CC BY
5
Современные проблемы образования
Чуганская
Анфиса Анваровна,
научный сотрудник, кандидат психологических наук, Федеральный исследовательский центр «Информатика и управление» РАН, г. Москва
e-mail: anfisa.makh@ gmail.com
Махмутова
Елена Николаевна,
доцент, кандидат психологических наук, Московский государственный институт международных отношений (МГИМО-Университет) МИД РФ, г. Москва e-mail: [email protected]
Подростки и молодежь в пространстве социальных сетей: к проблеме анализа эмоциональных реакций в сетевом общении
Teenagers and Youth in Social Media: Analyzing Emotional Reactions in Online Networking
Аннотация. В статье рассматривается проблема особенностей коммуникации современной российской молодежи и подростков в социальных сетях. Приводятся данные системы мониторинга по предпочитаемым платформам общения для разных половозрастных групп. Обзор зарубежных исследований, представленный в статье, позволяет рассмотреть психолингвистические платформы для автоматического анализа текстов комментариев при различных эмоциональных переживаниях, например, таких как горе, депрессивные состояния, реакции на стресс. Для этого разными исследователями создаются типологии видов комментариев и определяются приоритетные в каждом из типов эмоциональных переживаний. Направление автоматического анализа текстов с учетом психолингвистических показателей позволяет решать задачи использования технологий искусственного интеллекта в мониторинге больших социальных групп.
Ключевые слова: социальные сети, психолингвистика, подростки, социальные группы, эмоции
Abstract. The article deals with communication features of modern Russian youth and teenagers in social networks. The data of sociological surveys on preferred communication platforms for different age and gender groups are presented. The review of foreign studies, illustrated in the article, allows us to consider psycholinguistic platforms for automatic analysis of comments during various emotional experiences, for example, such as grief, depressive states, reactions to stress. To do so, different researchers create classifications of comment types and determine the priorities in each type of emotional experiences. Taking into account psycholinguistic
Подростки и молодeжь в пространстве социальных сетей: к проблеме анализа эмоциональных реакций в сетевом общении
Чуганская Анфиса Анваровна, Махмутова Елена Николаевна
indicators, the direction of automatic text analysis allows us to solve issues of using AI technologies in monitoring large social groups. Keywords: social networks, psycholinguistics, teenagers, social groups, emotions
Меняющийся мир существенным образом влияет на возможности адаптации человека в ситуации столкновения с событиями, выходящими из типичного набора сценариев. Это дает значительную нагрузку на сферу не только личностной адаптации, но и того, как переживает субъект, какие эмоциональные состояния испытывает в отношении социально значимых событий или ситуаций, в которых надо выработать свою ценностно-мировоззренческую позицию. Эти глобальные изменения отражаются на молодых людях [Махмутова, Кузьмина, 2019], которые в силу преодоления возрастных кризисов подросткового периода и перехода в раннюю взрослость [Крайг, Бокум, 2005] не всегда могут найти конструктивный выход в таком возрастном становлении и не пойти по пути следования своим первичным эмоциональным импульсам. Особенности коммуникации молодежи и подростков переводят исследования в область изучения социальных сетей.
Одной из задач сетевой психодиагностики является использование различных инструментов анализа поведения пользователей [Devyatkin, et al., 2021]. И в этом плане важным становится использование психолингвистических параметров для исследования той составляющей личности и ее проявлений, которые «демонстрируются» в виртуальных средах общения. Сетевая «субличность» (по аналогии с методологией Ассаджиоли) [Ассаджиоли, 1994] не отражает личность реальную, а лишь раскрывает часть психической жизни человека. Цифровые следы в виде фотографий, текстовых сообщений и комментариев, репостов, активности в сообществах или в целом информация о времени, проведенном в той или иной сетевой платформе, количестве лайков и т. д. позволяют реконструировать на основе этих новых «культурных» продуктов [Выготский, 1984] цифрового общества внутренний мир пользователя. На первый план для анализа смысловой составляющей эмоциональных переживаний и состояний становится анализ текстовых сообщений. Методически встает два важных вопроса: какой материал брать из обширной информации сетевого взаимодействия, чтобы он был валидным в отношении групп подростков и молодежи, и какими средствами выявлять достоверные психолингвистические параметры.
Вопрос о выборе сетевого материала для анализа эмоциональных реакций молодежи и подростков во многом определяет достоверность и прогностическую возможность получаемых выводов. И в этом случае часто используются два критерия: социологический на основе опроса пользователей
Anfisa
Chuganskaya,
Ph. D. in Psychology, Researcher, Federal Research Center "Computer Science and Control" of the Russian Academy of Sciences, Moscow
Elena
Makhmutova,
Ph. D. in Psychology, Associate Professor, Moscow State Institute of International Relations (MGIMO University) under the Russian Federation Ministry of Foreign Affairs, Moscow
Современные проблемы образования
Возраст
до 18 ЛЁТ 18-24 лет 55-34 лет 35-<14 лет 45-54 пет 55 и старше
Авторов
1316 955 2253095 3 505 171 2991800 1316077 104Й072
%
10.5ЭЙ 18.16К Ж17И 24, Об-/. 10.59/: 8.43К
Рисунок 1. Статистика социальной сети ВКонтакте по данным Brand Analytics за август 2022 г.
BoipiCT
По IBnei
18-24 пет
25 34 пот
35-44 лат
45-54 пет
55*1 старше
Авторов
1302 Э05
г 273065
Э481 337 ЗСП4 оэв
1 341 Зв7 1004 020
10.4 2У. 16,1Э% 17.ВЕ-/.
ЗЛ.1ХХ,
в.свк
Рисунок 2. Статистика социальной сети ВКонтакте по данным Brand Analytics за сентябрь 2022 г.
во]ркт Автор« И.
до лет О 0.004
1в 24 лет 347 1.44Й
25-34 лет 2135 8,67".
35-44 пет 6 »31 ге.еох
45-54 пет 8 675 Э6.05Я 24,84%
55*ст*рше 5 979
Рисунок 3. Статистика социальной сети Facebook* по данным Brand Analytics за август 2022 г.
* Признана экстремисткой организацией, запрещена на территории РФ
и их субъективного выбора площадок для общения и статистический, основанный на формализованных параметрах поведения пользователей. Именно второй критерий является часто более достоверным. Рассмотрим его на основе данных системы Brand Analytics [Статистика, 2022]. На Рисунках 1-4 представлены данные по возрастному составу пользователей популярных социальных сетей в августе-сентябре 2022 г.
Приведенные данные показывают явный фактор влияния социально-психологических параметров на выбор платформы общения. Сетевой ресурс ВКонтакте становится доминирующей площадкой для общения подростков и молодежи: в августе-сентябре 2022 г. его использовали в среднем 10,5 % подростков до 18 лет, 18,2 % молодежи 18-24 лет, 28,0 % молодежи 25-34 лет по сравнению с существенно меньшей популярностью использования Facebook (признана экстремисткой организацией, запрещена на территории РФ) в тех же возрастных группах (0 %, 1,45 %, 8,86 % соответственно).
Второй вопрос связан с исследованием эмоциональных проявлений в сети. Если обратиться к исследовательским работам по анализу психологических состояний в сети, то преобладающее количество посвящено исследованиям конкретных эмоций и переживаний пользователей, где ставится задача выявления психолингвистических показателей определенных групп респондентов. Так, Дж. Брубейкер, Ф. Кивран-Свейн, Л. Тейбер и Г. Хейс изучали то, как пользователи переживали утрату близкого человека и состояние горевания на материале анализа постов в социальной сети MySpace [Brubaker, et al., 2012]. Они изучали две группы постов: с формальными комментариями, которые выражали стандартные и иногда нормативные фразы в связи со смертью человека и переживанием утраты, и эмоционально насыщенные комментарии, которые выражали состояние дистресса и могли говорить об
Подростки и молодeжь в пространстве социальных сетей: J^) к проблеме анализа эмоциональных реакций в сетевом общении__| й^УУ
Чуганская Анфиса Анваровна, Махмутова Елена Николаевна I ISf
эмоциональном расстройстве и состоянии горя у человека. Исследователи предложили типологию такого рода комментариев:
• амбивалентные комментарии, игнорирующие комментарии без эмоционального содержания;
• воспоминания об умершем;
• прозаические комментарии с общим похоронным стилем;
• комментарии с положительным осмыслением утраты;
• комментарии с выраженным эмоциональным дистрессом без положительного рефрейма. Именно между последним типом комментариев и всеми остальными, как не обладающими характеристиками эмоционального дистресса, проводился сравнительный анализ. Психолингвистические параметры комментариев с эмоциональным дистрессом характеризовались большим использованием местоимений первого лица единственного числа, глаголов прошедшего времени, наречий, предлогов и союзов, отрицаний, лексики, выражающей гнев, а также большим количеством слов в тексте в целом. Комментарии без эмоционального стресса содержали более высокий уровень использования местоимений второго лица, лексику, отражающую позитивные эмоции и печаль.
В работе М. Телуолла была предложена автоматическая система анализа показателей текстов комментариев TensiStrength, которая на основе коротких сообщений из социальных сетей позволяла определить степень стресса и расслабления [Thelwell, 2017]. Оценка происходила по лингвистическим признакам и охватывала стресс и расслабление по двум шкалам от 1 до 5 с соответствующим знаком -/+. М. Телуолл взял 3066 постов в социальной сети Twitter, которые были разделена на несколько корпусов:
• общие слова;
• эмоциональные комментарии;
• оскорбления;
• мнения;
• комментарии, содержащие слова из лексики стресса;
• комментарии, содержащие слова из лексики транспорта и путешествий.
Исследователями проводилась оценка степени стресса и расслабленности на основе работы экспертов и с использованием автоматической оценки при помощи машинного обучения. Основная работа автоматической системы TensiStrength была основана на сентимент-анализе и учете дополнительных параметров, таких как использование смайлов, знаков пунктуации
Возраст
Авторов
До 18 Л4 г 18-24 МТ 25-34 л*т 35-44 пег 45-54л»г 55истарше
0 О.ООУ.
3/3 1.46У.
2 2Е6 в.SSV.
тзгв гв.гг/.
9354 36,5 m
6 399 24,95У.
Рисунок 4. Статистика социальной сети Facebook* по данным Brand Analytics за сентябрь 2022 г.
У
\Т ' I Современные проблемы образования
и их оценка (повторяющиеся знаки и наличие восклицательных), присвоение в словаре словам определенной силы стресса или расслабления.
В исследованиях психолингвистических параметров корпусов текста используются такие ресурсы, как WordNet, WordNet Affect, SentiWordNet и их различные аналоги. Отдельно можно выделить разработанный Дж. У. Пеннебейкером компьютерный инструмент Linguistic Inquiry and Word Count (LIWC) [Pennebaker, et al., 2001], который позволяет определять частотность аффективных слов, маркеры тем, частоту встречаемости в корпусе текстов разных частей речи и их форм. Выявление психолингвистических параметров текста, позволяющих создать профиль для определенного типа комментариев, обычно основывается на лексических и/или частотных характеристиках текста. Однако существенным ограничением такого вида инструментария является трудность его адаптирования из-за необходимости учета особенностей национальных языков.
Таким образом, автоматический анализ текстов в социальных сетях позволяет, с одной стороны, рассматривать сам факт выбора сетевого ресурса в качестве одного из социально-психологических группообразующих признаков. C другой стороны, непосредственный анализ содержания сетевых сообщений с учетом психолингвистических показателей позволяет решать задачи использования технологий искусственного интеллекта в мониторинге больших социальных групп, в частности для оценки степени эмоционального переживания, силы стресса, социальной фрустрации их представителей. щ
Литература:
Ассаджиоли, 1994 — АссаджиолиР. Психосинтез: теория и практика. — М.: REFL-book, 1994.
Выготский, 1983 — Выготский Л. С. Собрание сочинений в 6 т. Т. 3: Проблемы развития психики / Под. ред. А. М. Матюшкина. — М.: Педагогика, 1983. С. 368.
Крайг, Бокум, 2005 — Крайг Г., Бокум Д. Психология развития / Ред. перевода Т. В. Прохоренко. — СПб: Питер, 2005. С. 940.
Махмутова, Кузьмина, 2019 — Махмутова Е. Н, Кузьмина А. А. Психологические слагаемые успеха экономической социализации молодежи в цифровую эпоху // Герценовские чтения: психологические исследования в образовании, 2019. № 2. С. 447-450.
Статистика, 2022 — Статистика социальных сетей // Brand Analytics, 2022. Режим доступа: https://br-analytics.ru/statistics/author/fb/202209/20 (дата обращения: 21.09.2022).
Brubaker, et al., 2012 — Brubaker, J. R., Kivran-Swaine, F, Taber, L., Hayes, G. Grief-Stricken in a Crowd: The Language of Bereavement and Distress in Social Media // Proceedings of the International AAAI Conference on Web and Social Media, 2012. Vol. 6. No. 1. Pp. 42-49.
Devyatkin, et al., 2021 — Devyatkin, D., Chudova, N, Chuganskaya, A., Sharypina, D. Methods for Recognition of Frustration-Derived Reactions on Social Media // Kovalev, S. M., Kuznetsov, S. O., Panov, A. I. (eds). Artificial Intelligence. RCAI 2021. Lecture Notes in Computer Science. — Cham: Springer, 2021. Vol. 12948. Pp. 17-30.
Pennebaker, et al., 2001 — Pennebaker, J. W., Francis, M. E., Booth, R.. J. Linguistic Inquiry and Word Count (LIWC): LIWC2001. — Mahwah, NJ: Lawrence Erlbaum Associates, 2001. P. 21.
Thelwall, 2017 — Thelwall, М. TensiStrength: Stress and relaxation magnitude detection for social media texts // Information Processing & Management, 2017. Vol. 53. Pp. 106-121.
