CC BY
6
®
www.volsu.ru
DOI: https://doi.Org/10.15688/jvolsu2.2022.3.4
UDC 81'42:82-52 Submitted: 09.08.2021
LBC 81.055.51.5 Accepted: 21.02.2022
NETWORKED LINGUISTIC DATA AND DISCOURSE MANAGEMENT: THE 2020 US PRESIDENTIAL ELECTION1
Olga P. Malysheva
Kuban State University, Krasnodar, Russia
Natalia A. Ryabchenko
Kuban State University, Krasnodar, Russia
Abstract. The article introduces the methodology used for analyzing networked linguistic data, regarded as a basis of global online discursive fields. The authors scrutinized the discursive fields, which emerged during 2020 US Presidential Election.The research methodology, which combines natural science methods (mathematical analysis, graph theory, network analysis and relational analysis) and modern methods of linguistic research (complex linguo-discursive analysis, and methods of network linguistics), makes it possible to analyze discursive fields as social graphs, identify narratives and discourses that form the basis of the modern global communication space, and their potential for manipulating. The empirical base of the study is comprised of bulks of networked data that include the messages published by ordinary users and D. Trump's team on Twitter platform in March - October 2020. The application of the authors' technique has resulted in discursive fields visualization, abnormal discursive activity areas identification, the interaction of discourses within the discursive field description, the mode of messages and their recurrence level determination. It is shown that the analysis of Internet communication using the developed methodology contribute to understanding the essence of socio-political and socio-economic processes and deepening the predictive analytics of their development, and can also be used for discursive management in order to strengthen constructive and neutralize destructive social practices in online space.
Key words: networked linguistic data, discursive fields, graph theory, network modelling, network linguistics.
Citation. Malysheva O.P., Ryabchenko N.A. Networked Linguistic Data and Discourse Management: The 2020 US Presidential Election. Vestnik Volgogradskogo gosudarstvennogo universiteta. Seriya 2. Yazykoznanie [Science Journal of Volgograd State University. Linguistics], 2022, vol. 21, no. 3, pp. 39-53. (in Russian). DOI: https://doi.org/10.15688/jvolsu2.2022.3.4
УДК 81'42:82-52 Дата поступления статьи: 09.08.2021
ББК 81.055.51.5 Дата принятия статьи: 21.02.2022
3 СЕТЕВЫЕ ЛИНГВИСТИЧЕСКИЕ ДАННЫЕ И ДИСКУРСИВНОЕ УПРАВЛЕНИЕ:
о
<4 ПРЕЗИДЕНТСКИЕ ВЫБОРЫ В США 2020 ГОДА1
<
К Ольга Петровна Малышева
я Кубанский государственный университет, г. Краснодар, Россия
Ю
Наталья Анатольевна Рябченко
^ Кубанский государственный университет, г. Краснодар, Россия
«
g Аннотация. В статье описана авторская методика изучения сетевых лингвистических данных как осно-й вы глобальных дискурсивных полей в онлайн-пространстве и приведены результаты исследования дискур-á сивных полей, сформировавшихся в период предвыборной кампании 2020 г. в США. Новаторство предлага-^ емой методики заключается в совмещении естественно-научных (математический анализ, теория графов,
сетевой и реляционный анализ) и современных лингвистических методов (комплексный лингводискурсив-ный анализ, методы сетевой лингвистики), что открывает возможность представления дискурсивных полей как социальных графов, выявления нарративов и дискурсов, создающих современное глобальное коммуникативное пространство, и их манипуляционного потенциала. Эмпирическую базу исследования составили массивы сетевых данных, включающих сообщения, публикуемые пользователями и командой Д. Трампа в социальной сети Twitter в период с марта по октябрь 2020 года. В результате применения авторской методики визуализированы дискурсивные поля, обозначены области аномальной дискурсивной активности, охарактеризовано взаимодействие дискурсов внутри дискурсивного поля, определены тональность сообщений и уровень их рекуррентности. Показано, что анализ интернет-коммуникации с применением разработанной методики способствует пониманию сути социально-политических и социально-экономических процессов и углублению предиктивной аналитики их развития, а также могут быть использованы для дискурсивного управления с целью усиления конструктивных и нивелирования деструктивных социальных практик в онлайн-пространстве.
Ключевые слова: сетевые лингвистические данные, дискурсивное поле, теория графов, сетевое моделирование, сетевая лингвистика.
Цитирование. Малышева О. П., Рябченко Н. А. Сетевые лингвистические данные и дискурсивное управление: президентские выборы в США 2020 года // Вестник Волгоградского государственного университета. Серия 2, Языкознание. - 2022. - Т. 21, №>3. - С. 39-53. - DOI: https://doi.org/10.15688/jvolsu2.2022.3.4
Введение
Начало волне сетевого популизма во всем мире положила победа Д. Трампа на выборах 2016 года. Популярность среди электората и эффективность подхода, предложенного Д. Трампом, снискала ему поддержку многих политиков, среди которых Б. Джонсон, М. Сальвини, М. Ле Пен и Ж.М. Болсонару. Они не только активно поддерживали политический курс Д. Трампа и подход к его реализации, но и позиционировали себя в качестве людей, сопричастных к великому общему делу. Востребованность дискурсивного манипулирования общественным мнением посредством апеллирования к чувствам, а не к разуму и громких заявлений с обещаниями быстрого решения кризисных ситуаций обусловлена рядом причин. Во-первых, это связано с когнитивными особенностями современных избирателей [Holbein, Hillygus, 2020]: население в возрасте от 18 до 24 лет ориентируется на краткосрочные проекты и быстрые результаты [Hess, 2020; Prensky, 2001], а обещания «молниеносности» в решении конфликтов представляются привлекательными и реализуемыми. Во-вторых, актуализации манипулирования способствует социально-политическая ситуация: пандемия COVID-19 породила хаос и дезориентированность [Тимофеева и др., 2022; Bakioglu, Kormaz, Ercan, 2020], изменила расстановку политических сил, пошатнула уверенность избирателей в честных вы-
борах [Grämlich, 2020] и позволила популистским дискурсам широко распространиться и приобрести беспрецедентную популярность [Mondon, Winter, 2020; Mayo, 2020]. На фоне всеобщей паники, вынуждающей людей принимать поспешные иррациональные решения, лидер, ментальное здоровье которого не ставится под сомнение, который знает, что делать, и указывает на погрешности в нынешнем курсе правительства, повинного в усугубившихся проблемах, выглядит надежным и заслуживающим доверия.
Однако возникает вопрос: является ли подверженность идеям популизма естественной реакцией на кризис или же это следствие применения стратегии по подготовке поколения избирателей, готовых поддерживать определенные идеи своего идейного вдохновителя?
Начиная с 2016 г., когда Д. Трамп выиграл президентские выборы, и на протяжении последующих четырех лет политическим лидером США являлся человек, перевернувший представления о союзах, ценностях, традициях и приличиях. Бизнесмен и звезда экрана Д. Трамп - первый человек, занявший этот политический пост, не имея опыта государственного и военного управления. Как утверждают эксперты и показывает анализ социально-политической ситуации, он кардинально изменил цель социального управления - с интеграции на противостояние и разобщение. Еще до вступления в должность Трамп разобщил республиканцев и демократов больше, чем лю-
бой другой управленец за три предыдущих десятилетия. Разрыв усугубился во время его президентства. По опубликованным данным, в среднем 86 % республиканцев, в сравнении с 6 % демократов, одобряли политику Трампа, что явилось самым большим разрывом в истории. Общий уровень доверия к Трампу никогда не превышал 50 %, а в последние недели президентства упал до минимума и достиг 29 % [Dimock, Grämlich, 2020]. Трамп использовал политический рупор для критики возможных противников, средств массовой информации, членов его собственной администрации, выборных должностных лиц, а также политических партий и глав иностранных государств (см. об этом: [Рябченко, Малышева, Гнедаш, 2019; Рябченко, Малышева, 2020]).
Дискурсивная стратегия Трампа базировалась на том, что, выступая со спорными предложениями по широкому спектру вопросов (в отношении миграционной политики, прав женщин, судебной и фискальной системы, а также по вопросам международных отношений), президент вызывал у общественности противоречивые чувства и поднимал волны как возмущения, так и безграничной любви [Wahl-Jorgensen, 2019]. В итоге Д. Трамп завершил свой президентский срок тем, что фактически отправил своих радикальных сторонников на штурм Капитолия. Социальные сети пожизненно заблокировали аккаунты Д. Трампа, а демократическая партия запустила процедуру импичмента.
Однако незначительный перевес в сторону Дж. Байдена на президентских выборах и практически 74 млн голосов, отданных за Д. Трампа, означают, что ядро его электората осталось под влиянием его популистских идей и оказало ему мощнейшую поддержку, сохранив веру в «своего президента» и убежденность в правильности действий его администрации и политического курса страны. Эти избиратели могут стать основой политического капитала на следующих выборах их идейного вдохновителя.
Означает ли поражение Д. Трампа на выборах 2020 г. конец или же расцвет эпохи сетевого популизма? Для понимания настроения миллионов людей, выбирающих популистскую идеологию, необходимо проанализиро-
вать масштабы охвата дискурсивных полей, сформированных сетевой политикой Д. Трампа, и выявить идейно-ценностные ориентации пользователей, тематику распространившихся нарративов и дискурсов, создаваемых сторонниками и противниками Д. Трампа в преддверии выборов 2020 года.
Материал и методы
Изучение дискурсивных полей, формирующихся в онлайн-пространстве, открывает перед учеными широкие исследовательские перспективы, однако ставит перед необходимостью выработки инновационного исследовательского инструментария, позволяющего быстро и точно анализировать Big Data, которыми являются непрерывно генерирующиеся в онлайн-пространстве массивы сетевых лингвистических данных (Networked Linguistic Data; далее -NLD). Они являются гибридным конструктом и обладают набором специфических характеристик, отличающих их от собственно лингвистических (языковых) данных:
- жизненный цикл NLD не контролируется их создателем;
- NLD могут быть подвергнуты модификации и трансформации любым пользователем онлайн-пространства с конструктивной или деструктивной целью;
- NLD представляют собой неструктурированные, хронологически нелинейные, или асинхронные, данные;
- NLD обладают свойствами эксплицитной гипертекстуальности, позволяющей отсылать пользователей к первоисточнику (настоящему или фейковому).
Наличие характеристик, присущих сетевым данным, таких как сохранение информации о взаимодействии объектов в глобальном дискурсивном пространстве (время, дата, ник отправителя, количество просмотров и реакций), позволяет применять для их анализа методологию Data Mining, а также сетевого, статистического и математического анализа. В процессе исследования становится возможным автоматически проводить определенные операции по извлечению и обработке данных, такие как нахождение искомой записи в наборе однотипных записей; отслеживание взаимосвязи информационных блоков; создание,
модификация или уничтожение записи / информационного блока / контента; включение определенной информации в связь или исключение из нее; выявление скорости и масштаба распространения информации; оценка тональности текста и интенций отправителя сообщения, популярности записи и характеристик имиджевого позиционирования отправителя сообщения; выявление набора лингводискур-сивных стратегий и тактик; составление психолингвистического портрета отправителя сообщения; оценка прагматического потенциала социального действия [Malysheva, Ryabchenko, 2020b].
Сетевые лингвистические данные в он-лайн-пространстве образуют непрерывную среду - асинхронное дискурсивное поле, состоящее из дискретных сообщений, посредством которых взаимодействуют акторы публичной сферы, и решения, принимаемые любым участником, вовлеченным в определенное дискурсивное поле, детерминируются его силовыми импульсами. Другими словами, дискурсивные поля способны формировать поведенческие модели, которые потребляются участниками дискурсивного взаимодействия и оказывают на них управленческое воздействие (подробно об этом см.: [Катермина и др., 2021; Khan, MacEachen, 2021]).
Перспектива исследования дискурсивных полей заключается в их способности накапливать потенциал социального действия. Так, практики сетевого популизма, применявшиеся Трампом для привлечения и мобилизации электората, оказали эффективное воздействие на распространение и укоренение популистских идей, которые ассимилировались миллионами пользователей по всему миру и способны определять их решения даже после ухода Трампа с политической арены (штурм Капитолия / поддержка Трампа).
Суть нашей методологии заключается в работе с данными на макроуровне и микроуровне. На макроуровне определяется точка входа (подробно см.: [Ryabchenko, Malysheva, 2020]) и проводится целенаправленное извлечение сетевых данных (Data Mining). С помощью методов графовой визуализации и математического моделирования конструируются дискурсивные поля. Полученные визуализации подвергаются реляционному анализу с
целью выявления в дискурсивном поле областей исследования, которые будут в дальнейшем подвергнуты ручной обработке и исследованы с помощью комплексного лингводис-курсивного анализа на микроуровне.
Определение точки входа, которой в зависимости от целей исследования может быть хештег, именованная сущность 2, ключевое слово, тема, дата или тип данных, позволяет оптимизировать процесс определения области выборки и провести качественный сбор данных (см. об этом: [Grossi et al., 2018]).
Сбор данных осуществляется посредством сплошной выгрузки с учетом того, что контент, размещаемый на сайтах и платформах социальных сетей, во-первых, является сетевыми данными, а во-вторых, представляют собой Big Data, поэтому выборка за день, даже при ограничении определенными параметром, таким как ключевое слово, может насчитывать сотни тысяч сообщений. Колоссальный объем данных не позволяет ограничиваться анализом нескольких тысяч сообщений. Исследователи сходятся во мнении, высказанном в ряде работ, что при абсолютной выборке в сотни тысяч или несколько миллионов сообщений показательные результаты могут быть получены только при рассмотрении достаточно большого датасета, анализ которого позволит сделать непротиворечивые выводы о тенденциях (см. , например: [Bednarek, Caple, 2014; Potts, Bednarek, Caple, 2015; Felt, 2016]).
С помощью метода графовой визуализации, сетевого и реляционного анализа мы определяем характер взаимодействия пользователей, типы инфлюенсеров и степень их влияния на формирование дискурсивного поля, а также выявляем области, в которых наблюдается повышенная дискурсивная активность, свидетельствующая о развитии некоторой тенденции. Такие области (сообщения, хештеги) мы рассматриваем на микроуровне с использованием комплексного лингводискурсивного анализа. Обозначенные области в дискурсивных полях могут потребовать детального изучения и в этом случае подвергаются ручной обработке.
Комплексный лингводискурсивный анализ состоит в проведении качественного (qualitative) анализа сетевых лингвистических
данных посредством совокупности методов лингвистического (контент-анализ, интерпрета-тивный, стилистический, компонентный анализ) и фолксономического анализа [Ryabchenko, Malysheva, 2020]. Учет экстралингвистических характеристик (информационного и социально-политического контекста) позволит выявить нарративы и совокупные конфептосфе-ры создаваемых ими дискурсов.
В исследовании разграничиваются понятия нарратива и дискурса. Нарратив - это непосредственное повествование или описание человека или ситуации в совокупности с ценностно-смысловыми установками, дискурс - это социальный, психоэмоциональный и лингвокуль-турный фон, или контекст функционирования определенных нарративов. Контекст обусловливает направление развитие нарративов, а нар-ративы создают новые контексты, или дискурсы, в рамках которых формируются новые темы и развиваются новые нарративы.
Для анализа дискурсивных полей, создаваемых во время президентской кампании 2020 г. в США, совпавшей с кризисом, вызванным пандемией COVID-19 в мире, выявления наррати-вов и дискурсов мы провели эмпирическое исследование, включившее анализ сетевых данных, извлеченных с платформы Twitter, составивших эмпирическую базу исследования.
Под сетевыми данными мы понимаем асинхронные, неструктурированные вербальные (текстовая информация, а также представленная в аудио- и видеоформате речь) и невербальные лингвистические данные (эмод-жи, символы, графики, аудио / звуковой ряд и видео / картинка), которые могут быть организованы по сетевому принципу и визуализированы в виде социального графа.
С марта 2020 г. по октябрь 2020 г. участниками проекта, в рамках которого проведено исследование, методом сплошной выборки посредством программного интерфейса приложения Twitter (API Twitter) были собраны сетевые данные (в объеме 1,5 млн сообщений), из которых мы выбрали данные по 2 контрольным точкам и сформировали 2 датасе-та: «Март 2020» и «Октябрь 2020». Выбор контрольных точек для описания коммуникативной модели социально-политической коммуникации в онлайн-пространстве, применяемой Д. Трампом, его сторонниками и против-
никами, обусловлен распространением пандемии COVID-19 в марте 2020 г. (датасет «Март 2020») и окончанием предвыборной кампании в октябре 2020 г. (датасет «Октябрь 2020»).
Датасеты состоят из сетевых данных, полученных методом сплошной выгрузки сообщений, публикуемых пользователями социальной сети Twitter и содержащих ключевое слово trump, через программный интерфейс приложения Twitter (API Twitter) за соответствующие периоды - март и октябрь 2020 года. Выборка сетевых данных была представлена в виде cvs- и gexf-файлов (Graph Exchange XML Format - формат, позволяющий анализировать данные как социальный граф).
Сетевые данные, входящие в полученную эмпирическую базу, содержат следующие массивы данных:
- сообщения, публикуемые пользователями указанной сети (100 000 сообщений в выборке);
- динамика пересылки опубликованных сообщений (ретвитов);
- данные о пользователях, публикующих эти сообщения, с фиксацией их взаимодействия для анализа их активности как социального графа;
- используемые пользователями хеште-ги для маркирования и классификации информации в социальных сетях;
- часто употребляемые слова и словосочетания, с фиксацией их взаимодействия для анализа активности их употребления как социального графа с целью выявления доминирующих тематик в сетевом дискурсивном поле, сформированном Д. Трампом, его последователями и противниками.
Таким образом, точка входа для целенаправленного извлечения данных была определена типом платформы (Twitter), контрольными точками (март и октябрь 2020 г.), ключевым словом (trump), типом данных (сетевые данные, которые включили лингвистические данные, впоследствии подвергнутые лингводискурсивному анализу).
Результаты и обсуждение
На макроуровне анализ эмпирических данных позволил описать дискурсивное поле и проанализировать лингвистические пат-
терны сетевого популизма. С помощью методов графовой визуализации и математического моделирования мы сконструировали социальные графы, визуализирующие сеть пользователей (рис. 1) и сеть сообщений (рис. 2) для дискурсивных полей, функционирующих в онлайн-пространстве в марте и октябре 2020 года.
Результаты реляционного анализа визуализаций сети пользователей в марте и октябре показали, что, судя по диаметру узла, со-
ответствующего официальному аккаунту @геаЮопаЫТгитр, в марте 2020 г. официальный аккаунт Трампа, в отличие от официального аккаунта Байдена, был хабом сети: @геаШопаЫТгитр был узлом с большим количеством взаимодействий (связей) с другими пользователями сети и, как следствие, инфлю-енсером, генерирующим и распространяющим большое количество контента среди огромного числа пользователей, а также влияющим на их социально-поведенческие паттерны.
Март 2020 Октябрь 2020
Рис. 1. Визуализация сети пользователей: «Март 2020» - «Октябрь 2020» Fig. 1. Users "March 2020" - "October 2020": network visualization
ПЕРИФЕРИЯ ПРОНИКНОВЕНИЕ АЛЬТЕРНАТИВНОГО ПОЛЯ
Март 2020 Октябрь 2020
Рис. 2. Визуализация сети сообщений: «Март 2020» - «Октябрь 2020» Fig. 2. Messages "March 2020" - "October 2020": network visualization
В октябре диаметр узла, соответствующего аккаунту Байдена, увеличивается более чем в два раза обратно пропорционально узлу, представляющему аккаунт Трампа. Это означает, что в октябре 2020 г. официальный аккаунт Байдена имел в два раза больше взаимодействий с пользователями сети, в отличие от аккаунта Трампа, к окончанию предвыборной гонки свидетельствовавшего о потере большей части сторонников кандидата в президенты и влияния в дискурсивном поле.
Бинарность сети пользователей, выражающаяся в четкой поляризации левой и правой областей сети, отражает настроения граждан, которые поддерживали Трампа (правая) или же были его ярыми противниками (левая область).
Кроме потери основной массы пользователей, поддерживающих Трампа в марте, визуализация показывает, что ключевые хабы, связанные с хабом @геаЮопаЫТттр (сателлиты), как и хабы, составляющие ядро сторонников Трампа, не исчезают, но, напротив, становятся важной частью его сетевого окружения. Это говорит о том, что, несмотря на турбулентность в сети, вызванную информационными войнами, о которых будет сказано ниже, ядерная ее часть, как и ядерный электорат, осталась резистентной к агрессивному информационному влиянию, направленному против Трампа.
Анализ визуализаций сети сообщений (см. рис. 2) показал, что в марте 2020 г. периферия ядра (сообщения, напрямую не связанные с ядерной темой и призванные переориентировать внимание пользователей на другие темы или акторов) характеризовалась приблизительно равным объемом сообщений в сравнении с октябрьскими данными. Однако консолидация узлов ближе к разрыву границы дискурсивного поля свидетельствует об относительном однообразии тем и отражает тенденцию встраивания альтернативных дискурсов в основной дискурс с целью направленного размывания дискурсивного поля, созданного для привлечения сторонников Трампа. Оппозиция определила круг тем, которые были призваны отвлечь внимание от обсуждения предвыборной кампании Трампа, и успешно реализовала свою стратегию.
В октябре 2020 г. периферия дискурсивного поля характеризуется большей степенью диффузии (разбросом узлов по всей периферии дискурсивного поля) и, как следствие, разнообразием тем, которое показывает, что в октябре 2020 г. осуществлялось некое зондирование предпочтений пользователей с целью выявления триггерных точек - тем, которые бы привлекли внимание пользователей, переориентировав его с обсуждения Трампа.
Несмотря на потерю Трампом большого количества сторонников, обсуждение темы «trump» в октябре активизируется. Об этом свидетельствует консолидация ядра и некоторое смещение края дискурсивного поля к центру: темы, которые были опосредованно связаны с темой избирательной кампании Трампа становятся к ней ближе в октябре 2020 года.
Для исследования дискурсивных полей на микроуровне нами была разработана компьютерная программа (написана на языке программирования Python), включающая аналитический инструмент VADER (Valence Aware Dictionary and sEntiment Reasoner), который содержит «золотой стандарт» лексикона и был специально разработан для анализа сообщений микроблогов.
Для автоматизированной оценки отношения создателя текста к описываемым объектам на основе вычислительной обработки субъективности в тексте нами применялся автоматический анализ тональности текста, или сентимент-анализ (англ. Sentiment analysis, англ. Opinion mining), который относится к методам контент-анализа в компьютерной лингвистике (подробно см.: [Sarkar, 2016]). Он позволяет исследовать массивы данных и оценивать уровень экспрессии пользователей в выражении отношения к определенному объекту.
Посредством инструмента VADER мы определили совокупную полярность (положительное или отрицательное отношение) и интенсивность выражения настроений пользователей для каждого датасета в целом, а также совокупный балл по каждому сообщению. Совокупный балл рассчитывался автоматически путем суммирования баллов валентности каждого слова в лексиконе, скорректированной и нормализованной до значений -1 (максимальное отрицательное значение, кото-
рое соответствует крайнему отрицательному отношению), +1 (максимальное положительное значение, которое соответствует крайнему положительному отношению) и 0 (нейтральное значение, которое свидетельствует о том, что отношение к событию или явлению нейтрально). Для каждого из основных дата-сетов с помощью инструмента VADER была выполнена оценка тональности и сформировано по два поддатасета на точку, состоящие из сообщений с совокупной оценкой от -1 до 0 и от 0 до +1 («Март 2020 +», «Март 2020 -»; «Октябрь 2020 +», «Октябрь 2020 -»). В результате частотного анализа полученных под-датасетов выявлен набор наиболее частотных фрагментов (word chunks) с целью обнаружения и сопоставления тем, доминирующих в дискурсивных полях.
Полученные поддатасеты были проверены на наличие рекуррентных сообщений с целью выявления тенденций в формировании блоговолн. Рекуррентные сообщения представляют собой цепочки сообщений, размещаемых от имени разных пользователей, или репосты сообщений. Идея репоста состоит в том, чтобы сделать некоторое сообщение видимым для других пользователей из числа подписчиков аккаунта, от лица которого совершается репост. На данный момент репост превратился в мощное маркетинговое средство, которым пользуются все, начиная от маркетологов и заканчивая политиками. Цель использования рекуррентных сообщений в политических кампаниях заключается в искусственном создании фейковых блоговолн -информационных каскадов (группового поведения пользователей, социальных агентов), которые обусловливают трансформацию или формирование новых паттернов социального действия пользователей, что достигается посредством создания и распространения нар-ративов и дискурсов среди максимально возможного количества пользователей - участников дискурсивного поля.
Информационные каскады в естественной коммуникации формируются многочисленными пользователями за счет размещения ими семантически однопланового контента, что происходит ввиду совпадения мнений. Однако в дискурсивных полях с большим количеством рекуррентных сообщений (более
50 % от общего объема сообщений) происходит целенаправленное формирование «ложных» информационных каскадов и управление мнениями участников дискурсивного взаимодействия. Пользователи данного поля формируют суждения, согласующиеся со сфабрикованным мнением большинства, приходят к ложным умозаключениям о популярности определенного лингводискурсивного поведения в рамках сообщества, что обусловливает необдуманные, расходящиеся с их истинными убеждениями или иррациональные решения о поддержке социально-политического курса. Дискурсивное манипулирование мнениями посредством «ложных» информационных каскадов, или «согласованных кампаний по распространению дезинформации» (см. аналитический отчет: [Madung, ОЫк>, 2021]), сформированных перекрестной рекуррентостью, социологи называют «паразитированием на мнении большинства» [Кара-Мурза, Смирнов, 2009].
Рекуррентные сообщения применяются для манипулирования мнениями пользователей внутри дискурсивного поля, так как искусственно создают социальное давление. В результате анализа группового поведения участников дискурсивного поля пользователи склонны принимать определенное решение даже в том случае, когда оно не соответствует их взглядам и мировоззрению или является иррациональным. Другими словами, информационные каскады, создаваемые рекуррентными сообщениями, способны менять социально-когнитивные и поведенческие паттерны и вызывать социальное действие, а их деструктивный потенциал состоит в создании иллюзии массовости, которая обусловливает желаемую для создателя искусственного информационного каскада реакцию пользователей.
Количество рекуррентных сообщений в анализируемой выборке существенно превышает количество оригинальных сообщений пользователей. Рекуррентные сообщения составили 77 и 79 % для поддатасетов «Март 2020 +» и «Март 2020 +», 76 и 74 % для поддатасетов «Октябрь 2020 +» и «Октябрь 2020 -».
Данные поддатасеты подверглись частотному анализу для выявления наиболее частотных фрагментов, к которым был при-
менен лингводискурсивный анализ, состоящий из контент-анализа, интерпретативного анализа, дополненного стилистическим и компонентным анализом, а также верификацией выводов посредством обращения к оригинальным текстам сообщений, содержащих частотный фрагмент, что позволило нам определить тематики нарративов, функционирующих в анализируемых дискурсивных полях.
Лингводискурсивный и сопоставительный анализ частотных фрагментов поддата-сетов «Март 2020 +» и «Март 2020 -» показал, что основными темами сообщений с положительной и отрицательной тональностью стали: политический курс страны, правительство, семья Трампа (в том числе факты о дочери Д. Трампа, семейном бизнесе и законности финансовых операций), ложь СМИ, Трампа, его противников, пандемия СОУГО-19 (в том числе сокрытие реальных показателей распространения инфекции), безумие (Трампа, Байдена, сограждан, доверяющих обещаниям политиков).
Для сообщений с отрицательной тональностью характерны темы здравоохранения и легитимности, а также использование нейтральной лексики, в то время как для сообщений с положительной тональностью - призывы к интеграции и большая экспрессивность .
Лингводискурсивный и сопоставительный анализ частотных фрагментов поддата-сетов «Октябрь 2020 +» и «Октябрь 2020 -» показал, что основными темами сообщений с положительной и отрицательной тональностью стали: указание на время (проведения выборов, срок Трампа на посту президента), правительство и администрация Трампа, политика, предвыборная гонка и известные люди. При этом экспрессивность сообщений из данных поддатасетов в два раза выше, чем в поддатасетах марта.
Для сообщений с отрицательной тональностью характерна более высокая экспрессивность по сравнению с сообщениями с положительной тональностью. В них реже упоминается Трамп и Байден, но чаще судебная и законодательная системы, а также здравоохранение, показатели и оценки эффективности работы государственных структур.
Для сообщений из поддатасетов «Октябрь 2020 +» и «Октябрь 2020 -» характерно практически полное отсутствие темы лжи и фальсификации фактов, безумия Трампа или его противников, снижение интенсивности обсуждения пандемии COVID-19, а также появление новых тем - изменение климата, права женщин и темнокожих граждан.
Исследование дискурсивных полей на макроуровне (реляционный анализ сети сообщений и лингводискурсивный анализ сообщений выборки) показало, что с марта по октябрь в дискурсивном поле, созданном для проведения предвыборной кампании Трампа и привлечения сторонников, осуществлялось целенаправленное размывание и переориентация внимания пользователей. Ослабление тенденции в октябре свидетельствует о достижении поставленной цели, что подтверждается результатами анализа сети пользователей: Трамп теряет доминирующие позиции и большую часть сторонников и, таким образом, перестает быть инфлюенсером в дискурсивном поле, уступая эту роль Байдену, своему главному противнику в предвыборной гонке.
В марте 2020 г. процентное соотношение сообщений с положительной и отрицательной тональностями было примерно равным и составило 51 и 49 % соответственно. Однако в октябре 2020 г., несмотря на то, что Трамп потерял большую часть своих сторонников, процентное соотношение твитов с положительной тональностью выросло на 12 %, и распределение сообщений с положительной и отрицательной тональностями составило 63 и 37 % соответственно. Таким образом, тональность скорее отражает степень агрессивности информационной войны, нежели настроения электората и отношение к объекту исследования. Мы можем сделать вывод о социально-политической тенденции: снижение количества сообщений с отрицательной тональностью в октябре говорит о спаде напряжения в предвыборной гонке и отсутствии необходимости вести жесткую агитацию не только за или против Трампа, но и за или против его оппонентов.
Наличие в дискурсивном поле аномально высокого уровня рекуррентных сообщений, содержащих наиболее частотные фрагменты (word chunks), свидетельствует о присутствии
ботов - пользователей или программ, рассылающих однотипные сообщения или пересылающих (посредством функции «репост») определенные сообщения максимально большому количеству пользователей с целью создания искусственной блоговолны / фейкового информационного каскада. Искусственные бло-говолны в дискурсивном поле определяют формирование социокогнитивных паттернов пользователей и детерминируют их поведение, определяя некоторое социальное действие. Таким образом, выявление источника создания блоговолны и оценка ее направленности позволяют определить вектор информационной политической борьбы.
Результаты анализа дискурсивных полей на микроуровне показали, что дискурсивные поля в анализируемых контрольных точках в основном формировались блоками рекуррентных сообщений для агитации, дискредитации или защиты и улучшения имиджа. Следовательно, целенаправленное формирование дискурсивных полей в онлайн-пространстве - инструмент информационной войны и неотъемлемая часть политической борьбы.
Особенностью анализируемых дискурсивных полей является «перекрестная рекуррентность», которая определяется нами как наличие в дискурсивном поле перемежающихся блоков рекуррентных сообщений (они могут насчитывать несколько тысяч единиц), противоположных по прагматической направленности. Блоки рекуррентных сообщений рассылаются с целью положительного позиционирования, защиты, агитации за своего кандидата и дискредитации противника; представляют собой ответ на блоки дискредитирующих сообщений, рассылаемых оппонентом. Как показано исследователями, успешное «заражение» сети пользователей и запуск блоговолны реализуется при охвате 10 % ха-бов [Liu, Slotine, Barabasi, 2011]. Таким образом, таргертированная рассылка рекуррентных сообщений инфлюенсерами позволяет в максимально короткие сроки запустить бло-говолну и распространить нарративы, дискурсы, идеологию.
Рекуррентные сообщения в контексте информационных войн используются для мобилизации пользователей, включенных в дискурсивное поле. Уровень видимости подобных
сообщений увеличивается за счет повторяемости и массовости. Это обусловливает повышенную персуазивность рекуррентных сообщений и подверженность пользователей их влиянию. Такие сообщения рефреном повторяются в последующих оригинальных (в противовес рекуррентным) сообщениях, публикуемых пользователями сети, и порождают информационные каскады. Например, восторженное сообщение, отсылающее читателя к твиту известного шотландского журналиста Мартина Маклафлина [McLaughlin, 2021] об официальном решении ЕС ограничить использование торговой марки «Trump» для целого ряда товаров: Another great story by @MartynMcL on the Trump Org beat in Scotland. https://t.co/7dGtoI7xsV - Еще одна чудесная история @MartynMcL об избиении Trump Org в Шотландии (здесь и далее перевод наш. - О. М., Н. Р), - находит отражение в сообщениях, стилистически и структурно копирующих его, ср.:
Another Liberal that doesn't understand the Trump Train... https://t.co/CHm8ZAXU6c - Еще один либерал, который не понимает Trump Train (суть политики Трампа. - О. М., Н. Р.)...;
Another unsolicited #Shout0utBlitzTrump2020... https://t.co/f9foypoJmg - Еще один непрошенный #Shout0utBlitzTrump2020 ...
Данный пример иллюстрирует применение стратегии «встраивания в дискурс» оппонента с целью манипулирования смыслами, искажения содержания и в конечном счете дискредитации противника и представления собственных слов или действий в выгодном свете. Такая стратегия реализуется за счет подражания (копирования стилистики и/или композиционной структуры сообщения оппонента), создания комического эффекта и выражения саркастического отношения к оппоненту. Например, ответом на сообщение, опубликованное официальным аккаунтом Д. Трампа, стало схожее по структуре, но содержащее противоположный смысл послание:
.@realDonaldTrump and the Trump administration are taking decisive action to combat #coronavirus:
V Declared a national emergency to free up federal resources
V Partnering with the private sector to expand #COVID-19 testing
V Restricting travel to keep Americans safe;
.@ realDonaldTrump и администрация Трампа принимают решительные меры по борьбе с # коронавирусом:
V для высвобождения федеральных ресурсов в стране объявлено чрезвычайное положение
V для расширения тестирования #COVID-19 реализуется партнерство с частным сектором
V для обеспечения безопасности граждан осуществляется ограничение поездок
Ср.:
.@realDonaldTrump scorecard
1 Mexico didn't pay for the wall
2 North Korea didn't disarm
3 US farmers are being paid NOT to farm
4 Deficit has skyrocketed
5 Immigration is UP
6 Trump never released his taxes
7 2020 election has little protection
8 World leaders laughing at Trump;
Показатели .@ realDonaldTrump
1 Мексика не заплатила за строительство стены
2 Северная Корея не разоружилась
3 Фермерам США платят, чтобы они НЕ занимались сельским хозяйством
4 Дефицит резко вырос
5 Иммиграция ползет ВВЕРХ
6 Трамп так и не отчитался о налогах
7 У выборов 2020 года низкий уровень кибер-безопасности и безопасности инфраструктуры
8 Мировые лидеры смеются над Трампом.
Оппозиция высмеивает действия администрации президента Трампа, саркастически высказываясь о его достижениях. Данная стратегия может быть эффективной при сниженном уровне экспрессии (отражающем сдержанность «говорящего» и разумность выдвигаемых утверждений) и логичности в освещении фактов -подходе, нивелирующем значимость достоверности, которая в эпоху постправды не является приоритетом. На фоне усиленного акцентирования темы безумия Трампа или его противников сохранение спокойствия и ясности ума - наиболее выгодная поведенческая стратегия.
Однако в дискурсивном поле любая аллюзия на действия или слова оппонента приводит к повышению интереса и может, вопреки ожиданиям, усилить его влияние. Ввиду
данного обстоятельства, в контексте информационной войны в дискурсивном поле стратегия купирования контактов с оппонентом, демонстрирующим деструктивное дискурсивное поведение, является наиболее обоснованной.
Заключение
Основной стратегией ведения предвыборных кампаний в онлайн-пространстве является целенаправленное формирование управляемых дискурсивных полей, в рамках которых осуществляется дискурсивное манипулирование - влияние доминирующих наррати-вов, мнений и идеологии. Это позволяет политическим акторам управлять решениями избирателей.
Потенциал влияния дискурсивных полей и тематику распространяющихся нарративов возможно оценить, анализируя сетевые лингвистические данные, которые генерируются в ходе формирования информационных каскадов.
Применение методов сетевой лингвистики позволило авторам статьи: визуализировать дискурсивные поля; выявить области аномальной дискурсивной активности; исследовать характер взаимодействия дискурсов внутри дискурсивного поля; определить тональность сообщений и оценить уровень их рекуррентности.
Анализ визуализаций дискурсивных полей показал динамику влиятельности основных лидеров мнений в марте - октябре 2020 г.: лидирующую позицию занял Дж. Байден.
Аномальная дискурсивная активность в контрольной точке «Март 2020» отражает тенденцию встраивания альтернативных дискурсов в основное дискурсивное поле с целью его размывания: оппозиции удалось переключить внимание части пользователей с обсуждения предвыборной кампании Д. Трампа на другие темы. Стратегии встраивания в дискурс оппонента использовалась всеми участниками предвыборной кампании и реализовывалась за счет подражания (копирования стилистики и/или композиционной структуры сообщения оппонента), создания комического эффекта и выражения саркастического отношения к оппоненту. В ситуации деструктивного дискурсивного поведения оппонента, применение стратегии купиро-
вания контактов с оппонентом является наиболее обоснованным и эффективным средством предотвращения распространения нежелательного дискурса.
Анализ областей аномальной дискурсивной активности в точке «Октябрь 2020» позволил выявить увеличение диффузности периферии дискурсивного поля как показателя продолжающегося размывания фокуса внимания внутри дискурсивного поля. Низкая диффуз-ность в ядре дискурсивного поля отражает консолидацию пользователей вокруг Д. Трампа, которая, видимо, привела к объединению сторонников, в январе 2021 г. предпринявших попытку захвата Капитолия США.
Дискурсивные поля, созданные для консолидации сторонников Д. Трампа во время завершающего этапа предвыборной кампании в США 2020 г., в основном формировались блоками рекуррентных сообщений, противоположных по своей прагматической направленности для дискредитации или агитации, защиты и улучшения имиджа основных кандидатов в президенты (Дж. Байдена и Д. Трампа). Наличие в дискурсивном поле аномально высокого уровня рекуррентных сообщений свидетельствует об активной деятельности ботов по созданию блоговолн и распространению информационных каскадов, повышающих уровень дискурсивного манипулирования. Высокий уровень рекуррентности говорит об активной фазе информационной войны в дискурсивном поле, созданном для привлечения сторонников.
Использование методов сетевой лингвистики позволяет выявлять критические области дискурсивной активности (микроуровень) и определять тенденции развития дискурсивных полей (макроуровень) для понимания сути социально-политических и социально-экономических процессов и предиктивной аналитики их развития.
ПРИМЕЧАНИЯ
1 Исследование выполнено при финансовой поддержке РФФИ (Отделение гуманитарных и общественных наук) в рамках научного проекта № 20012-00033 «Лингвистические модели социально-политической коммуникации в онлайн-пространстве: дискурсивные поля, паттерны и гибридная методология анализа сетевых данных».
The study is given a financial support by The Russian Foundation for Basic Research (Department of Humanitarian and Social Science), the research project no. 20-012-00033 entitled "Linguistic models of sociopolitical communication in the online space: discursive fields, patterns and hybrid methodology of network data analysis".
2 Именованная сущность (от англ. named entity) - термин из области нейронных сетей и естественной обработки языка (Natural Language Processing), который представляет собой обозначение именем собственным физически существующего или абстрактного объекта реального мира: человека, организации, продукта или места.
СПИСОК ЛИТЕРА ТУРЫ
Кара-Мурза С. Г., Смирнов С. В., 2009. Манипуляция сознанием - 2. М. : Эксмо : Алгоритм. 528 с.
Катермина В. В., Рябченко Н. А., Малышева О. П., Гнедаш А. А., 2021. Лингвистические модели социально-политической коммуникации в он-лайн-пространстве // Вестник Российского фонда фундаментальных исследований. Гуманитарные и общественные науки. №№ 4 (106). С. 87-100. DOI: 10.22204/2587-8956-2021-106-04-87-100 Рябченко Н. А., Малышева О. П., 2020. Характеристики современной политической коммуникации в онлайн-пространстве // Вопросы когнитивной лингвистики. N° 2. С. 101-113. DOI: 10.20916/1812-3228-2020-2-101-113 Рябченко Н. А., Малышева О. П., Гнедаш А. А., 2019. Управление политическим контентом в социальных сетях в период предвыборной кампании в эпоху постправды // Полис. Политические исследования. № 2. С. 92-106. DOI: 10.17976/jpps/2019.02.07 Тимофеева Л. Н., Рябченко Н. А., Малышева О. П., Гнедаш А. А., 2022. Цифровая социально-политическая повестка дня и ее осмысление в условиях новой медиаэкологии // Полис. Политические исследования. N° 2. C. 37-51. DOI: 10.17976/jpps/2022.02.04 Bakioglu F., Korkmaz O., Ercan H., 2020. Fear of COVID-19 and Positivity: Mediating Role of Intolerance of Uncertainty, Depression, Anxiety, and Stress // International Journal of Mental Health and Addiction. P. 1-14. DOI: 10.1007/s11469-020-00331-y
Bednarek M., Caple H., 2014. Why Do News Values Matter? Towards a New Methodological Framework for Analyzing News Discourse in Critical Discourse Analysis and Beyond // Discourse & Society. Vol. 25, iss. 2. P. 135-158.
Dimock M., Gramlich J., 2021. How America Changed During Donald Trump's Presidency. URL: https:// www.pewresearch.org/2021/01/29/how-america-changed-during-donald-trumps-presidency/ Felt M., 2016. Social Media and the Social Sciences: How Researchers Employ Big Data Analytics // Big Data & Society. Vol. 3, iss. 1. DOI: 10.1177/ 2053951716645828 Gramlich J., 2020. What the 2020 Electorate Looks Like by Party, Race and Ethnicity, Age, Education and Religion. URL: https://www.pewresearch. org/fact-tank/2020/10/26/what-the-2020-electorate-looks-like-by-party-race-and-ethnicity-age-education-and-religion/ Grossi V, Rapisarda B., Giannotti F., Pedreschi D., 2018. Data Science at SoBigData: The European Research Infrastructure for Social Mining and Big Data Analytics // International Journal of Data Science and Analytics. № 6 (3). P. 205-216. Hess A.J., 2020. The 2020 Election Shows Gen Z's Voting Power for Years to Come. URL: https:// www.cnbc.com/2020/11/18/the-2020-election-shows-gen-zs-voting-power-for-years-to-come.html
Holbein J. B., Hillygus D. S., 2020. Making Young Voters: Converting Civic Attitudes into Civic Action. Cambridge : Cambridge University Press. 282 p. Khan T. H., MacEachen E., 2021. Foucauldian Discourse Analysis: Moving Beyond a Social Constructionist Analytic // International Journal of Qualitative Methods. Vol. 20. DOI: 10.1177/ 16094069211018009 Liu Y. Y., Slotine, J.J., Barabasi A. L., 2011. Controllability of Complex Networks // Nature. № 473. P. 167-173. DOI: 10.1038/nature10011 Madung O., Obilo B., 2021. How to Manipulate Twitter and Influence People: Propaganda and the Pandora Papers in Kenya // Analytical Report. Mozilla Foundation. URL: https://assets. mofoprod.net/network/documents/pandora_
disinfo_report_2_hcc.pdf
Malysheva O., Ryabchenko N., 2020a. Hashtags As Structural Elements of Digital Socio-Political Agenda: Folksonomy Analysis // International Scientific Forum "Issues of Modern Linguistics and the Study of Foreign Languages in the Era of Artificial Intelligence (Dedicated to World Science Day for Peace and Development)" (LLT Forum 2020) (Moscow, November 10-12, 2020). Moscow : EDP Sciences. № 88. P. 1199-1209. DOI: 10.1051/shsconf20208801025 Malysheva O., Ryabchenko N., 2020b. Innovative Approaches in Linguistics: Network Analysis of Linguistic Data // Proceedings of the X International Conference "Word, Utterance, Text: Cognitive, Pragmatic and Cultural Aspects (WUT
2020)" (Chelyabinsk, April 27-29, 2020). European Proceedings of Social and Behavioural Sciences. № 86. S. 1199-1209. DOI: 10.15405/ EPSBS.2020.08.138 Mayo M., 2020. Community-Based Learning and Social Movements: Popular Education in a Populist Age. Bristol : Policy Press. 216 p. McLaughlin M., 2021. Martyn McLaughlin : Personal
Blog. URL: https://martynmclaughlin.com Mondon A., Winter A., 2020. Reactionary Democracy: How Racism and the Populist Far Right Became Mainstream. L. : Verso Books. 240 p. Potts A., Bednarek M., Caple H., 2015. How Can Computer-Based Methods Help Researchers to Investigate News Values in Large Datasets? A Corpus Linguistic Study of the Construction of Newsworthiness in the Reporting on Hurricane Katrina // Discourse & Communication. № 9 (2). P. 149-172. DOI: 10.1177/1750481314568548 Prensky M., 2001. Digital Natives, Digital Immigrants.
Part 1 // On the Horizon. Vol. 9, № 5. P. 1-6. Ryabchenko N., Malysheva O., 2020. Explanatory Model of Digital Socio-Political Agenda // De-Westernizing Media and Cultural Studies: New Discourse Practices in the Digital World : Proceedings of 12th International Media Readings in Moscow "Mass Media and Communications 2020" (Moscow, November 19-20, 2020). Moscow : Fakul'tet zhurnalistiki FGOUVO, Moskovskij gosudarstvennyj universitet im. M.V Lomonosova. P. 84-85. Sarkar D., 2016. Text Analytics with Python. N. Y. ; Berkeley : USA Apress. 674 p. DOI: 10.1007/ 978-1-4842-4354-1 Wahl-Jorgensen K., 2019. Emotions, Media and Politics. Contemporary Political Communication. Cambridge : Polity Press : John Wiley & Sons. 248 p.
REFERENCES
Kara-Murza S.G., Smirnov S.V., 2009. Manipuljacija soznaniem - 2 [Mind Manipulation - 2]. Moscow, Eksmo Publ., Algoritm Publ. 528 p.
Katermina V.V., Ryabchenko N.A., Malysheva O.P., Gnedash A.A., 2021. Lingvisticheskie modeli socialno-politicheskoy kommunikatsii v onlayn-prostranstve [Linguistic Models of Social and Political Communication in Online Space]. Vestnik Rossiyskogo fonda fundamentalnykh issledovaniy. Gumanitarnye i obshchestvennye nauki [Bulletin of the Russian Foundation for Fundamental Research. Humanities and Social Sciences], no. 4 (106), pp. 87-100. DOI: 10.22204/ 2587-8956-2021-106-04-87-100
Ryabchenko N.A., Malysheva O.P., 2020. Kharakteristiki sovremennoy politicheskoy kommunikatsii v onlayn-prostranstve [Characteristic Features of Modern Political Communication in the Online-Space]. Voprosy kognitivnoy lingvistiki [Issues of Cognitive Linguistics], no. 2, pp. 101-113. DOI: 10.20916/ 1812-3228-2020-2-101-113 Ryabchenko N.A., Malysheva O.P., Gnedash A.A., 2019. Upravlenie politicheskim kontentom v socialnykh setyah v period predvybornoy kampanii v epokhu postpravdy [Presidential Campaign in Post-Truth Era: Innovative Digital Technologies of Political Content Management in Social Networks Politics]. Polis. Politicheskie issledovaniya [Polis. Political Studies], no. 2, pp. 92-106. DOI: 10.17976/jpps/2019.02.07 Timofeyeva L.N., Ryabchenko N.A., Malysheva O.P, Gnedash A.A., 2022. Tsifrovaya socialno-politicheskaya povestka dnya i ee osmyslenie v uslovyakh novoy mediaekologii [The Digital Socio-Political Agenda and Its Conceptualization Within the New Media Ecology Framework]. Polis. Politicheskie issledovanija [Polis. Political Studies], no. 2, pp. 37-51. DOI: 10.17976/ jpps/2022.02.04 Bakioglu F., Korkmaz O., Ercan H., 2020. Fear of COVID-19 and Positivity: Mediating Role of Intolerance of Uncertainty, Depression, Anxiety, and Stress. International Journal of Mental Health and Addiction, pp. 1-14. DOI: 10.1007/s11469-020-00331-y
Bednarek M., Caple H., 2014. Why Do News Values Matter? Towards a New Methodological Framework for Analyzing News Discourse in Critical Discourse Analysis and Beyond. Discourse & Society, vol. 25, iss. 2, pp. 135-158. Dimock M., Gramlich J., 2021. How America Changed During Donald Trump's Presidency. URL: https:// www.pewresearch.org/2021/01/29/how-america-changed-during-donald-trumps-presidency/ Felt M., 2016. Social Media and the Social Sciences: How Researchers Employ Big Data Analytics. Big Data & Society, vol. 3, iss. 1. DOI: 10.1177/ 2053951716645828 Gramlich J., 2020. What the 2020 Electorate Looks Like by Party, Race and Ethnicity, Age, Education and Religion. URL: https://www. pewresearch.org/fact-tank/2020/10/26/what-the-2020-electorate-looks-like-by-party-race-and-ethnicity-age-education-and-religion/ Grossi V, Rapisarda B., Giannotti F., Pedreschi D., 2018. Data Science at SoBigData: The European Research Infrastructure for Social Mining and Big Data Analytics. International Journal of Data Science and Analytics, no. 6, no. 3, pp. 205-216.
Hess A.J., 2020. The 2020 Election Shows Gen Z's Voting Power for Years to Come. URL: https:// www.cnbc.com/2020/11/18/the-2020-election-shows-gen-zs-voting-power-for-years-to-come.html
Holbein J.B., Hillygus D.S., 2020.Making Young Voters: Converting Civic Attitudes into Civic Action. Cambridge, Cambridge University Press. 282 p. Khan T.H., MacEachen E., 2021. Foucauldian Discourse Analysis: Moving Beyond a Social Constructionist Analytic. International Journal of Qualitative Methods, vol. 20. DOI: 10.1177/16094069211018009 Liu YY., Slotine, J.J., Barabasi A.L., 2011. Controllability of Complex Networks. Nature, no. 473, pp. 167173. DOI: 10.1038/nature10011 Madung O., Obilo B., 2021. How to Manipulate Twitter and Influence People: Propaganda and the Pandora Papers in Kenya. Analytical Report. Mozilla Foundation. URL: https://assets. mofoprod.net/network/documents/pandora_
disinfo_report_2_hcc.pdf
Malysheva O., Ryabchenko N., 2020a. Hashtags As Structural Elements of Digital Socio-Political Agenda: Folksonomy Analysis. International Scientific Forum "Issues of Modern Linguistics and the Study of Foreign Languages in the Era of Artificial Intelligence (Dedicated to World Science Day for Peace and Development) " (LLT Forum 2020) (Moscow, November 10-12, 2020). Moscow, EDP Sciences, no. 88, pp. 11991209. DOI: 10.1051/shsconf20208801025 Malysheva O., Ryabchenko N., 2020b. Innovative Approaches in Linguistics: Network Analysis of Linguistic Data. Proceedings of the 10th International Conference "Word, Utterance, Text: Cognitive, Pragmatic and Cultural Aspects (WUT 2020)" (Chelyabinsk, April 27-29, 2020). European Proceedings of Social and Behavioural Sciences, no. 86. pp. 1199-1209. DOI: 10.15405/EPSBS.2020.08.138 Mayo M., 2020. Community-Based Learning and Social Movements: Popular Education in a Populist Age. Bristol, Policy Press. 216 p. McLaughlin M., 2021. Martyn McLaughlin. Personal
Blog. URL: https://martynmclaughlin.com Mondon A., Winter A., 2020. Reactionary Democracy: How Racism and the Populist Far Right Became Mainstream. London, Verso Books. 240 p. Potts A., Bednarek M., Caple H., 2015. How Can Computer-Based Methods Help Researchers to Investigate News Values in Large Datasets? A Corpus Linguistic Study of the Construction of Newsworthiness in the Reporting on Hurricane Katrina. Discourse & Communication, no. 9 (2), pp. 149-172. DOI: 10.1177/1750481314568548
Prensky M., 2001. Digital Natives, Digital Immigrants.
Part 1. On the Horizon, vol. 9, no. 5, pp. 1-6. Ryabchenko N., Malysheva O., 2020. Explanatory Model of Digital Socio-Political Agenda. De-
Westernizing Media and Cultural Studies: New Discourse Practices in the Digital World: Proceedings of 12th International Media Readings in Moscow "Mass Media and Communications 2020" (Moscow, November
19-20, 2020). Moscow, Fakul'tet zhurnalistiki FGOUVO, Moskovskij gosudarstvennyj universitet im. M.V. Lomonosova, pp. 84-85. Sarkar D., 2016. TextAnalytics with Python. New York, Berkeley, USA Apress. 674 p. DOI: 10.1007/9781-4842-4354-1
Wahl-Jorgensen K., 2019. Emotions, Media and Politics. Contemporary Political Communication. Cambridge, Polity Press, John Wiley & Sons. 248 p.
Information About the Authors
Olga P. Malysheva, Candidate of Sciences (Philology), Associate Professor, Department of English Philology, Kuban State University, Stavropolskaya St, 149, 350040 Krasnodar, Russia, malysheva_op@mail.ru, https://orcid.org/0000-0001-8285-0508
Natalia A. Ryabchenko, Candidate of Sciences (Politics), Associate Professor, Department of Social Work, Psychology and Pedagogy of Higher Education, Kuban State University, Stavropolskaya St, 149, 350040 Krasnodar, Russia, rrrnatali@mail.ru, https://orcid.org/0000-0001-6980-2894
Информация об авторах
Ольга Петровна Малышева, кандидат филологических наук, доцент кафедры английской филологии, Кубанский государственный университет, ул. Ставропольская, 149, 350040 г. Краснодар, Россия, malysheva_op@mail.ru, https://orcid.org/0000-0001-8285-0508
Наталья Анатольевна Рябченко, кандидат политических наук, доцент кафедры социальной работы, психологии и педагогики высшего образования, Кубанский государственный университет, ул. Ставропольская, 149, 350040 г. Краснодар, Россия, rrrnatali@mail.ru, https://orcid.org/0000-0001-6980-2894
