Методология извлечения нарративов из больших массивов данных социальных сетей

Цель статьи – представить опыт разработки и апробации методологии извлечения системы нарративов о социально значимом событии из больших массивов аутентичных данных социальных сетей (на примере нарративов о вакцинации от COVID-19 в публикациях пользователей российской социальной сети «ВКонтакте» периода пандемии).

Методы. Использовались методы автоматизированного анализа данных с применением инструментов аналитической платформы PolyAnalyst: тематическое моделирование (методом PLSA), алгоритмы индексирования текста с этапом идентификации предложений, кластеризация, агрегация данных, нормализация данных, расчeт количественного индекса («индекса популярности»). Осуществлялись расчeт меры близости ключевых слов с использованием языка программирования Python, частичная ручная разметка и валидация данных.

Результаты работы. 4,5 миллиона сообщений, релевантных теме вакцинации от COVID-19, опубликованных пользователями «ВКонтакте» за период с 01.01.2020 по 01.03.2023, сведены к 237-ми устойчивым нарративам. Для каждого нарратива был рассчитан индекс популярности. Наиболее популярным, например, оказался следующий нарратив: «Работодатели оказывают давление, принуждая вакцинироваться» (его поддержка – 76118 текстов). В результате исследования получен датасет, включающий 237 нарративов, содержательный анализ которого не является предметом настоящей статьи и планируется авторами в ближайшей перспективе. Датасет демонстрирует полноту охвата тематики отношения к вакцинации.

Выводы. Разработанный инструментарий имеет универсальный характер: методология может быть адаптирована под любую актуальную тематику, требуя только корректировки входных параметров тематического моделирования. Полученный датасет планируется ввести в научный оборот в качестве актуального материала для изучения общественного мнения о вакцинации в России. С учeтом глобального значения пандемии и вакцинационных мероприятий, результаты вносят вклад в международные исследования по теме общественного мнения и коммуникации в условиях кризисов, могут служить основой для дальнейших исследований и практических действий, направленных на улучшение качества общественных коммуникаций и принятия решений на всех уровнях управления.

1. Zhang Q., Gao J., Wu J.T., Cao Z., Zeng D.D. Data science approaches to confronting the COVID-19 pandemic: a narrative review // Philosophical Transactions. Series A, Mathematical, physical, and engineering sciences. 2021. Vol. 380. P. e20210127. https://doi.org/10.1098/rsta.2021.0127

2. Bozkurt A., Karakaya K., Turk M., Karakaya Ö., Castellanos-Reyes D. The impact of COVID-19 on education: A metanarrative review // TechTrends. 2022. Vol. 66. P. 883–896. https://doi.org/10.1007/s11528-022-00759-0

3. Mennella C., Maniscalco U., De Pietro G., Esposito M. Ethical and regulatory challenges of AI technologies in healthcare: A narrative review // Heliyon Volume. 2024. Vol. 10. Iss. 4. P. e26297. https://doi.org/10.1016/j.heliyon.2024.e26297

4. Kim J., Monroy-Hernandez A. Storia: Summarizing social media content based on narrative theory using crowdsourcing // CSCW '16: Proceedings of the 19th ACM Conference on Computer-Supported Cooperative Work and Social Computing (February 27 – March 2, 2016). San Francisco, 2016. P. 1018–1027. https://doi.org/10.1145/2818048.2820072

5. Рудакова Г.М., Корчевская О.В. Разработка системы по обработке нарративных данных // ИТНОУ: Информационные технологии в науке, образовании и управлении. 2018. № 5(9). С. 33–38. EDN: https://elibrary.ru/yofcnn

6. Бойченко А.Е., Жучкова С.В. Что скрывает русский рэп? Тематическое моделирование текстов русскоязычной хипхоп сцены // Журнал социологии и социальной антропологии. 2020. Т. 23. № 2. С. 130–165. EDN: https://elibrary.ru/rqypza. https://doi.org/10.31119/jssa.2020.23.2.6

7. Ghodratnama S., Beheshti A., Zakershahrak M., Sobhanmanesh F. Intelligent narrative summaries: From indicative to informative summarization // Big Data Research. 2021. Vol. 26. P. 1–13. https://doi.org/10.1016/j.bdr.2021.100257

8. Messaoudi C., Guessoum Z., Ben Romdhane L. Opinion mining in online social media: a survey // Social Network Analysis and Mining. 2022. Vol. 12. P. 25. https://doi.org/10.1007/s13278-021-00855-8

9. Jaidka K. Chapter 17: Public opinion analytics with social media // In: Research Handbook on Social Media and Society / Ed. M.M. Skoric, N. Pang. 2024. P. 224–239. https://doi.org/10.4337/9781800377059.00028

10. Oghaz T.A., Mutlu E.C., Jasser J., Yousefi N., Garibay I. Probabilistic model of narratives over topical trends in social media: A discrete time model // Proceedings of the 31st ACM Conference on Hypertext and Social Media (HT '20). New York, 2020. P. 281–290. https://doi.org/10.1145/3372923.3404790

11. Shahsavari S., Holur P., Wang T., Tangherlini T.R., Roychowdhury V. Conspiracy in the time of corona: automatic detection of emerging COVID-19 conspiracy theories in social media and the news // Journal of Computational Social Science. 2020. Vol. 3. P. 279–317. https://doi.org/10.1007/s42001-020-00086-5

12. Sharma K., Zhang Y., Liu Y. COVID-19 vaccine misinformation campaigns and social media narratives // Proceedings of the International AAAI Conference on Web and Social Media. 2022. Vol. 16. Iss. 1. P. 920–931. https://doi.org/10.1609/icwsm.v16i1.19346

13. Edinger A., Valdez D., Walsh-Buhi E., Trueblood J.S., Lorenzo-Luaces L., Rutter L.A., Bollen J. Misinformation and public health messaging in the early stages of the MPOX outbreak: Mapping the Twitter narrative with deep learning // Journal of Medical Internet Research. 2023. Vol. 25. P. e43841. https://doi.org/10.2196/43841

14. Shafiq W. Optimizing organizational performance: A data-driven approach in management science // Bulletin of Management Revew. 2024. Vol. 1. Iss. 2. P. 31–40. URL: https://bulletinofmanagement.com/index.php/Journal/article/view/48 (дата обращения: 05.09.2024).

15. Saura J.R., Ribeiro-Soriano D., Palacios-Marqués D. Data-driven strategies in operation management: mining usergenerated content in Twitter // Annals of Operations Research. 2024. Vol. 333. P. 849–869. https://doi.org/10.1007/s10479-022-04776-3

16. Sarioguz O., Miser E. Data-driven decision-making: Revolutionizing management in the information era // Journal of Artificial Intelligence General Science. 2023. Vol. 4. Iss. 1. P. 179–194. https://doi.org/10.60087/jaigs.v4i1.131

17. Adegoke B.A., Odugbose T., Adeyemi C. Harnessing big data for tailored health communication: A systematic review of impact and techniques // International Journal of Biology and Pharmacy Research Updates. 2024. Vol. 03. Iss. 02. P. 001–010. https://doi.org/10.53430/ijbpru.2024.3.2.0024

18. Johnson N.F., Velásquez N., Restrepo N.J., Leahy R., Gabriel N., El Oud S., Zheng M., Manrique P., Wuchty S., Lupu Y. The online competition between pro-and anti-vaccination views // Nature. 2020. Vol. 582. P. 230–233. https://doi.org/10.1038/s41586-020-2281-1

19. Germani F., Biller-Andorno N. The anti-vaccination infodemic on social media: A behavioral analysis // PLoS One. 2021. Vol. 16. Iss. 3. P. e0247642. https://doi.org/10.1371/journal.pone.0247642

20. Mønsted B., Lehmann S. Characterizing polarization in online vaccine discourse – A large-scale study // PLoS One. 2022. Vol. 17. Iss. 2. P. e0263746. https://doi.org/10.1371/journal.pone.0263746

21. Nguyen A., Catalan-Matamoros D. Anti-vaccine discourse on social media: an exploratory audit of negative tweets about vaccines and their posters // Vaccines. 2022. Vol. 10. Iss. 12. P. 2067. https://doi.org/10.3390/vaccines10122067

22. Воронцов К.В. Задачи и методы понимания естественного языка для мониторинга медиа-пространства // В книге: Математические методы распознавания образов: тезисы докладов 20-й Всероссийской конференции с международным участием, г. Москва, 2021 г. Москва: Российская академия наук, 2021. С. 362–367. URL: http://machinelearning.ru/wiki/images/0/02/Mmpr_2021.pdf (дата обращения: 05.09.2024).

23. Danto A. Narrative sentences // History and Theory. 1962. Vol. 2. Iss. 2. P. 146–179. URL: https://abuss.narod.ru/Biblio/eng/danto_narrsentences.htm (дата обращения: 05.09.2024).

24. Genette G. Narrative discourse: An essay in method. New York: Cornell University Press, 1983. 285 p. URL: https://ia802908.us.archive.org/24/items/NarrativeDiscourseAnEssayInMethod/NarrativeDiscourse-AnEssayInMethod.pdf (дата обращения: 05.09.2024).

25. Kempen G. Sentence parsing // In: Language Comprehension: A Biological Perspective. Berlin, Heidelberg: Springer, 1998. P. 213–228. https://doi.org/10.1007/978-3-642-97734-3_7

26. Гиниятуллин В.М., Салихова М.А., Хлыбов А.В., Чурилов Д.А., Чурилова Е.А. Оценка семантической близости между критериями оценивания в рабочих программах вуза // Современные наукоемкие технологии. 2021. № 1. С. 12–19. EDN: https://elibrary.ru/rfttvv. https://doi.org/10.17513/snt.38464

27. Белова К.М., Судаков В.А. Исследование эффективности методов оценки релевантности текстов // Препринты ИПМ им. М.В. Келдыша. 2020. № 68. 16 с. http://doi.org/10.20948/prepr-2020-68