Везде
Автоматизированный анализ текстов в психологии: состояние и перспективы мировых исследований
Оглавление
Аннотация Оценить Содержание публикации
Библиография Комментарии
Поделиться
QR
Метрика
Автоматизированный анализ текстов в психологии: состояние и перспективы мировых исследований
Аннотация
Код статьи
S020595920019417-4-1
DOI
10.31857/S020595920019417-4
Тип публикации
Статья
Статус публикации
Опубликовано
Авторы
Китова Д. А. 
Должность: профессор, ведущий научный сотрудник лаборатории истории психологии и исторической психологии
Аффилиация: ФГБУН Институт психологии РАН
Адрес: Российская Федерация, Москва
Журавлев А. Л.
Должность: Профессор, научный руководитель Института психологии РАН
Аффилиация: ФГБУН Институт психологии РАН
Адрес: ул. Ярославская, д. 13, корп. 1
Выпуск
Том 43 № 2
Страницы
105-115
Аннотация

Показывается, что повсеместное распространение информационных технологий актуализирует проблему перехода к автоматизированному анализу “цифровых следов” в интернете, представленных в текстовых форматах. Раскрывается, как такого рода анализ используется для выявления разнообразных психологических свойств и состояний человека (отдельных социальных групп и общества, в целом). Отмечается, что при развитии технологий анализа “цифровых следов” проявляются две основные тенденции. Первая из них применяется при обработке объективных данных информационного плана. Это полезно для соотнесения последних с психологическими характеристиками пользователей. Вторая – непосредственно связана с поиском субъективной (психологической) информации, что требует использования трудоемких информационных и психологических процедур. В качестве примеров подобного рода исследований приводятся такие работы, как: анализ динамики наиболее актуальных проблем в психологической науке и в повседневном общении ученых или пользователей социальных сетей; выявление психологических характеристик личности и гендерных особенностей; прогнозирование поведенческих эффектов (результатов экзамена или новой тематики в психологии) и т.д. Рассматриваются случаи использования информационных технологий анализа в различных областях психологии –  экономической, юридической, клинической, а также в психологии управления, труда, искусства,  СМИ и др.

Предполагается, что проведенный анализ зарубежных исследований будет полезен для развития отечественной психологии, а изучение “цифровых следов” в психологии можно частично квалифицировать как “смену парадигм” эмпирического изучения социальных явлений (со своими преимуществами и проблемами). Кроме того, автоматизированные методы могут играть важную роль в обнаружении макропсихологических закономерностей развития общества, в частности, привыявлении связей между массовыми психологическими характеристиками населения и сложившимися социально-экономическими условиями развития конкретного общества.

Ключевые слова
интернет, социальные сети, “цифровые следы”, автоматизированный анализ, отрасли психологии, тенденции исследований, социальные явления
Источник финансирования
Исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта № 20–113–50385
Классификатор
Получено
17.08.2021
Дата публикации
11.05.2022
Всего подписок
11
Всего просмотров
275
Оценка читателей
0.0 (0 голосов)
Цитировать Скачать pdf
1 По сведениям, представленным в начале 2021 года, более 4.66 миллиарда человек в мире пользуются интернетом, аудитория участников социальных сетей превысила 4.2 миллиарда, что составляет 53.6% населения планеты. Повсеместное распространение информационных технологий вносит значительный вклад в укрепление межкультурных связей, трансформирует привычные социальные модели поведения, оказывает влияние на течение многих социальных процессов, воздействуя на их структуру, направленность и динамику.В условиях развития информационных технологий изучение важнейших психологических явлений также стало возможным благодаряавтоматизированному анализу«цифровых следов» (текстов, сообщений, информационных релизов и т.д.), представленных в интернет–пространстве [2; 17; 21; 27; 35]. Непрерывное увеличение текстов, обсуждаемых пользователями проблем и вычислительных мощностей делает их освоение насущной необходимостью.
2 В современных условиях оказалось возможным применение автоматизированного анализа текстов для выявления у человека (групп, общества) разнообразных психологических свойств и состояний таких, как индивидуально–личностные различия, уровень интеллекта, характер интереса, мотивационная направленность, ложные утверждения в текстах, групповая динамика, культурные изменения, особенности разного рода отношений и др. Высокую эффективность показали и результаты исследований персонализированного воздействия, выполненные в различных прикладных областях знания (политика, экономика, здравоохранение). Так, например, личностно-ориентированная реклама в поддержку политика позволила резко улучшить отношение избирателей к нему (Л. Кротзек). В сфере маркетинга анализ “лайков” в Фейсбуке и информации о личностных чертах пользователей позволил повысить продажу рекламируемых товаров на 50% в случае совпадения личностных особенностей и типа сообщения (С.Матз). Так, данные о том, что люди предпочитают просматривать сообщения, которые соответствуют их личностной позиции по поводу той или иной проблемы, позволили определить, что при использовании такого “поддерживающего” подхода приводит к изменению установок пользователей относительно новых технологий (С.Кноблох–Вестервик).
3 Некоторым недостатком развития данного направления является то, что разработкой машинных/интеллектуальных методов анализа информации успешно занимаются в основном программисты и лингвисты, хотя развитие этого методического подхода имеет большое значение для социо-гуманитарных наук в целом, в частности, для психологии. Недостаточное внимание психологов кмашиннымтехнологиям исследования пока остается актуальной научно-практическойпроблемой,не получившей своего разрешениясредиотечественных специалистов, хотя в зарубежных исследованиях данная трудность не встречается.
4 Сказанное выше, позволяет предположить, что представленный ниже анализ современных информационно-психологических исследований, выполненных с помощью автоматизированных систем, будет полезен для развития отечественной психологии и освоения инновационных научных технологий.
5

АНАЛИЗ СОСТОЯНИЯ МИРОВЫХ ИССЛЕДОВАНИЙ С ИСПОЛЬЗОВАНИЕМ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ
6

В современном исследовательском пространстве технологий анализа “цифровых следов” в интернете существуют две основные тенденции развития. Первая связана с фиксированием и обработкой объективных явлений, происходящих в виртуальном пространстве, к которым относится представленная в научной литературе информация о количественных характеристиках пользователей социальных сетей, динамике их суточной активности, результатах анализа сетевой репутации или “лайков” в Facebook. Все перечисленное не несет прямой психологической информации, нов последующем позволяет соотноситьиндивидуальныеособенности пользователей с их объективнымихарактеристиками (пол, возраст, география проживания, частота обращения к информационным ресурсам и т.д.).
7 Вторая тенденция связана с поиском субъективной информации, которая не может быть получена непосредственным образом и для получения которой требуютсятрудоемкие компьютерные алгоритмы, а такжеобоснованные теоретические концепции дляанализа полученных данных [3; 28; 33–34; 38; 40; 44]. Такие исследования позволили выявить, например,следующие факты: люди, находящиеся в депрессии, используют больше слов, связанных с негативными эмоциями; лица, пытающиеся ввести других в заблуждение, намеренно обманывающие, чаще используют слова из категории движений и реже – слова, связанные с причинно-следственными объяснениями; за последние два столетия слова, связанные с индивидуализмом и независимостью, стали употребляться чаще, а частота слов, выражающих заботу о других людях и оценку их моральных качеств, снизилась и т.д.
8 Анализ динамики проблем, изучаемых в психологии. Проведено картографирование 40-летней истории динамикиосновных темисодержаниянаучных статей в журнале “Кросс-культурная психология” (JCCP). Предполагалось (с учетом популярности журнала), что динамика проблематики публикаций отражает общее состояние и тенденции мировых исследований в этой области. Авторы выявили изначально наиболее выраженную ориентацию публикаций в журнале, направленную на исследования по экспериментальной психологии (с упором на развитие ребенка в раннем возрасте). В настоящее же времябольшое внимание уделяется особенностям культур, в частности, изучению ценностных ориентацийличности и групп, а также аккультурации больших социальных сообществ. Общий вывод исследования связан с утверждением, чтона современном этапе развития в анализируемом издании ведущее значение приобретают работыиз области социальной психологии и психологии личности [11]. Выводы сделаны на основе изучения 1416 статей, сгруппированных по десятилетиям, с методологических позиций исследование проведено с использованием программы Leximancer1, которая содержит большие возможности соответствующего анализа научных направлений современной отечественной психологии.
1. Программа, направленная на выявление ключевых тем (key-themes), концептов (concepts) в электронных документах, дополнительно позволяет выводить статистику, производить частотный анализ слов и их категоризацию.
9 Выявление психологических характеристик личности посредством анализа текстов.Авторы предположили, что сообщенияв социальных сетяхявляются отражением поведения пользователей в различных повседневных ситуациях [26]. Поэтому изучение характера поведенческих реакций, отраженных в текстах сообщений, могут быть использованы для определения темперамента человека. Подобно тому, как это происходит в обширных исследованиях по анализу эмоционального фона сообщений, а также в набирающих популярность исследованиях по определению психологических характеристик личности по текстам. Анализ, проведенный в соответствии с классификацией структуры темпераментов Д. Кейрси посредством нейронных сетей, показал, что уровень точностиопределения темперамента по текстам сообщений пользователейдостигает 70% и выше для типов Artisan и Guardian2.
2. Д.Кейрсивыделил четыре типа темперамента: Guardian(сенсорно-планирующий – SJ), Artisan(сенсорно-перцептивный – SP), Idealist(интуитивно-чувствующий – NF), Rational (интуитивно-мыслящий – NT).
10 Анализ гендерных особенностей поведения. Появление пользовательского контента и онлайн-сообществ расширило сферу гендерных исследований [37; 39 и др.].В этом отношении целесообразно обратить внимание на анализ различий среди пользователей мужского и женского пола в технологических онлайн-сообществах [36]. Исследование проведено на основе изучения сообщений в социальных сетях: в работе использованы данные сообщества Python Technology Community, а в качестве модели – модель LDA (Latent Dirichlet Allocation3), анализ настроений и регрессионный анализ. Авторы акцентировали внимание на характере эмоциональных состояний и активности пользователей в ходе обсуждения различных тем среди представителей мужского и женского пола. Результаты позволили прийти к следующим заключениям:
3. Применяемая в машинном обучениипорождающая модель позволяет объяснять результаты наблюдений с помощью неявных групп, благодаря чему возможно выявление причин сходства некоторых частей данных.
11 – мужчины в сообществах, как правило, запрашивают и предоставляют информационную помощь, в то время как женщины предпочитают межличностное общение и поиск единомышленников, а такжепроявляют повышенный интерес к рекламной продукции;
12 – как мужчины, так и женщины при общении выражают в основном положительные эмоции, которые женщинами выражаются чаще;
13 –эмоциональные состояния мужчин и женщин, обсуждающих различные темы, влияют на уровень их активности в сообществе, при этом активность пользователей женского пола эмоциональноболее выражена.
14 Анализ психологических трендов повседневной жизнедеятельности. Исследование, проведенное в связи с пандемией коронавирусной инфекции в социальной сети Twitter (2020г.), показало, что число сообщений о коронавирусе резко возрастало по мере усиления пандемии, продемонстрировав беспрецедентный рост за очень короткий промежуток времени. Рассмотрениеданного процесса предполагало два типа эмпирической оценки. Первый связанс анализом частоты употребления слов, используемых в интернете, с целью определения закономерностей или тенденций изменения этой характеристики; а второй –с изучением эмоционального фона сообщений, что позволило фиксировать и отслеживать динамику психологических состояний пользователей Твиттера в условиях пандемии. Авторы проанализировали сообщения, поступающие от рядовых пользователейсоциальной сети (населения) и от Всемирной организации здравоохранения (ВОЗ). Основными методами анализа выступили частотный анализс использованием биграмм и триграмм, смоделированных степенным законом распределения, результаты выводились с использованием суммы квадратов регрессии (SSE), R24 и среднеквадратичной ошибки (RMSE). Итоговые результаты показали, что большинство твитов (как рядовых пользователей, так и сообщений ВОЗ) имели положительную модальность и только около 15% из них были отрицательными [32]. При этом твиты ВОЗ сохраняли положительный фон в 60.27% случаев. Среди населения этот показатель достигал лишь 29.33%. Твиты с нейтральным эмоциональным фоном представили 54.92% пользователей сети, среди сообщений ВОЗ этот процент составил 24.05%. Общий вывод связан с утверждением, что ВОЗ в основном поддерживала позитивный фон сообщений, а среди населения лидировали нейтральные/сдержанные оценки происходящего (см. также [15]). Скорее всего, это объясняется более высокой значимостью и ответственностью сообщений негативного содержания, исходящих от ВОЗ, что вызывало сдержанность в высказываниях ее представителей.
4. В регрессии коэффициент детерминации R 2 является статистической мерой того, насколько хорошо предсказания регрессии соответствуют реальным данным.
15 Прогнозирование поведенческих эффектов. В качестве примера можно обратить внимание на изучение влияния психологических характеристик студентов на их успеваемость. Исследование проведено с целью прогнозирования ожидаемых/предстоящих результатов академической успеваемости обучающихся по завершению шестого (заключительного) семестра. В качестве исходных данных модели авторами избраны предыдущие результаты успеваемости: итоговые баллы аттестата зрелости, вступительных экзаменов и периода обучения в вузе за пять предыдущих семестров. Для анализа использовались два алгоритма, функционирующих на основе машинного обучения: нейронная сеть для числового прогнозирования CGPA5 и деревья решений6 – для прогнозирования возможных неудач в шестом семестре. Эффективность моделей оценивалась с использованием коэффициента корреляции R и среднеквадратичной ошибки. В качестве фоновых психологических факторов были зафиксированы мотивационные характеристики студентов, способность к обработке информации и ряд других навыков, признанных в научном сообществе воздействующими на результаты обучения.Выявлено, что определяющее значение для прогнозирования результатов экзамена имеют уровень мотивации студентов и скорость восприятия информациипри работе с учебными материалами [20].
5. Использована модель прогнозирования совокупного среднего балла (CGPA).

6. Непараметрический метод обучения нейронной сети, используемый для решения задач как Классификации (Classification), так и Регрессии (Regression). Метод направлен на создание модели, предсказывающей значение Целевой переменной (TargetFeature), посредством анализа правил принятия решений, обнаруживаемых из характеристик исходных данных.
16

АВТОМАТИЗИРОВАННЫЙ АНАЛИЗ ДАННЫХ В РАЗЛИЧНЫХ ОБЛАСТЯХ ПСИХОЛОГИИ
17 Поиск наиболее популярных тем психологических исследований. С целью поиска маркеров наиболее популярных проблем в психологии обычно проводится анализ содержания онлайн-общения психологов в Twitter [5–8, 42]. В одном из исследованийавторамибыло собрано 69 963 твита, опубликованных в период с августа 2007 года по июль 2020 года и взятых из 139 аккаунтов профессоров психологии, а также преподавателей факультетов психологии и сотрудников исследовательскихинститутов из немецкоязычных стран, а также представителей Немецкого психологического общества (DGP). Намерения авторов были связаны с выделением тематических направлений и их последующей (пролонгированной) проверкой в будущем с целью выявления исследовательских тенденций предстоящих научных публикаций. В целом было собрано 346 361 сообщений из базы данных PSYNDEX. Для определения эффективности данного подхода по сравнению с традиционным анализом конференций были собраны все доступные программы конференций DGP и его секций с 2010 года. Сравнительный анализ позволил выделить 21 тему, затрагивающую социальные проблемы общества (например, COVID–19), методологию проведения современных исследований (к примеру, машинное обучение), тенденции научных исследований (в частности, кризис репликации) и обсуждение различных областей психологических исследований (можно указать на рассмотрение моральных аспектов терроризма). Десять тем демонстрировали рост популярности, особенно связанных с методологией или научной прозрачностью (валидностью, репрезентативностью, методологической обоснованностью и т.д.). Семь Twitter-тем появились и обсуждались в Twitter раньше, чем на научных конференциях. Отмечается, что ни библиометрическое прогнозирование, ни содержание конференций не позволяют ожидать в рамках научных обсуждений следующие темы: “методологические вопросы метаанализа”, “склонность к игре”, “мобильная визуализация мозга/тела”. В целом можно отметить, что Twitter-майнинг заслуживает исследовательского внимания с целью выявления актуальных/новых психологических проблем, особенно в области социальной психологии. Чтобы получить наиболее полную проблематику перспективных психологических исследований, авторы рекомендуют совмещать Twitter-майнинг с библиометрическим анализом публикаций и мониторингом тем научных конференций [7]. Такие рекомендации вполне реализуемы в отечественной психологии, в которой широко практикуются отдельно и библиометрический анализ, и мониторинг научных конференций.
18 Экономическая психология. В последнее время популярной стратегией увеличения стоимости бизнеса стал C–RM маркетинг, который возник извозможностей брендов (торговых марок) “узнавать клиента”, сопровождать его на протяжении всей его жизни и выстраивать с ним прямую коммуникацию. Но несмотря на растущее количество статей по данной проблеме за последнее десятилетие, всесторонний анализ наиболее обсуждаемых концептов C–RM маркетинга пока еще не был реализован. С целью преодоления данного противоречия проведен комплексный анализ 246 статей, опубликованных в 40 различных журналах в период с 1988 по 2013 год по проблемам C–RM маркетинга (в работе использован байесовский алгоритм контекстного анализа, известный как Correlated Topic Model, а также CTM, Text Mining7). Авторами показано, что наиболее важными стратегическими направлениями, обсуждаемыми в маркетинге с 1988 г., являются такие темы как “соответствие бренду”, “закон и этика” и “корпоративная и социальная идентификация”. Наиболее активно обсуждаемыми темами в настоящее время стали анализсфер, затрагивающих проблемы “социального табу” и “моральные дебаты”. Статья направлена на решение двухосновных задач: во-первых, знакомит с техникой машинного анализа в области маркетинга, демонстрируя, как интеллектуальный анализ текста может направлять, упрощать и систематизировать процессы классификации, формируя объективные тематические блоки из обзорных публикаций; во-вторых, раскрывает и обобщает наиболее обсуждаемые темы в данном направлении [19]. Однако авторский подход не отразил проблем анализа конкретных стратегий, представленных в анализируемых публикациях.
7. Программы позволяют проводить количественный, концептуальный и прогностический виды анализаинформации
19 Исследования в юридической психологии. Значительный рост политического экстремизма в западных странах вызывает новый интерес к психологической, в частности, моральной, обусловленности данного явления [4]. В силу специфики экстремизма, как социально–политического явления, эмпирические исследования феномена с использованием традиционных опросных методик крайне затруднены отсутствием доступа к субъектам террористической деятельности (как к экстремистским группировкам, так и персоналиям), анепосредственное их изучениев рамках правовой науки не до конца учитывает психологические аспекты проблемы. Авторы рассмотрели психологическую и моральную привлекательность экстремизма в условиях общественной ситуации в США. Предметом исследования сталанализ10 000 сообщений политических радикалов в Twitter. Анализу подверглись психологические особенности сообщений в текстах 5000 пользователей – представителей альтернативно-правых политических движений (alt-right) и 5000 консервативных (Antifa)8. Результаты исследования показали, что представители экстремистски настроенных политических движений демонстрируют меньше положительных и больше отрицательных эмоций, чем консервативные пользователи, но их различия по уровню достоверности несущественны. В ходе исследования были также проверены доказательства наличияили отсутствия моральных убеждений среди представителей как левых, так и правых радикалов, которые отличаются между собой лишь по принципу внутригрупповой лояльности. При этом доказательств наличия высоких моральных установок среди представителей радикально настроенных группне обнаружено [1].
8. Автономные антирасистские группы международного уровня, которые отслеживают и разоблачают деятельность неонацистов.
20 Психология управления. В этом направлении проведен анализ динамики стресса и характера эмоционального состояния работающих американцев в течение календарной недели. Исследование проведено с целью изучения “эффекта восстановления от работы” в выходные дни, посредством изучения текстов сообщений в Twitter. Всего за 18 месяцев проанализировано 2 102176189 твитов, сбор которых производился на общенациональном уровне – на всей территории США. Такое исследование можно квалифицировать как уникальное, как минимум, по масштабу и характеру сбора первичных данных. Для изучения ежедневного содержания сообщений был использован лингвистический анализ, который проведен с помощью программного опросника Пеннебейкера (LIWC), посредством факторного анализа при ежедневном подсчете слов. При этом авторами был использован словарь подсчета слов для оценки рабочего стресса, слова группировались по 19 заданным тематическим направлениям, представленным в словарях LIWC. Динамический двухфакторный анализ эмоционального фона сообщений учитывал отрицательные эмоции, связанные с описаниями стрессов и их психосоматическими проявлениями, и положительные эмоции, которые были связаны с такими темами как еда, друзья, дом, семья и досуг. Выявлено, что элементы, связанные сработой (деньги, достижения и здоровье9), имеют выраженную отрицательную нагрузку. Еженедельный анализ динамики обсуждений позволил выявить явный “пятничный спад” рабочего стресса и негативных эмоций. В свою очередь, твиты с позитивными эмоциями показали “спад в середине недели” (со вторника по среду–четверг) и “пик на выходных” (с пятницы по воскресенье), тогда как твиты о работе показали “спад на выходных” (с пятницы по воскресенье). Полученные результаты частично подтверждают теорию о стрессовом воздействии работы на жителей США и указывают на “накопительное” стрессовое психофизиологическое состояние трудоспособного населения страны. Общий вывод обусловлен тем, что американцы не успевают восстанавливаться от рабочих стрессов за выходные дни. В работе также обсуждаются ограничения метода и перспективы дальнейших исследований [43]. Исследования в области управления различными социальными процессами привлекают внимание и многих других исследователей [13; 14; 22; 23; 25; 29; 47].
9. Точнее, связанные со здоровьем финансовые и организационные проблемы.
21 Клиническая психология и психиатрия. Технологии с использованием автоматизированного анализа/обучения в клинической психологии и психиатрии наиболее часто ориентированы на выявление статистических закономерностей на основе изучения многомерных неупорядоченных наборов данных, полученных в ходе наблюдения за различными терапевтическими и клиническими группами пациентов [10; 16 и др.].Это позволяет выявлять скрытые закономерности и формулировать обобщенные прогнозы о предполагаемом течении болезни или изменении поведенческих характеристик пациентов. В частности, известна работа по обобщению возможностей автоматизированного анализа для повышения эффективности постановки диагноза, лечения больных и прогнозирования хода болезни для лиц, страдающих психическими расстройствами, основываясь на результатах медицинских анализов [16]. Эти работы имеют явно выраженное практическое значение, и в этом заключается их сильная сторона.
22 Психология профессиональных сообществ и психология труда [см. 18; 30; 46; 48].Сравнительный анализ сообщений читателей психологических и политологических журналов был осуществлен на основе изучения статей из Web of Science, Altmetric.com и их обсуждений в социальной сети Twitter. Для анализа были использованы в общей сложности 91 826 твитов с 22 541 отдельным профилем пользователей Твиттера по психологической дисциплине и 29 958 твитов с 10 478 отдельными профилями пользователей Твиттера по политологии. В демографическом анализе учитывались пол, географическое положение, образование и профессиональный профиль – психология или политология. Основным методологическим подходом избран метод опорных векторов (SVM). Для классификации обсуждаемых тем использовался метод моделирования тем скрытого распределения Дирихле (LDA). Выявлено, что твиты о статьях из психологических журналов вызывали большую активность пользователей, чем публикации в области политологии: значительное превосходство проявлялось как в количестве обсуждаемых статей, так и численности пользователей, принимавших участие в обсуждении. Важно также указать на то, что выявлены значимые различия пользователей по демографическим признакам [45]. И в этом направлении, нередки исследования в рамках самой психологической науки [24, 31–41, 50], результаты которых в основном не противоречат описанным выше работам.
23 Психология СМИ. Учитывая актуальность СПИДа, как значимого вопроса общественного здравоохранения, в Италии, проведено исследование роли средств массовой информации в социальном конструировании этого явления. Исследование было направлено на решение двух задач, которые связаны с необходимостью: изучить основные связанные со СПИДом темы в популярной итальянской прессе (1); проанализировать динамику представлений о СПИДе за последние десятилетия (2). Для анализа были избраны газетные статьи, опубликованныев период с 1985по 1990 годы и с 2005по 2010 годы с использованием архивов двух основных национальных газет (La Repubbliput и Corriere della Sera), общий объем газетных публикаций составил 446 работ. Автоматизированный анализ и последующее группирование полученных результатов позволилиописать пять различных тематических областей (кластеров), отражающихтакие вопросы, как: медицинское обслуживание (7.5%), поддержка семьи (37.0%), дискурсы о науке и религии (27.0%), социальное избегание/изоляция (17.6%) и политика в области здравоохранения (10.9%). Эти тематические области задуманы по двум основным неявным параметрам (факторам), которые объясняют 72.5% дисперсии данных и которые, соответственно, связаны с отношением к людям со СПИДом (забота и избегание) и социальным управлением в отношении СПИДа (бессилие и контроль). Результаты исследования также продемонстрировали потенциальную динамику представлений о людях со СПИДом, котораяхарактеризуется более терпимым к ним отношением [9].
24 Психология искусства. С точки зрения культурного взаимодействия, очень важно понять воздействие литературы, искусства и танцев разных стран и народовна психологию людей, представляющих иную культурную среду, и выявить различия и универсальные особенности восприятия [12; 49]. Предметом исследования стали особенности восприятия исполнительных искусств (сценические постановки) и традиционных танцев Японии, Китая и Южной Кореи. Задачей исследования выступилоизучениевпечатлений, вызванных этими видами искусства. Эмпирический этап исследования реализован посредством изучения ответов на открытые вопросы анкеты. Для анализа ответов были избранытакие программы автоматизированного анализа текстов, как WordClouds и KH coder, которые использовались для анализа частоты слов и их сочетаний. Путем интерпретации визуализированных результатов и сравнения данных каждого участника (представителя одного из трех стран) были выявлены связи между характеристиками исполнительского искусства и танцев представленных стран и их психологического воздействия на зрителей. В результате можно отметить, что традиционные танцы каждой страны обладают уникальными характеристиками, которые могут восприниматься по-разному в зависимости от национальности и культуры зрителей [49].
25

ЗАКЛЮЧЕНИЕ
26 Важно обратить внимание на наиболее популярные методы психологического анализа больших объемов текстов. В первой группе представлены “пользовательские словари” (1), что позволяет исследователям самостоятельно задавать психологические характеристики искомых значений (слов, словосочетаний или конкретных выражений). Во второй группе, сконцентрированы методы, которые можно условно определить как “извлечение признаков” (2), при этом исследователи используют компьютерные алгоритмы, чтобы выявить психологические закономерности, которые имеются в анализируемых текстах. В третьей группе, определяемой как “сочетание слов” (3), акцент делается на характерных особенностях одновременного употребления различных слов или словосочетаний. Анализ и систематизация информационно-психологических разработок и исследований, выполненных с их помощью, будут полезны для развития отечественной психологии и освоения инновационных научных технологий.
27 Исследования “цифровых следов” в психологии можно частично квалифицировать как “смену парадигм” эмпирического изучения социальных явлений. Можно обозначить ряд преимуществ, которые дает исследование “цифровых следов”, а именно: удешевление условной единицы научной продукции; создание потенциала для повышения эффективности использования уже существующих информационно-цифровых активов; создание условий для оперативного реагирования на вызовы глобализации и анализа рисков общественного развития через отслеживание массовых “критических точек” и “точек роста”; возможность создания междисциплинарных групп для комплексного анализа, моделирования и прогнозирования социально-психологических явлений; создание систем мониторинга социально-психологического климата в обществе/на производствах; дополнительно можно отметить возможность усиления конкурентоспособности российских психологов на международном уровне.
28 К преимуществам данного рода исследований также можно отнести возможность изучения массовых явлений, релевантных обществу в целом, таких как: жизнеспособность общества, особенности национальных менталитетов, массовые представления больших социальных групп, которые (исследования) теряют значимость при изучении единичных социальных явлений на уровне человека или группы, а также межличностного или межгруппового взаимодействия.
29 Вместе с преимуществами “цифровых” технологий исследования в психологии, важно отметить и проблемы, связанные с ними. Так, увеличение объема информации и скорости ее нарастания требует разработки инновационных систем анализа большого массива информации, что заложено не столько в самом их объеме, сколько в несовершенстве соответствующего научно-аналитического инструментария. Ситуация усугубляется и тем, что усложняется сама структура данных и технологии их демонстрации, что еще более усиливает потребность в разработке и выборе эффективных программных систем и программного обеспечения. Сложность представляет и междисциплинарный характер исследований, что связано не только с усиливающейся потребностью в специалистах с междисциплинарной подготовкой, но и различием в понятийно-терминологическом аппарате, межкультурным разнообразием в их трактовке.
30 Возникают проблемные ситуации и частного характера. Так, автоматизированный анализ, произведенный на основе конкретных слов (“деньги”, “счастье”, “дети”, “власть” и т.д.), может усложняться наличием неучтенного множества синонимов. К примеру, смысл слова “деньги”, может выражаться в рамках таких терминов как “финансы”, “сбережения”, “капитал” или же в экспрессивном сленговом формате – “капуста”, “косарь”, “штука” и т.д. Они же могут транслироваться в рамках комплексных тем, например – экономика, уровень жизни, оплата труда, налоговые выплаты/вычеты и т.д.
31 Такого рода ограничения могут быть связаны и с работой в конкретных электронных базах данных (к примеру – библиотекой или конкретным архивом), которые не могут отражать всего массива наличной информации; ограниченностью исследований на конкретном языке (к примеру, русском, английском или китайском), что обедняет первичную информацию и т.д. Представленные ограничения сужают информационное поле анализа и, как следствие, его научный потенциал.
32 В будущем, описанные теоретические позиции, методологические подходы и методы будут непрерывно совершенствоваться, что определяется способностью нейроных сетей адаптироваться и переобучаться. В этом направлении наиболее перспективной задачей представляется обнаружение закономерных связей между массовыми психологическими характеристиками населения и сложившимися особенностями социально-экономическогосостояния конкретного общества.

Библиография

1. Alizadeh M., Weber I., Cioffi–Revilla C., Fortunato S., Macy M. Psychology and morality of political extremists: evidence from Twitter language analysis of alt–right and Antifa // Journ. EPJ Data Science. 2019. V. 8. № 1. URL: https://epjdatascience.springeropen.com/articles/10.1140/epjds/s13688–019–0193–9#citeas (date of a Plication 22.06.21). DOI: https://doi.org/10.1140/epjds/s13688–019–0193–9.

2. Bakshy E., Hofman J., Mason W.A., Watts D. Everyone's an influencer: quantifying influence on twitter // WSDM '11: Proceedings of the fourth ACM international conference on Web search and data mining. 2011. P. 65–74. DOI:https://doi.org/10.1145/1935826.1935845.

3. Behr H., Ho A.S., Mitchell E.S., Yang Q., DeLuca L., Michealides A. How Do Emotions during Goal Pursuit in Weight Change over Time? Retrospective Computational Text Analysis of Goal Setting and Striving Conversations with a Coach during a Mobile Weight Loss Program // International Journal of Environmental Research and Public Health. 2021. V. 18. № 12. 6600. URL: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8296374. (date of the a Plication 20.06.21). DOI:10.3390/ijerph18126600.

4. Beinart P. The rise of the violent left: Antifa’s activists say they’re battling burgeoning authoritarianism on the American right. Are they fueling it instead? // The Atlantic’s Politics and Policy. 2017. URL: https://www.theatlantic.com/magazine/archive/2017/09/the–rise–of–the–violent–left/534192 (date of the a Plication 24.07.21).

5. Bittermann A. Development of a user–friendly a P for exploring and analyzing research topics in psychology. // Proceedings of the 17th Conference of the International Society for Scientometrics and Informetrics /G. Catalano, C. Daraio, M. Gregori, H.F. Moed& G. Ruocco (Eds.). Rome: Edizioni Efesto. 2019. P.2634–2635. DOI: http://dx.doi.org/10.23668/psycharchives.2521.

6. Bittermann A., Fischer A. How to identify hot topics in psychology using topic modeling // Journ. Zeitschrift für Psychologie. 2018. № 226. P. 3–13. DOI: https://doi.org/10.1027/2151–2604/a000318.

7. Bittermann А.,Batzdorfer V., Müller S., Steinmetz H. Mining Twitter to Detect Hotspots in Psychology // Journ. Zeitschrift für Psychologie. 2021. № 229. P. 3–14. https://doi.org/10.1027/2151–2604/a000437.

8. BošnjakМ., Wedderhoff N., Steinmetz H. Hotspots in Psychology – 2021 edition // Journ. Zeitschrift für Psychologie. 2021. № 229. P. 1–2. DOI: https://doi.org/10.1027/2151–2604/a000438.

9. Caputo A., Giacchetta А., Langher V. AIDS as social construction: text mining of AIDS–related information in the Italian press // Journ. AIDS Care. 2016. V. 28. № 9. P. 1171–1176. DOI: 10.1080 / 09540121.2016.1153591.

10. Chang H.M., Huang E.W., Hou I.C., Liu H.Y., Li F.S., Chiou S.F. Using a Text Mining A Proach to Explore the Recording Quality of a Nursing Record System // The Journal of Nursing Research. 2019. V. 27. № 3. P. 1–8. DOI: https://doi.org/10.1097/jnr.0000000000000295.

11. Cretchley J., Rooney D., Gallois C. Mapping a 40-Year History With Leximancer: Themes and Concepts in the Journal of Cross-Cultural Psychology // Journal of Cross-Cultural Psychology. 2010. V. 41. № 3. Р. 318–328. DOI:10.1177/0022022110366105

12. Daigo E., Kimura K., Sakuno S. The Effects of Ballet A Preciation Programs on the A Preciation Ability of Audiences: An Attempt to Structure Sports A Preciation Behavior // Japanese Journal of Management for Physical Education and Sports. 2019. № 32. Р. 25–47. (In Japanese). DOI: https://doi.org/10.24519/jsmpes.32.0_25.

13. Dal Mas F. The Relationship Between Intellectual Capital and Sustainability // Analysis of Practitioner’s Thought, Intellectual Capital Management as a Driver of Sustainability / Matos F., Vairinhos V., Selig P.M., Edvinsson L. (Eds.). Springer. 2019. P. 11–24. DOI:10.1007/978–3–319–79051–0_2.

14. de Oliveira Júnior G.A., de Oliveira Albuquerque R., Borges de Andrade C.A., de Sousa R.T. Jr., Sandoval Orozco A.L., GarcíaVillalba L.J. Anonymous Real–Time Analytics Monitoring Solution for Decision Making Su Ported by Sentiment Analysis // Journ. Sensors. 2020. V. 20. № 4557. P. 1–29. DOI: https://doi.org/10.3390/s20164557.

15. Dubey A.D. Twitter Sentiment Analysis during COVID–19 Outbreak // Social Science Research Network (SSRN). 2020. URL: https://ssrn.com/abstract=3572023 (date of the a Plication 10.06.21). DOI: http://dx.doi.org/10.2139/ssrn.3572023.

16. Dwyer D.B., Falkai P., Koutsouleris N. Machine Learning A Proaches for Clinical Psychology and Psychiatry // Annual Review of Clinical Psychology. 2018. V. 14. № 1. P. 91–118. DOI: https://doi.org/10.1146/annurev–clinpsy–032816–045037.

17. Farooqui N., Ritika M., Saini A. Sentiment Analysis of Twitter Accounts using Natural Language Processing // International Journal of Engineering and Advanced Technology (IJEAT). 2019. V. 8. № 3. Р. 473–479.

18. Foti K., Xanthopoulou D., Papagiannidis S., Kafetsios K. The Role of Tweet–Related Emotion on the Exhaustion – Recovery from Work Relationship // Digital Transformation for a Sustainable Society in the 21st Century I3E 2019. Lecture Notes in Computer Science / Pa Pas I.O., Mikalef P., Dwivedi Y.K., Jaccheri L., Krogstie J., Mäntymäki M. (Eds). Springer. 2019. V. 11701. DOI: https://doi.org/10.1007/978–3–030–29374–1_31

19. Guerreiro J., Rita P., Trigueiros, D. A Text Mining-Based Review of Cause-Related Marketing Literature // J Bus Ethics. 2016. № 139. Р. 111–128. DOI DOI: https://.org/10.1007/s10551-015-2622-4

20. Halde R.R., Deshpande A., Mahajan A. Psychology assisted prediction of academic performance using machine learning // IEEE International Conference on Recent Trends in Electronics, Information & Communication Technology (RTEICT). 2016. P. 431–435. DOI: 10.1109/RTEICT.2016.7807857.

21. Heidbreder L.M., Lange M., Reese G. #PlasticFreeJuly – Analyzing a Worldwide Campaign to Reduce Single–use Plastic Consumption with Twitter // Environmental Communication. 2021. P. 1–17 DOI: 10.1080/17524032.2021.1920447.

22. Hu Q. Twitter data in public administration: a review of recent scholarship // International Journal of Organization Theory & Behavior. 2019. V. 22. № 2. P. 209–222. DOI: https://doi.org/10.1108/IJOTB–07–2018–0085.

23. Kim K., Park O.J., Yun S., Yun H. What makes tourists feel negatively about tourism destinations? A Plication of hybrid text mining methodology to smart destination management // Journ. Technological Forecasting and Social Change. 2017. V. 123. № C. P. 362–369. DOI: 10.1016/j.techfore.2017.01.001.

24. Knobloch–Westerwick S., Johnson B.K., Silver N.A., Westerwick A. Science Exemplars in the Eye of the Beholder: How Exposure to Online Science Information Affects Attitudes // Journ. Science Communication. 2015. V. 37. № 5. P. 575–601. DOI:10.1177/1075547015596367.

25. Krotzek L.J.Inside the Voter’s Mind: The Effect of Psychometric Microtargeting on Feelings Toward and Propensity to Vote for a Candidate // International Journal of Communication. 2019. V. 13. P. 3609–3629.

26. Lima A.C.E.S., de Castro L.N. Predicting Temperament from Twitter Data // 2016 5th IIAI International Congress on Advanced A Plied Informatics (IIAI–AAI). 2016. P. 599–604. DOI: 10.1109/IIAI–AAI.2016.239.

27. Ma J., Tse Y.K., Sato Y., Zhang M., Lu Z. Exploring the social broadcasting crisis communication: insights from the mars recall scandal // Enterprise Information Systems. 2021. V. 15. № 3. P. 420–443. DOI: 10.1080/17517575.2020.1765023.

28. Marechal C., Mikołajewski D., Tyburek K., Prokopowicz P., Bougueroua L., Ancourt C., Węgrzyn–Wolska K. Survey on AI–Based Multimodal Methods for Emotion Detection // High–Performance Modelling and Simulation for Big Data A Plications. Lecture Notes in Computer Science / Kołodziej J., González–Vélez H. (Eds). Springer, Cham. 2019. V. 11400. P. 307–324. DOI: https://doi.org/10.1007/978–3–030–16272–6_11.

29. MatzS.C., Kosinski M., Nave G., StillwellD.J. Psychological targeting as an effective a Proach to digital mass persuasion // Proceedings of the National Academy of Sciences U.S.A. 2017. V. 114. № 48. P. 12714–12719. DOI: 10.1073/pnas.1710966114.

30. Meho L.I., Yang K. Impact of data sources on citation counts and rankings of LIS faculty: Web of science vs Scopus and Google scholar // Journal of the American Society for Information Science and Technology. 2007. V. 58. P. 2105–2125.DOI: https://doi.org/10.1002/asi.20677.

31. Nelhans G., Lorentzen D.G. Twitter conversation patterns related to research papers // Information Research. 2016. V. 21. № 2. URL:http://informationr.net/ir/21–2/SM2.html (date of the a Plication 27.06.21).

32. Rajput N.K., Grover B.A., Rathi V.K. Word frequency and sentiment analysis of twitter messages during coronavirus pandemic // arXiv preprint arXiv:2004.03925, 2020. URL: https://arxiv.org/abs/2004.03925v1?utm_source=feedburner&utm_medium=feed&utm_campaign=Feed%253A+CoronavirusArXiv+%2528Coronavirus+Research+at+ArXiv%2529 (date of the a Plication 29.06.21).

33. Robila M., Robila S.A. A Plications of Artificial Intelligence Methodologies to Behavioral and Social Sciences // Journal of Child and Family Studies. 2019. № 29. P. 2954–2966. DOI: https://doi.org/10.1007/s10826–019–01689–x.

34. Smith A., Humphreys M. Evaluation of unsupervised semantic ma Ping of natural language with Leximancer concept ma Ping // Behavior Research Methods. 2006. № 38. Р. 262–279.DOI: https://doi.org/10.3758/BF03192778.

35. Stone J.A., Can S.H. Linguistic analysis of municipal Twitter feeds: Factors influencing frequency and engagement // Journ. Government Information Quarterly. 2020. V. 37. № 4. 101468. URL: https://www.sciencedirect.com/ science/article/pii/S0740624X19304873 (date of the a Plication 20.07.21). DOI: https://doi.org/10.1016/j.giq.2020.101468.

36. Sun B., Mao H., Yin C. Male and Female Users’ Differences in Online Technology Community Based on Text Mining // Frontiers in Psychology. 2020. V. 11. P. 806. DOI: 10.3389/fpsyg.2020.00806.

37. Teso E., Olmedilla M., Martínez–Torres M.R., Toral S.L. A Plication of text mining techniques to the analysis of discourse in eWOM communications from a gender perspective // Technological Forecasting and Social Change. 2018. V. 129. № C. P. 131–142. DOI: 10.1016/j.techfore.2017.12.018.

38. Thelwall M., Haustein S., Larivière V., Sugimoto C. Do Altmetrics Work? Twitter and Ten Other Social Web Services // PLOS ONE. 2013. V. 8. № 5. e64841. URL: https://journals.plos.org/plosone/article?id=10.1371 /journal.pone.0064841 (date of the a Plication 24.06.21). DOI: https://doi.org/10.1371/journal.pone.0064841.

39. Thelwall M., Wilkinson D., U Pal S. Data mining emotion in social network communication: gender differences in MySpace // Journal of the American Society for Information Science and Technology. 2010.№ 61. P.190–199. DOI: 10.1002/asi.21180.

40. Tripathy A., Agrawal A., Rath S.K. Classification of sentiment reviews using n–gram machine learning a Proach // Expert Systems with A Plications. 2016. № 57. P. 117–126. DOI: https://doi.org/10.1016/j.eswa.2016.03.028.

41. Vainio J., Holmberg K. Highly tweeted science articles: who tweets them? An analysis of Twitter user profile descriptions // Scientometrics. 2017. V. 112. P. 345–366.

42. Vassilakis C., Maniataki D., Lepouras G., Antoniou A., Spiliotopoulos D., Poulopoulos V., Wallace M., Margaris D. Database Knowledge Enrichment Utilizing Trending Topics from Twitter // Proc. IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM), 2020. P. 870–876. DOI:10.1109/ASONAM49781.2020.9381421.

43. Wang W., Hernandez I., Newman D.A., He J. Bian J. Twitter Analysis: Studying US Weekly Trends in Work Stress and Emotion // A Plied Psychology. 2016. V. 65. № 2. P. 355–378. DOI: https://doi.org/10.1111/a Ps.12065.

44. Wu J., Ma J., Wang Y., Wang J. Understanding and Predicting the Burst of Burnout via Social Media // Proceedings of the ACM on Human–Computer Interaction. 2020. V. 4. № CSCW3. Article № 265. P. 1–27.DOI:https://doi.org/10.1145/3434174.

45. Xu H., Zhang N., Zhou L. Validity Concerns in Research Using Organic Data // Journal of Management. 2020. V. 46. № 7. P. 1257–1274. DOI:10.1177/0149206319862027.

46. Yan Y., Davison R.M., Mo C. Employee creativity formation: The roles of knowledge seeking, knowledge contributing and flow experience in Web 2.0 virtual communities // Computers in Human Behavior. 2013. V. 29. № 5. P. 1923–1932. DOI: 10.1016/j.chb.2013.03.007.

47. Yulita Y., Idris M.A., Dollard M.F. Effect of psychosocial safety climate on psychological distress via job resources, work engagement, and workaholism: A multilevel longitudinal study // International Journal of Occupational Safety and Ergonomics. 2020. URL: https://www.tandfonline.com/doi/abs/10.1080/ 10803548.2020.1822054 (date of the a Plication 10.06.21). DOI: 10.1080/10803548.2020.1822054.

48. Zhao D., Rosson M. How and why people Twitter: the role that micro–blogging plays in informal communication at work // GROUP '09: Proceedings of the ACM 2009 international conference on Su Porting group work. 2009. P. 243–252. DOI: https://doi.org/10.1145/1531674.1531710.

49. Zheng H., Komatsu S., Aoki K., Kato C. Analysis of the Impressions before and after A Preciation of Japanese, Chinese and Korean Traditional Dance Based on Text Mining // Psychology. 2020. V. 11. P. 845–864. DOI: https://doi.org/10.4236/psych.2020.116055.

50. Zhou Y., Na J. A comparative analysis of Twitter users who Tweeted on psychology and political science journal articles // Online Information Review. 2019. V. 43. № 7. P. 1188–1208. DOI: https://doi.org/10.1108/OIR–03–2019–0097.

Комментарии

Сообщения не найдены

Написать отзыв
Перевести