, политические настроения в онлайн-сообществе часто распространяются по сетевому принципу, достигая в итоге существенную часть «офлайна» [Bisbee, Larson, 2017].
4 Медиапотребление и активность в интернете // ВЦИОМ. 2021. 23 сентября. URL: https://wciom.ru/analytical-reviews/analiticheskii-obzor/mediapotreblenie-i-aktivnost-v-internete (дата обращения: 04.01.2023).
Такую парадигму подтверждают многочисленные исследования, доказывающие, что более молодая и технически грамотная часть населения более восприимчива к информации и социально активна, а значит, и наиболее эффективна в качестве «распространителя идей» [Skoric et al., 2016; Chae, Lee, Kim, 2019; Трофимова, 2015]. Причем речь может идти как о протестных, так и о провластных настроениях. Первые, впрочем, изучены гораздо подробнее — поводом к этому стала серия революций, произошедших на фоне массированной экспансии социальных сетей в соответствующих странах (см. [Ахременко, Стукал, Петров, 2020: 74—75]).
Почти во всех случаях новых социальных движений и революций «взрыв» накапливался за счет информации, транслируемой в сети, при этом сам интернет еще находился в стадии становления [Ахременко, Беленков, Петров, 2021]. Антиправительственные настроения распространялись вслед за новостями, которые сначала быстро расходились по узлам в интернете, а затем, в соответствии с «математикой слухов», умножались за счет контактов их носителей со своим социальным окружением [Freelon et al., 2018]. Параллельно срабатывали известные в политической науке эффекты «порога участия» и «групповой эффективности» 5, в результате чего онлайн-возмущения сравнительно быстро перетекали в офлайн-акции. Разумно предположить, что в случае контрпротестной мобилизации действует примерно та же механика, но со знаком «плюс» и несколько ослабленным «коэффициентом переноса» (из онлайна в офлайн). Последнее будет иметь место из-за того, что мотивация недовольства, как правило, сильнее мотивации в поддержку чего-либо, особенно в присутствии протестного триггера [Spaiser et al., 2017].
Именно это предположение и соответствующий триггер — объявление о начале СВО—легли в основу эмпирической части нашей работы. Полагая российскую интернет-аудиторию достаточной и для широкой онлайн-дискуссии, и для самостоятельных действий офлайн, мы концентрируем внимание на распространении среди нее патриотических настроений, схожих по скорости и масштабу всплеска с самыми крупными протестами десятилетия. Для этого, однако, необходимо предварительно уточнить все дефиниции, связанные с патриотизмом и его производными, а также обрисовать общую рамку их измерения.
Патриотические настроения в сети
Понятие патриотизма кажется достаточно простым и даже общепонятным. Его концептуальные основы — чувство привязанности к стране своего происхождения — разделяет большинство россиян, и, как следствие, оно используется в большинстве экономико-социологических исследований 6. Вместе с тем попытки измерить эту привязанность дают неоднозначные результаты: прямой вопрос об отнесении себя к патриотам раскалывает граждан на две примерно равные группы — «безусловных патриотов» и «скорее патриотов» (в опросе ВЦИОМ 7
5 Протестные настроения, как и слухи, распространяются по сети экспоненциально, за счет чего могут быстро преодолеть статус маргинальных и убедить своих носителей в том, что они являются большинством, снизив тем самым цену участия.
6 Патриотизм: эмоции или действие? // ЦИГОиНС ВШЭ. 2020. 24 февраля. URL: https://www.hse.ru/news/ science/446471871.html (дата обращения: 09.01.2023).
7 Патриотизм сегодня: не только любить, но и работать! // ВЦИОМ. 2020. 11 июня. URL: https://wciom.ru/analytical-reviews/analiticheskii-obzor/patriotizm-segodnya-ne-tolko-lyubit-no-i-rabotat (дата обращения: 06.01.2023).
доли составили 46 % и 43 %, соответственно, при максимальной ошибке выборки в 2,5 %). Такое малоинформативное распределение объясняется, среди прочего, эффектом социальной желательности (social desirability bias), из-за которого значительная часть респондентов-непатриотов склонна смягчать свою позицию, опасаясь оказаться в неодобряемом меньшинстве [Сикевич, Федорова, 2021].
Опираясь на предшествующие работы, мы можем выделить как минимум три способа валидной операционализации патриотизма. Самым популярным из них является анкетный, когда граждан просят указать свою степень согласия с утверждением, синонимичным термину (например, в опроснике World Values Survey используется формулировка «Я горжусь тем, что являюсь гражданином/гражданкой страны...») [Кислицына, 2011: 28, 32]. Второй способ, подходящий скорее для качественного сравнительного дизайна,— полевой (field study), в ходе которого исследователи проводят глубинные интервью с конкретными респондентами, выявляя разницу между повседневным восприятием «низового патриотизма» и политическим патриотизмом «сверху». Сторонники такого подхода отмечают, что для описания своего отношения к стране собеседники используют очень разные, персонифицированные выражения, но в российском контексте связующим звеном между ними выступает «героизация прошлого» [Le Huerou, 2015: 46].
Третьим и, скорее всего, самым молодым способом является условная самоидентификация. Она предполагает, что открытое заявление о себе как о патриоте или использование подчеркнуто прогосударственных речевых маркеров создает некоторую коллективную идентичность, в России противопоставляющую себя «оппозиционной» [Shcheglova, Gradoselskaya, Karpov, 2020: 220]. Технически это предположение упрощает формирование выборки, поскольку приравнивает патриотический дискурс к частоте упоминания разнообразных категорий гордости за страну. Ценой за такую простоту оказывается меньшая точность; объективно существующее в обществе понимание концепта аппроксимируется выраженными где-либо (в разговорах, текстах, визуальных материалах) фрагментами (см., например, [Aznar-Casanova et al., 2020]).
Нетрудно заметить, что первые два подхода реактивные и подразумевают взаимодействие с респондентами для получения ответов. Третий путь, наоборот, представляется наиболее приемлемым для сетевых данных, которые исследователь получает post hoc. С такими данными работаем и мы, но перед тем как описать их, надо сказать несколько слов об особенностях российского «интернет-патриотизма».
Как уже отмечалось, социальные сети представляют собой специфическую среду коммуникации, имеющую склонность усиливать голоса проактивных и оппозиционно настроенных россиян. В литературе можно найти убедительные доказательства факта, что онлайн-медиа снижают поддержку действующей власти, повышая осведомленность своих пользователей о политических альтернативах и выступая для них площадкой самоорганизации [Reuter, Szakonyi, 2015; Кольцова, Киркиж, 2016]. Отношение же большей части Рунета к патриотическим взглядам, особенно открыто декларируемым, можно охарактеризовать как скептически отстраненное. Они не считаются «мейнстримными» или, наоборот, маргинальными, а чаще всего просто отсутствуют в повестке, занятой новостями и личными сообщениями.
При этом нельзя отрицать, что прогосударственные сообщества образуют значительный сегмент интернет-аудитории, устойчиво растущий за счет малоактивных пользователей. Его экспансия началась вместе с периодом политической консолидации, выпавшей на «крымский консенсус», и продолжилась в последующие годы на фоне милитаристской риторики в СМИ [Hale, 2018]. Увеличению числа «лоялистов» в конце 2010-х годов не помешало ни падение рейтингов президента, ни общий рост недовольства на почве экономических трудностей. В некотором роде происходящее, наоборот, усилило противостояние этого лагеря оппонентам, так как придало легитимность поиску среди последних «национал-предателей» (см. [Shcheglova et al., 2020]).
Наложение этих тенденций друг на друга приводит нас к гипотезе, что события 24 февраля лишь укрепили противоречия между пользователями, придерживающимися разных взглядов, нивелировав эффект сплочения вокруг флага СВО. Логично предположить, что начало спецоперации убедило консервативную аудиторию в правильности взятого ранее курса, о чем говорит рост популярности военно-патриотических проектов [Urman, Makhortykh, 2022]. Прямо противоположная реакция наблюдается среди оппозиционно настроенных пользователей [Kizilova, Norris, 2022]. Тем самым политическая дискуссия поляризуется, и сплочение происходит только внутри каждой из ее сторон, в результате чего патриоты становятся еще большими патриотами, а непатриоты — еще меньшими.
Такое развитие событий не является единственно возможным. Мы принимаем этот сценарий за своего рода нулевую гипотезу, подтверждение или опровержение которой позволит сделать несколько важных выводов о динамике настроений в сети. В дальнейшем исследование может быть продолжено за счет разработки и тестирования других гипотез, учитывающих актуальные политические реалии и полученные нами в ходе анализа результаты.
Материалы и методы исследования
Представляется, что из трех обозначенных выше способов получения данных (анкетный, полевой и идентификационный) третий будет наиболее приемлемым. Так как «ралли-эффект» уже был зафиксирован ведущими социологическими службами, мы заинтересованы в альтернативной метрике, позволяющей дополнить их выводы на основе открытых сетевых данных. Соответственно, нам необходима как можно более широкая выборка публикаций, затрагивающих тему патриотизма, за тот же период, в который наблюдался общий подъем интереса и доверия россиян к властям. Чтобы выделить такие публикации, мы прибегаем к составлению простого словаря, содержащего патриотические словоформы 8, но исключающего другие ключевые слова («война 1945 года» и т. п.). Применяя леммы этих слов к текстам 3,1 млн 9 публикаций, мы смогли отфильтровать 300 809 авторских постов, каждый из которых содержит как минимум
8 В словарь попали: 1) леммы слов, образованных от корня «патриот»; 2) синонимичные формы «государственник» и «державник»; 3) попарные сочетания лемм «любовь», «защита», «уважение», «преданность», «верность», «гордость», «сплочение», «единство», «целое», «объединение», «поддержка», «служба», «солидарность», «консолидация», «помощь» с означающими «Россия», «Русь», «РФ», «страна», «государство», «родина», «отечество», «держава», причем между сочетаемыми леммами должно было находиться на больше двух слов.
9 Это общее число упоминаний «патриотических» терминов в сети за указанный период.
одну из этих лемм. Для веб-скрейпинга использовался автоматизированный сервис «Медиалогия СМ».
Безусловно, такой поиск подвержен некоторой ошибке, которую мы склонны трактовать как случайную. Во всяком случае, у нас нет оснований полагать, что случайно попавший в выборку комментарий о военно-патриотическом парке «Патриот» может серьезно повлиять на результаты дальнейшей работы. Перед применением словаря к данным были отфильтрованы и удалены 116 тыс. сообщений, помеченных «Медиалогией» как спам и реклама. Дополнительно был проведен выборочный анализ содержания сообщений, включенных в итоговую базу. Из 600 (5О0 х п) прочитанных публикаций лишь 11 содержали соответствующие ключевые слова, но не имели прямого отношения к патриотическому дискурсу, что находится в пределах стандартной ошибки выборки в 3 %.
Чтобы проверить гипотезу о нивелированном эффекте (об отсутствии заметного сплочения), необходимо добавить к данным оценку тональности — целевой показатель, по которому можно судить о преобладании в дискурсе позитивных или негативных настроений. Для этого мы обратились к предобученной библиотеке семантического анализа Dostoevsky 10. Она позволяет рассчитать вероятность, с которой каждая публикация принадлежит следующим классам: «нейтральная», «негативная», «позитивная», «речевой акт», «другое». В сущности, ее работа основана на тех же словарных методах, что и отбор данных в «Медиалогии». Последняя, в свою очередь, предлагает воспользоваться собственной оценкой тональности, которая представлена сразу в порядковой шкале (каждый текст маркирован как «негативный», «позитивный» или «нейтральный»). В качестве основной зависимой переменной мы будем использовать «чистую тональность» публикации:
Рп , . [/- я публикация = «позитивная»] - Рп , . [/ - я публикация = «негативная»];
DostoevskyL J ^ 1 DostoevskyL J ^ J'
в качестве дополнительной — оценку «Медиалогии» 11. Из их совместного распределения (см. рис. 1) видно, что переменные хорошо скоррелированы, это делает их удобными «прокси» для измерения латентного интернет-патриотизма.
Теперь задача кажется тривиальной. Технически, чтобы показать, что эффект сплочения в сети не проявился, достаточно сравнить число позитивных упоминаний в двух периодах (до и после 24 февраля) на предмет их статистически значимой разницы. Положение, однако, осложняется характером данных: по сути, они представляют собой временной ряд, так что тесты типа ANOVA будут чреваты несколько смещенной оценкой эффекта. Кроме того, 4 марта — через неделю после начала СВО — был принят так называемый закон о фейках, ужесточивший наказания за распространение ложной информации о действиях Вооруженных сил. Следовательно, нам необходима какая-то множественная модель, которая позволит учесть все возможные ковариаты (возраст и образование пользователей, меж-
10 Bureaucratic Labs. Dostoevsky Sentiment analysis library for Russian language // Github.com. 2021. URL: https:// github.com/bureaucratic-labs/dostoevsky (дата обращения: 16.02.2023).
11 Как и Bureaucratic Labs, «Медиалогия» использует для предсказания тональности нейронные сети, однако алгоритм их работы не очень прозрачен. Судя по всему, сети «Медиалогии» склонны приписывать нейтральный характер абсолютному большинству публикаций, так как порог маркировки «позитива» и «негатива» очень высок. Из-за этого категория «нейтральных» оказывается внутренне разнородной, отголоски чего мы увидим при моделировании.
региональные различия, аудиторию сообщений), автокорреляционную составляющую и, главное, «переломы» в точках 24 февраля и 4 марта.
Рис. 1. Совместное распределение альтернативных зависимых переменных
Мы предлагаем сразу несколько таких моделей, последовательно оцененных в следующей части работы. Сначала мы воспринимаем военную операцию как экзогенный шок и строим регрессию с соответствующим единичным преломлением:
Tone_of_Publicationjt = Р0 + р± Timejt + Р2 After_24Fjt + Р3 Timejt х After_24Fjt + sit,
или, с учетом фактора 4 марта,
Tone_of_Publicationjt = Р0 + P1 Timet + Р2 After_24Fjt + Р3 Timett х After_24Fjt +
+ в4 Afer_4Mt + в5 Time t х After_4Mt + sjt,
где Tone_of_Publication — «чистая тональность» публикации, Time — временной период (день), After_24F—дамми-переменная, принимающая значение «1» в каждый период после 24 февраля, и After_4M—дамми-переменная, принимающая значение «1» в каждый период после 4 марта.
Затем мы добавляем в эту спецификацию недоучтенные «контроли» — показатели, извлеченные из публичных аккаунтов пользователей с помощью «Медиалогии»:
Tone_of_Publication it = Р0 + в1 Platform it + Р2 Author_Subscribersit + Р3 Author_Sexit + + Р4 Author_Aget+Р5 Author_Age2t+Pfi Author_Education + P7 Number_of_Duplicatesit+
+ ß8 Publicat ion_Status!t + ß9 After_24Fit + ßM After_4Mjt + FEregiori + e,
где Platform — площадка, на которой было размещено сообщение (Facebook*, Instagram*, Twitter, «ВКонтакте», «Одноклассники») 12, Author_Subscribers—аудитория автора сообщения (число подписчиков), Author_Sex—пол автора (мужчина, женщина), Author_Education—уровень образования автора (неоконченное, среднее, высшее), Number_of_Duplicates—число дубликатов сообщения (постов, полностью идентичных данному), Publication_Status—статус сообщения на момент выгрузки (не менялось, отредактировано, удалено, восстановлено), After_24F и After_4M—уже знакомые нам дамми, FE—фиксированные эффекты (фиктивные переменные для k - 1 регионов). Последние дают возможность учесть межсубъектные различия, в частности в глубине пользования социальными сетями. Регрессор Author_Age2 призван отразить квадратичный эффект возраста, лучше приблизив уравнение к данным. Как таковые значения возраста, пола и образования доступны не для всех наблюдений. В моделях с ними используются только 75 тыс. постов, авторы которых разместили в своих аккаунтах соответствующую информацию. Тест Литтла подтверждает, что пропуски по соответствующим предикторам случайны (p-value > 0,1) и «обрезка» уместнее импутации на без того крупном массиве.
Эта модель, дополненная устойчивыми к автокорреляции стандартными ошибками, далее используется как основная. Как мы увидим в ходе анализа, все надстройки к ней, включая появление в ряду предикторов лагированного отклика, не вносят существенных изменений в интерпретацию. Стресс-тест для коэффициентов производится за счет альтернативных спецификаций, а именно уравнений с другой зависимой переменной (шкалой «Медиалогии») и с аналогичными данными, но собранными за прошлый год. «Качественная» проверка результатов осуществляется с помощью простой тематической модели, основанной на размещении Дирихле. Если наши предположения верны, среди обсуждаемых после 24 февраля тем не должно быть преобладания лоялистских, подчеркнуто провластных категорий. Впрочем, отдавая себе отчет в крайней чувствительности механизма, мы фиксируем любые изменения тематической структуры в терминах «до» и «после» — и, если эти изменения значимы, трактуем их против нулевой гипотезы (то есть в пользу существенных различий между двумя дискурсами).
Эмпирические результаты: основные модели
Исходной интуицией для данных, подобных нашим, является построение модели «наивного шока», или «кусочной» регрессии без контрольных переменных. В ее спецификацию, как мы видели, заложен факт экзогенного отношения к произошедшему, то есть идея о «шоковом» воздействии обеих дамми и постепенном возвращении показателей к равновесию. Это имеет некоторый содержательный смысл, ведь пользователи сети не были предупреждены о вводе войск, но почти гарантированно узнали о нем постфактум и были вынуждены «приспосабливаться». Вероятно, справедливая для финансовых рынков, откуда она зачастую заимствуется [HuntingtonKlein, 2021: 421—424], модель дает весьма неожиданные результаты (см. табл. 1).
12 Знак * означает принадлежность указанных социальных сетей к запрещенной в РФ компании Meta. C начала марта 2022 г. доступ к ним, а также к Twitter, ограничен из-за распространения «недостоверной общественно значимой информации». В большинстве моделей эти категории объединены в одну «базовую» группу, так как различия между ними статистически незначимы.
Таблица 1. Оценки моделей «кусочной» регрессии Зависимая переменная: Tone_of_Publication
(1) (2)
(Intercept) -0,082*** -0,082***
(0,001) (0,001)
Time 0,001*** 0,001***
(0,000) (0,000)
After_24F -0,050*** 0,167***
(0,003) (0,020)
(Time):(After_24F) 0,000** -0,004***
(0,000) (0,000)
After_4M -0,213*** (0,020)
(Time):(After_4M) 0,004*** (0,000)
RMSE 0,16 0,16
* p< 0.1, ** p< 0.05, *** p< 0.01.
Из таблицы следует, что после начала боевых действий тон публикаций стал значимо более позитивным, но к моменту принятия закона о «фейках» вновь оказался на низком уровне. Эти результаты могут показаться неожиданными, но они вполне объяснимы скачкообразной динамикой зависимой переменной. Из ее графического представления (см. рис. 2) видно, что вслед за абнормальным ростом 23— 24 февраля произошло незамедлительное падение, за которым можно заметить медленный тренд на восстановление. Доверять оценкам, схватывающим лишь эту моментную разницу, нельзя, что подводит нас к мысли об усложнении модели.
Рис. 2. Динамика «чистой тональности» публикаций о патриотизме
20224)1-01 / 2022-04-01
янв01 2022 яне 10 2022 ПШ172022 яна24 2022 ..!: 31 2022 фев07 2022 фев14 2022 фвв21 2022 фев 28 2022 мар072022 мар14 2022 мар212022 мар28 2022
Учесть упущенную дисперсию 13 настроений можно путем включения варьирующих во времени детерминант. В третьем из наших уравнений предложены восемь таких характеристик, а также набор неизменяющихся региональных дамми. Тест Дарбина-Уотсона показывает, что эта модель не страдает от автокорреляции первого порядка (rho = 0,018, p-value = 0,05), поэтому она оценена в предположении о нормально распределенных ошибках. Значимость теста, однако, пограничная, поэтому ковариационная матрица была скорректирована по формуле Ньюи—Уэста [Newey, West, 1987].
С другой стороны, тест Бреуша — Годфри, проверяющий автокорреляцию более высоких порядков, значим уже при p = 3 (p-value < 0,00). Мы прибегаем к стандартному способу моделирования такого рода динамики: последовательно добавляем в спецификацию две лаговые переменные, Tone_of_Publicationit-1 и Tone_of_ Publicationit-2, в качестве новых предикторов. Таким образом, модель принимает форму авторегрессии с геометрически убывающим эффектом параметров (см. [Beck, Katz, 2011: 334—335]). Структурно она идентична предыдущей, LSDV-мо-дели, но с одним (LDV I) или двумя (LDV II) «лагами» в правой части уравнения. Оговоримся, что в этой структуре сохраняются фиксированные эффекты (риски так называемой Nickell bias мы оцениваем как минимальные ввиду размеров выборки), и лагируется только зависимая переменная (в пользу этого решения говорит тот факт, что более полные ADL (I) и ADL (II) имели бы почти те же значения AIC, что и вложенные LDV: -20514 против -20503 и -20241 против -20229 соответственно). Коэффициенты всех трех регрессий представлены в таблице 2.
Таблица 2. Оценки моделей типа Least Squares Dummy Variables и Lagged Dependent Variable
Зависимая переменная: Tone_of_Publication LSDV LDV (I) LDV (II)
(Intercept) -0,057*** -0,029 -0,025
(0,019) (0,021) (0,021)
Platform: ВКонтакте 0,046*** 0,008** 0,007**
(0,005) (0,003) (0,003)
Platform: Одноклассники 0,035*** -0,001 -0,001
(0,005) (0,003) (0,003)
Platform: Instagram 0,038*** 0,037***
(0,006) (0,006)
Author_Subscribers 0,000 0,000** 0,000*
(0,000) (0,000) (0,000)
Author_Sex: Мужчина -0,036*** - 0,013*** -0,013***
(0,001) (0,001) (0,001)
Author_Age -0,001*** -0,001* -0,001**
(0,000) (0,000) (0,000)
13 Несмотря на высокую значимость оценок, которую можно списать на большое число наблюдений (и пропорционально низкие ошибки), доля объясненной первыми двумя моделями дисперсии не превышает 3 %.
Зависимая переменная: Tone_of_Publication LSDV LDV (I) LDV (II)
Author_Age2 0,000*** 0,000 0,000
(0,000) (0,000) (0,000)
Author_Education: Среднее -0,004 -0,016 -0,012
(0,006) (0,016) (0,016)
Author_Education: Высшее -0,007 -0,012 -0,008
(0,006) (0,016) (0,016)
Number_of_Duplicates 0,000*** 0,000 0,000
(0,000) (0,000) (0,000)
Publication_Status: Отредактировано -0,004 -0,001 -0,004
(0,002) (0,019) (0,021)
Publication_Status: Удалено -0,032*** -0,017 0,012
(0,004) (0,020) (0,022)
Publication_Status: Восстановлено 0,007 0,000 0,000
(0,046) (0,000) (0,000)
After_24F -0,042*** -0,031*** -0,032***
(0,002) (0,002) (0,002)
After_4M 0,014*** 0,010*** 0,010***
(0,002) (0,002) (0,002)
Tone_of_Publicationit _ ± 0,084*** (0,011) 0,079*** (0,012)
Tone_of_Publicationit _ 2 0,044*** (0,011)
FE включены включены включены
RMSE 0,15 0,05 0,05
* p< 0.1, ** p< 0.05, *** p< 0.01.
По сравнению с самой первой, «наивной» спецификацией мы видим ровно обратные коэффициенты. Эффект 24 февраля кажется пусть небольшим, но значимо отрицательным, эффект 4 марта, наоборот, устойчиво позитивный. При этом оценки ЬБйУ и ШУ согласованы, а направление и значимость «контролей» между уравнениями почти не меняются. Так, пользователи «ВКонтакте» в среднем более благосклонны к патриотической тематике, чем пользователи зарубежных платформ, комментаторы-мужчины высказываются более критично, чем женщины, а разброс между уровнями образования настолько велик, что не позволяет обнаружить какую-либо однозначную связь с интернет-патриотизмом. Значимость коэффициентов при лагированном отклике следует интерпретировать как наличие в данных некоторого повышающего тренда, не очень заметного из-за большой временной вариации.
Проверки на устойчивость и альтернативы
Оцененные уравнения достаточно объемны и включают значительную часть сетевой информации, определяющей изменчивость Tone_of_Publication. Их трудно улучшить стандартным путем, то есть просто добавив несколько значимых предикторов и пересчитав коэффициенты. В то же время мы не можем добавлять и новые «лаги», так как в итоге столкнемся с «переобучением». Понимая это, мы представляем еще две модели, способные если не уточнить полученные результаты, то по меньшей мере проверить их на устойчивость.
Первая модель сохраняет неизменной правую часть уравнения с фиксированными эффектами, но применяет ее в отношении другой зависимой переменной — категориальной оценки тональности от «Медиалогии» (Sentiment_MLG). Иными словами, оценивается модель порядковой логистической регрессии со всеми оговоренными предикторами, но без лаговой составляющей. Учитывая неоднородность срединной категории—«нейтральных» сообщений, мы не можем полагаться на равномерность эффекта (это подтверждает и формальный тест Бранта) и сразу переходим к модификации типа PPO—partial proportional odds (см. [Peterson, Harrell, 1990]). Она позволяет влиянию ключевых предикторов варьировать между категориями отклика, что эквивалентно оценке k х c дополнительных параметров, где k—число ключевых предикторов, c—число категорий отклика. В выдаче для сравнения представлены обе версии, то есть модели с полностью и частично пропорциональными шансами.
Вторая модель является техническим повторением дизайна LSDV, но с несколько измененным временным рядом. До этого мы считали, что воздействие СВО на социальные сети носит характер «шока» и поэтому может быть измерено стандартным коэффициентом при дамми. Есть, однако, основания полагать, что выбор временного отрезка вносит в этот коэффициент смещение, порожденное «подготовленной почвой». Если в январе — феврале 2022 г. публичный дискурс был сосредоточен на Украине и потенциале военного столкновения, это означает, что база для сравнения — категория «до» — завышена, а наша оценка воздействия (по сути, разница с «после»), наоборот, занижена. К сожалению, мы не можем смоделировать, как выглядел бы информационный фон в отсутствие таких сообщений. Мы предлагаем использовать грубую, но заведомо очищенную от влияния милитаристской риторики начала 2022 г. «прокси» — публикации за 1 января — 23 февраля 2021 г. Тем самым мы формируем псевдоконтрольный период со всеми характеристиками, присущими зимнему сезону, и рассматриваем эффект СВО «на контрасте» с ним. Мы называем эту модель «контрольно-тестовой».
Таблица 3. Оценки порядковой логистической регрессии и «контрольно-тестовой» модели
Зависимая переменная: Sentiment_MLG Sentiment_MLG Tone_of_Publication
PO
PPO
LSDV ,
(Intercept)
-0,072*** (0,021)
негативная1нейтральная
-1,790*** (0,249)
Зависимая переменная: Sentiment_MLG Sentiment_MLG Tone_of_Publication PO PPO LSDV .
нейтральная1позитивная Platform: ВКонтакте Platform: Одноклассники Author_Subscribers Author_Sex: Мужчина Author_Age Author_Age2
Author_Education: Среднее Author_Education: Высшее Number_of_Duplicates Publication_Status: Отредактировано Publication_Status: Удалено Publication_Status: Восстановлено After_24F After_4M
After_24F: негативная1нейтральная After_24F: нейтральная1позитивная After_4M: негативная1нейтральная
2,140*** (0,249) 0,566*** (0,066) 0,241*** (0,067) 0,000*** (0,000) -0,597***
(0,019) -0,012*** (0,003) 0,000 (0,000) -0,179** (0,075) -0,120 (0,075) 0,000 (0,000) 0,055 (0,036) -0,713*** (0,049) -1,069* (0,600) -0,604*** (0,028) 0,143*** (0,027)
-0,598*** (0,068) -0,255*** (0,068) 0,000*** (0,000) -0,597*** (0,019) 0,011*** (0,003) 0,000 (0,000) -0,179** (0,076) 0,139* (0,076) 0,000 (0,000) -0,060 (0,036) -0,713*** (0,050) -1,069* (0,595)
0,053*** (0,005) 0,047*** (0,005) 0,000*** (0,000) 0,607*** (0,001) -0,001*** (0,000) 0,000 (0,000) 0,198*** (0,006) -0,009 (0,006) 0,000 (0,000) -0,012*** (0,003) 0,735*** (0,005) 1,171** (0,060) -0,034*** (0,002) 0,014*** (0,002)
1,138*** (0,033) -0,339*** (0,047) -0,043 (0,029)
Зависимая переменная: Sentiment_MLG Sentiment_MLG Tone_of_Publication PO PPO LSDV t
_c-1_
After_4M: нейтральная1позитивная -0,275*** (0,043) -c- t
FE включены включены включены
RMSE 1.44 3.46 0.16
* p< 0.1, ** p< 0.05, *** p< 0.01.
Оценки обеих альтернатив (см. табл. 3) говорят в пользу нашей гипотезы об отсутствующем эффекте. Интерпретация коэффициентов при ключевых дамми — After_24M и After_4M — сохраняется, равно как влияние прочих объясняющих параметров. Интересное расщепление происходит при введении в спецификацию непропорциональных шансов — спецоперация оказывается сильным предиктором «нейтрализации» комментариев (ее начало способствует росту числа нейтральных постов за счет негативных и позитивных). Аналогичная «разбивка» для переменной 4 марта менее интересна, так как фиксирует только снижение числа позитивных публикаций по сравнению с нейтральными. Заметим, однако, что оценки РРО имеют гораздо больший разброс, что делает их абсолютные величины менее надежными. Все коэффициенты в обобщенном виде изображены на рисунках 3 и 4.
Рис. 3. Коэффициенты дамми-предиктора After24_F в основных моделях
Рис. 4. Коэффициенты дамми-предиктора After4_M в основных моделях
Итоги тематического моделирования
Понимая, что дискуссия внутри блогосферы может быть лишь отдаленно оценена за счет словарной тональности, мы обращаемся к принципиально другому машинному методу—тематическому моделированию. В его рамках мы считываем каждый опубликованный текст как «мешок» слов, и пытаемся решить задачу их группировки на основе семантической связи. Иными словами, мы предполагаем, что существуют некие латентные темы, внутри которых с разной вероятностью могут появиться разные словоформы, и пытаемся восстановить их распределение таким образом, чтобы оно лучше прочих соответствовало данным. На «вход» модель получает лемматизированную коллекцию текстов, на «выходе» предлагает искомые темы (совокупности слов).
Мы применяем к моделированию тот же подход, что использовали в регрессионном анализе: делим корпус текстов на две примерно равные части, с 1 января по 23 февраля и с 24 февраля по 1 апреля 2022 г., и сравниваем результирующие распределения между ними. Следуя за более ранними работами 14, мы останавливаемся на 20 ожидаемых темах и их многомерном масштабировании через две главные компоненты. Впрочем, как показала практика, выделение топ-10 и топ-15 тем приводит к тем же содержательным разбиениям, но с несколькими небольшими темами, собранными в одну. Вероятности генерируются из рас-
14 Маслинский К. А., Кольцова О. Ю., Кольцов С. Н. Изменения в тематической структуре Живого Журнала: влияние выборов 2011 г. URL: https://www.hse.ru/data/2013/06/10/1283698493/1.pdf (дата обращения: 27.03.2024); [Кольцова, Маслинский, 2013].
пределения Дирихле с гиперпараметром а, равным 1/20; результаты вычислений представлены в форме интерактивных диаграмм с фокусом на «украинскую» тематику (см. рис. 5, 6 и 7).
Рис. 5. Распределение «патриотических» текстов по 20 тематическим категориям до 24 февраля 2022 г. (красным выделен сегмент дискурса, связанный с российско-украинским конфликтом)
Рис. 6. Распределение «патриотических» текстов по 20 тематическим категориям после 24 февраля 2022 г. (красным выделен сегмент дискурса, связанный с российско-украинским конфликтом)
Рис. 7. Распределение «патриотических» текстов по 20 тематическим категориям после 24 февраля 2022 г. (красным выделен побочный сегмент дискурса, связанный с экономическими последствиями конфликта)
После начала СВО тема, содержательно завязанная на Украине («Украина», «Донбасс», «война», «Путин», «оружие»), приобрела несколько больший вес и вышла на второе место по числу словарных единиц (токенов). Пятое место, которое она занимала до 24 февраля, отошло новой категории, посвященной экономическому кризису («санкции», «олигарх», «экономика», «США», «рубль»). В остальном взаимное расположение тем почти не изменилось. Основную долю — от 25 % до 45 % токенов в правой части плоскости — занимают общеупотребительные конструкции, присущие традиционному пониманию патриотизма («русский», «государство», «власть», «страна», «мочь»). В середине второго квадранта группируются выражения, связанные с сетевой природой данных («rumedia», «стрим», «комментарий», «просмотр», «лайк»). Наконец, слева, ближе к оси первой компоненты, расположены частные темы, присущие скорее какой-то определенной группе пользователей или определенному информационному поводу (например, одна из тем содержит леммы «праздник», «музей», «ребята», «подвиг», «класс» — очевидно, они относятся к празднованию Дня защитника отечества в школах).
О валидности классификации свидетельствует, среди прочего, интерпретируемость большинства выделенных тем. Ситуация не изменится, даже если разрешить их числу варьировать между периодами: мы увидим лишь обобщенные (или, наоборот, уточненные) группы, все так же «скопленные» вокруг традиционных ценностей, экономики, спецоперации и пр. В нашем разбиении все противоречия по поводу СВО абсорбировались одной крупной темой, что не повлияло на расположение других точек на координатах. Иначе говоря, массового перелома, трансформации патриотического дискурса в первые дни операции не произошло — по нашему предположению, он просто последовал за новостными тренда-
Мониторинг общественного мнения: экономические и социальные перемены № 2 (180) март — апрель 2024
Monitoring of Public Opinion: Economic and Social Changes No. 2 March — April 2024 172
ми, что объясняет и повышенный интерес к Украине, и появление новых малых тем, и их приближение к «украинской» по первой компоненте.
Заключение
Актуальность вопроса о проявлении «ралли-эффекта» в разных сегментах российского общества не вызывает сомнений. После начала СВО в публичной социологии и СМИ установилась почти неизменная позитивная повестка, и почти вся изменчивость общественных настроений (во всяком случае та, которая выражается открыто) переместилась в Рунет. Мы концентрируем внимание на весьма значительной, хотя и не до конца репрезентативной субгруппе россиян — пользователях сети, и задаемся вопросом, каким образом изменилось их восприятие патриотизма после 24 февраля 2022 г.
Мы исходим из двух предпосылок, делающих любой потенциальный ответ на данный вопрос неочевидным. Во-первых, в России социальные сети традиционно «перепредставляли» активистскую, молодую и более оппозиционную аудиторию. Как показывают опросы 15, патриотический подъем затронул ее в меньшей степени, а значит, именно она могла стать ключевым распространителем «антивоенных» идей в сети (и таким образом свести на нет масштаб сплачивающего эффекта). Во-вторых, объявление СВО и последующее ужесточение законодательства привели к незамедлительному всплеску интереса к украинской тематике, который не могли удовлетворить традиционные медиа и за которыми в интернет «потянулись» более лояльные социальные группы [Urman, Makhortykh, 2022]. Мы не беремся судить, какая из этих тенденций оказалась более значимой, и тестируем «нулевую» гипотезу о взаимном исключении, то есть о том, что никаких существенных изменений в дискурсе не произошло.
Эмпирический анализ подтверждает наши предположения. Если воспринимать отношение к патриотизму буквально, то есть идентифицировать любое упоминание пользователем соответствующих слов-маркеров как выражающее настроение, то динамика этой переменной после 24 февраля окажется устойчиво негативной. Во всех наших моделях агрегированная тональность публикаций значимо ухудшалась после 24 февраля и отчасти восстанавливалась только к 4 марта, когда был принят закон о дискредитации армии. Из стабильных детерминант «позитива» мы можем выделить только использование отечественных сетей вместо зарубежных, большая часть которых к моменту окончания анализируемого периода (1 апреля) уже была заблокирована Роскомнадзором. К аналогичным выводам подводят и тематические модели, демонстрирующие почти идентичное структурирование дискуссии до и после начала СВО.
За нивелированием искомого эффекта, как мы полагаем, стоят особенности интернет-сообщества как такового. Предрасположенность пользователей к открытой полемике с оппонентами, преобладание скептически настроенных групп, внутреннее устройство сетей, располагающее к комментариям-тредам и оперативной реакции на новостную ленту, — все это сокращает возможности «ухода» от темы и способствует принятию какой-либо из противоборствующих позиций
15 Украина. Представления о целях России на Украине // ФОМ. 2022. 14 марта. URL: https://fom.ru/Politika/14698 (дата обращения: 09.04.2024).
[Kubin, von Sikorski, 2021; Стукал, Ахременко, Петров, 2022]. К этому стоит добавить и российскую специфику онлайн-дебатов, которая заключается в периодической самоцензуре и перманентном опасении цензуры реальной [Bodrunova, 2021]. Так или иначе, наши выводы полностью согласуются со смежными исследованиями, показавшими рассинхронизацию «офлайна» и «онлайна» на почве СВО [Kizilova, Norris, 2022], и противоречат результатам, показывающим доминирование в русскоязычном онлайн-пространстве официальных нарративов [Urman, Makhortykh, 2022; Alyukov, Kunilovskaya, Semenov, 2023].
Отметим, что выводы настоящей работы нельзя рассматривать в отрыве от допущений, которые мы делали в ходе анализа. Так, мы понимали «патриотический дискурс» не иначе как «разговоры о патриотизме» (и о близких ему концептах), что, без сомнения, сузило доступное выборочное пространство. Мы также не смогли охватить достаточное количество постов в Telegram из-за нехватки данных о пользователях, то есть из поля зрения пропал целый сегмент полуанонимных публикаций, получивший особенную популярность в начале 2022 г. Наконец, наша установка на количественные показатели, даже извлеченные из, по сути, качественных текстов, делает интерпретацию более узкой, чем нам хотелось бы. В дальнейшем все три допущения могут быть ослаблены за счет расширения выборки и более тонкой работы с «вычленением» дискурса.
Список литературы (References)
Ахременко А. С., Беленков В. Е., Петров А. П. Логика протестных кампаний: от эмпирических данных к динамическим моделям (и обратно) // Полис. Политические исследования. 2021. № 3. С. 147—165. https://doi.org/10.17976/jpps/2021.03.10. Akhremenko A. S., Belenkov V. E., Petrov A. P. (2021) The Logic of Protest Campaigns: From Empirical Data to Dynamic Models (and Back). Polis. Political Studies. No. 3. P. 147—165. https://doi.org/10.17976/jpps/2021.03.10. (In Russ.)
Ахременко А. С., Стукал Д. К., Петров А. П. Сеть или текст? Факторы распространения протеста в социальных медиа: теория и анализ данных // Полис. Политические исследования. 2020. № 2. С. 73—91. https://doi.org/10.17976/jpps/2020.02.06. Akhremenko A. S., Stukal D. K., Petrov A. P. (2020) Network vs Message in Protest Diffusion on Social Media: Theoretical and Data Analytics Perspectives. Polis. Political Studies. No. 2. P. 73—91. https://doi.org/10.17976/jpps/2020.02.06. (In Russ.)
Казун А. Д. Эффект "rally around the flag". Как и почему растет поддержка власти во время трагедий и международных конфликтов? // Полис. Политические исследования. 2017. № 1. С. 136—146. http://dx.doi.org/10.17976/jpps/2017.01.12. Kazun A. D. (2017) "Rally Around the Flag" Effect. How and Why Support of the Authorities Grow During International Conflicts and Tragedies? Polis. Political Studies. No. 1. P. 136—146. http://dx.doi.org/10.17976/jpps/2017.01.12. (In Russ.)
Кислицына О. А. Национальная гордость и проявление патриотизма // Наука. Культура. Общество. 2011. № 1. С. 26—36.
Kislitsyna O. A. (2011) National Pride and Manifestation of Patriotism. Science. Culture. Society. No. 1. P. 26—36. (In Russ.)
Кольцова О. Ю., Киркиж Э. А. Влияние интернета на участие в протестах // Поли-тия. 2016. № 1. С. 90—110.
Koltsova O. Yu., Kirkizh E. A. (2016) Influence of the Internet on Participation in Protests. Politeia. No. 1. P. 90—110. (In Russ.)
Кольцова О., Маслинский А. Выявление тематической структуры российской бло-госферы: автоматические методы анализа текстов // Социология : Методология, методы, математическое моделирование. 2013. № 36. С. 113—139. Koltsova O., Maslinsky A. (2013) Identifying the Thematic Structure of the Russian Blo-gosphere: Automatic Text Analysis Methods. Sociology: Methodology, Methods, Mathematical Modeling. No. 36. P. 113—139. (In Russ.)
Сикевич З. В., Федорова А. А. Границы русского патриотизма (опыт нереактивного и классического исследования) // Социологические исследования. 2021. № 6. С. 134—146. https://doi.org/10.31857/S013216250014126-1. Sikevich Z. V., Fedorova A. A. (2021) Boundaries of Russian Patriotism (The Case of Non-Reactive Classic Research). Sotsiologicheskie Issledovaniya. P. 134—146. https://doi.org/10.31857/S013216250014126-1. (In Russ.)
Стукал Д. К., Ахременко А. С., Петров А. П. Аффективная политическая поляризация и язык ненависти: созданы друг для друга? // Вестник Российского университета дружбы народов. Серия: Политология. 2022. Т. 24. № 3. С. 480—498. https:// doi.org/10.22363/2313-1438-2022-24-3-480-498.
Stukal D. K., Akhremenko A. S., Petrov A. P. (2022) Affective Political Polarization and Hate Speech: Made for Each Other? RUDN Journal of Political Science. Vol. 24. No. 3. P. 480—498. https://doi.org/10.22363/2313-1438-2022-24-3-480-498. (In Russ.)
Трофимова И. Н. Гражданский активизм в современном российском обществе: особенности локализации // Социологические исследования. 2015. № 4. С. 72—77. Trofimova I. N. (2015) Civic Activism in Modern Russian Society: Features of Localization. Sotsiologicheskie Issledovaniya. No. 4. P. 72—77. (In Russ.)
Alyukov M., Kunilovskaya M., Semenov A. (2023) Wartime Media Monitor (WarMM-2022): A Study of Information Manipulation on Russian Social Media during the Russia-Ukraine War. In: Proceedings of the 7th Joint SIGHUM Workshop on Computational Linguistics for Cultural Heritage, Social Sciences, Humanities and Literature. Dubrovnik, Croatia: Association for Computational Linguistics. P. 152—161. https://doi.org/10.18653/ v1/2023.latechclfl-1.17.
Aznar-Casanova J. A., Gavilán J. M., Moreno Sánchez M., Haro J. (2020) The Emotional Attentional Blink as a Measure of Patriotism. The Spanish Journal of Psychology. Vol. 23. P. e30. https://doi.org/10.1017/SJP.2020.32.
Beck N., Katz J. N. (2011) Modeling Dynamics in Time-Series—Cross-Section Political Economy Data. Annual Review of Political Science. Vol. 14. P. 331—352. https:// doi.org/10.1146/annurev-polisci-071510-103222.
Bisbee J., Larson J. M. (2017) Testing Social Science Network Theories with Online Network Data: An Evaluation of External Validity. American Political Science Review. Vol. 111. No. 3. P. 502—521. https://doi.org/10.1017/S0003055417000120.
Bodrunova S. S. (2021) Social Media and Political Dissent in Russia and Belarus: An Introduction to the Special Issue. Social Media + Society. Vol. 7. No. 4. P. 1—8. https:// doi.org/10.1177/20563051211063470.
Chae Y., Lee S., Kim Y. (2019) Meta-Analysis of the Relationship Between Internet Use and Political Participation: Examining Main and Moderating Effects. Asian Journal of Communication. Vol. 29. No. 1. P. 35—54. https://doi.org/10.1080/012929 86.2018.1499121.
Feezell J. T., Conroy M., Guerrero M. (2016) Internet Use and Political Participation: Engaging Citizenship Norms through Online Activities. Journal of Information Technology & Politics. Vol. 13. No. 2. P. 95—107. http://dx.doi.org/10.1080/19331681 .2016.1166994.
Freelon D., McIlwain C., Clark M. (2018) Quantifying the Power and Consequences of Social Media Protest. New Media & Society. Vol. 20. No. 3. P. 990—1011. https://doi. org/10.1177/1461444816676646.
Hale H. E. (2018) How Crimea Pays: Media, Rallying 'Round the Flag, and Authoritarian Support. Comparative Politics. Vol. 50. No. 3. P. 369—391. https://doi.org/10.5129/ 001041518822704953.
Huntington-Klein N. (2021) The Effect: An Introduction to Research Design and Causality. New York, NY: Chapman and Hall/CRC. http://doi.org/10.1201/9781003226055.
Kizilova K., Norris P. (2022) Assessing Russian Public Opinion on the Ukraine War. Russian Analytical Digest. No. 281. 2—7. https://doi.org/10.3929/ethz-b-000539633.
Kubin E., von Sikorski C. (2021) The Role of (Social) Media in Political Polarization: A Systematic Review. Annals of the International Communication Association. Vol. 45. No. 3. P. 188—206. http://doi.org/10.1080/23808985.2021.1976070.
Le Huerou A. (2015) Where Does the Motherland Begin? Private and Public Dimensions of Contemporary Russian Patriotism in Schools and Youth Organisations: A View from the Field. Europe-Asia Studies. Vol. 67. No. 1. P. 28—48. http://doi.org/10.10 80/09668136.2014.988999.
Newey W. K., West K. D. (1987) A Simple, Positive Semi-Definite, Heteroskedasticity and Autocorrelation Consistent Covariance Matrix. Econometric. Vol. 55. No. 3. P. 703— 708. https://doi.org/10.3386/T0055.
Peterson B., Harrell Jr F. E. (1990) Partial Proportional Odds Models for Ordinal Response Variables. Journal of the Royal Statistical Society. Series C (Applied Statistics). Vol. 39. No. 2. P. 205—217. https://doi.org/10.2307/2347760.
Reuter O. J., Szakonyi D. (2015) Online Social Media and Political Awareness in Authoritarian Regimes. British Journal of Political Science. Vol. 45. No. 1. P. 29—51. https:// doi.org/10.1017/S0007123413000203.
Schober M. F., Pasek J., Guggenheim L., Lampe C., Conrad F. G. (2016) Social Media Analyses for Social Measurement. Public Opinion Quarterly. Vol. 80. No. 1. P. 180— 211. https://doi.org/10.1093/poq/nfv048.
Shcheglova T., Gradoselskaya G., Karpov I. (2020) Methodology for Measuring Polarization of Political Discourse: Case of Comparing Oppositional and Patriotic Discourse in Online Social Networks. In: Bychkov, I., Kalyagin, V., Pardalos, P., Prokopyev, O. (eds.) Network Algorithms, Data Mining, and Applications. NET 2018. Springer Proceedings in Mathematics & Statistics. Vol. 315. Cham: Springer. P. 219—230. https:// doi.org/10.1007/978-3-030-37157-9_15.
Skoric M. M., Zhu Q., Goh D., Pang N. (2016) Social Media and Citizen Engagement: A Meta-Analytic Review. New Media & Society. Vol. 18. No. 9. P. 1817—1839. https:// doi.org/10.1177/1461444815616221.
Smetanin S. (2020) The Applications of Sentiment Analysis for Russian Language Texts: Current Challenges and Future Perspectives. IEEE Access. Vol. 8. P. 110693— 110719. http://dx.doi.org/10.1109/ACCESS.2020.3002215.
Spaiser V., Chadefaux T., Donnay K., Russman F., Helbing D. (2017) Communication Power Struggles on Social Media: A Case Study of the 2011—12 Russian Protests. Journal of Information Technology & Politics. Vol. 14. No. 2. P. 132—153. https://doi. org/10.1080/19331681.2017.1308288.
Spector M., Kitsuse J. I. (2017) Constructing Social Problems. London: Routledge.
Urman A., Makhortykh M. (2022) My War Is Your Special Operation: Engagement with Pro-and Anti-Regime Framing of the War in Ukraine on Russian Social Media. Preprint. http://doi.org/10.31219/osf.io/67snk.
