Выводы: Ключевую роль в распространении новости сыграли «фейковые аккаунты». Их записи обсуждались, а так же ретвитились реальными пользователями. Более того, именно они способствовали суммарному увеличению охвата и увеличению количества связей между акторами, усложнению структуры. Именно от них, как ключевых «лидеров мнений» данной сети, происходили дальнейшие ссылки других акторов сети.

ЗАКЛЮЧЕНИЕ

Проведенное исследование позволило составить представление об особенностях распространения новостной информации в социальной сети Twitter.

Была проведена апробация метода сбора данных в социальных сетях при помощи мониторинга социальных медиа. Опыт работы с данной системой позволил в короткие сроки собрать большой массив данных (суммарно число упоминаний 2484), проанализировать описательную статистику по каждому кейсу (динамика за неделю, общее распределение сообщений по ресурсам). Также был проанализирован показатель охвата аудитории, посчитанный данным программным обеспечением. Числовое значение охвата показывает суммарное число пользователей, которые потенциально могли увидеть/прочитать сообщение. В основе расчета лежит число подписчиков у каждого актора исследуемой сети (графа). Однако данный показатель возможно использовать только для составления общего представления о масштабе распространения новости. Проблема заключается в том, что при расчете охвата не учитываются возможные совпадения подписчиков у акторов (одни и те же «друзья» у разных людей).

Таким образом, мониторинг социальных сетей как исследовательский инструмент предоставляет возможность оперативного сбора данных в социальных сетях. Собранная база данных содержит необходимые показатели для составления описательной статистики (количество упоминаний за период, авторов сообщений, тип ресурса, на котором была найдена новость, дата и время публикации). В сетевом анализе данный инструмент может использоваться как инструмент сбора данных для разведывательного исследования, так как для проведения аналитического исследования необходимо более детальное составление выборки с добавлением личных характеристик аккаунтов пользователей. Данную информацию невозможно получить при использовании системы мониторинга социальных сетей, что является одним из ее ограничений.

Ключевых задачей исследования было определение понятия «ложная новость». Такая задача была необходима, во-первых, из-за отсутствия научного определения данного феномена в целом, а, во-вторых, для операционализации понятия и работы с ним на эмпирическом уровне. Таким образом, было обозначено, что под «ложной новостью» подразумевается информационный повод, содержащий «фальсифицированную» информацию, который в последствии был опровергнут в «качественной» прессе (или в государственных СМИ). Были выработаны критерии, позволяющие на индивидуальном уровне ориентироваться в информационных потоках виртуального пространства:

1. Опровержение, опубликованное на официальных источниках качественной прессы

2. Отсутствие подобной новости на сайтах «качественной» прессы

3. Тематический индекс цитируемости сайта, тИЦ (Яндекс)

4. Субъективное восприятие сайта

Из перечисленных критериев, объективным и наиболее достоверным является опровержение, опубликованное источниками «качественной» прессы. В данном случае, информация предоставляется профессиональными журналистами, которые имеют возможность проверки реальности факта.

Остальные критерии не являются однозначными и содержат множество допущений. Например, отсутствие новости в источниках качественной прессы не является свидетельством того, что новость ложная. Это может относиться к региональным новостям, а также информационным поводам, которые не были освещены более крупными изданиями в силу определенных причин (отсутствие интереса аудитории издания к тематике новости, узкая направленность и так далее). Однако данные критерии могут быть полезны для наиболее продуктивной ориентации в виртуальном пространстве.

При анализе общей структуры распространения новостей было рассмотрено 6 кейсов (3 реальных и 3 ложных новости). Было важно понять: возможно ли составить типичную структуру для каждого вида новостей и выделить основные различия между двумя типами информационных поводов. В ходе исследования было выявлено, что каждый кейс обладал уникальной структурой, но не только в силу объективных причин (разные акторы, количество вершин и ребер, тематика новости, дата события), но и по своим индивидуальным сетевым характеристикам. В каждом случае вершины графов слабо связаны, обладают низкой плотностью, невозможно выделить кластеры сети. При этом, в большинстве рассмотренных кейсов присутствует большое количество изолированных вершин и диадных связей, что обусловлено активным участием бот-аккаунтов в распространении новостей. Однако ключевую роль в распространении новостей и увеличения суммарного охвата играют такие пользователи, которые имеют большое число подписчиков на свою страницу.

Данная проблема была описана в последней задаче, целью которой было определение характеристик «лидеров мнений». Для этого было рассмотрено два кейса реальной и ложной новостью относительно политических событий. В обоих случаях можно было выделить ключевых акторов сети - вершины с наибольшей мощностью узла (пользователи или сайт, на который было зафиксировано большое количество ссылок по сравнению с остальными акторами).

В случае реальной, было обнаружено 4 отдельных узла, к 3 из которых были получены ответные реакции пользователей (комментарии к записям). Одновременно с этим, в случае ложной новости можно выделить большее число акторов (но меньшее по их весу) и, при этом, больший процент отклика со стороны других акторов сети. При этом связи между вершинами более частые и сложные, нежели в графе, отражающего структуру реальной новости. В двух изучаемых случаях действовали разные механизмы распространения информации. В первом кейсе новость распространялась в большей степени непосредственно от аккаунтов представителей качественной прессы. Во втором случае, ложная новость, опубликованная на сайте, получила широкий охват благодаря активности «лидеров мнений», с «фейковыми» аккаунтами и с большим числом подписчиков.

Таким образом, новостное пространство сети Twitter в большей степени является «искусственно созданным». С одной стороны, это увеличение объема упоминаний в социальной сети путем большого числа публикаций со страниц «бот»-аккаунтов, с другой стороны, это увеличение масштаба охвата аудитории сети, путем передачи информации через «фейковые» страницы.

Перспективу дальнейшего исследования можно обозначить по нескольким направлениям. Во-первых, это более подробное изучение активности «фейковых» аккаунтов, являющихся «лидерами мнений» в социальной сети, уровень доверия пользователей к таким акторам. Во-вторых, отдельное рассмотрение большого числа «ложных» новостей с возможностью применения статистических моделей для выявления значимых связей и закономерностей.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Chris Anderson The End of Theory: The Data Deluge Makes the Scientific Method Obsolete

URL: http://www.wired.com/science/discoveries/magazine/16-07/pb_theory

2. Gross R., Acquisti A. Information revelation and privacy in online social networks //Proceedings of the 2005 ACM workshop on Privacy in the electronic society, 2005.

URL:http://www.inf.ed.ac.uk/publications/thesis/online/IM110932.pdf

3. Kate Crawford, Danah Boyd Six Provocations for Big Data / “A Decade in Internet Time: Symposium on the Dynamics of the Internet and Society” / September 21, 2011

URL: http://softwarestudies.com/cultural_analytics/Six_Provocations_for_Big_Data.pdf

4. Kozinets R.V. (1998). «On netnography. Initial reflections on consumer research investigations of cyberculture». Advances in Consumer Research,Vol. 25(1), pp. 366-371.

5. Lerman K., Hogg T. Using a model of social dynamics to predict popularity of news //Proceedings of the 19th international conference on World wide web, 2010

URL: http://www.isi.edu/~lerman/papers/wfp0788-lerman.pdf

6. Lerman K., Ghosh R. Information Contagion: An Empirical Study of the Spread of News on Digg and Twitter Social Networks

URL:http://www.aaai.org/ocs/index.php/ICWSM/ICWSM10/paper/viewFile/1509/1839

7. Mackay H. Information and the Transformation of Sociology: Inter-activity and Social Media Monitoring // Journal for a Global Sustainable Information Society, Vol. 11, №1, 2013

8. Sameer Hinduja, Justin W. Patchin Personal information of adolescents on the Internet:A quantitative content analysis of MySpace

URL:http://sfcs.cals.arizona.edu/azsearch/sites/sfcs.cals.arizona.edu.azsearch/files/Hinduja,%202008.pdf

9. Sandra Gonzбlez-Bailуn Social Science in the Era of Big Data / Social Science Research Network, March 22, 2013

URL: http://papers.ssrn.com/sol3/papers.cfm?abstract_id=2238198

10. Sarah Oates, TetyanaLokot Twilight of the Gods?: How the Internet Challenged Russian Television News Frames in the Winter Protests of 2011-12 / Social Science Research Network, June 28, 2013

URL: http://papers.ssrn.com/sol3/papers.cfm?abstract_id=2286727

11. Базенков Н. и др. Обзор информационных систем анализа социальных сетей //Управление большими системами: сборник трудов. - 2013. - №. 41

URL: http://cyberleninka.ru/article/n/obzor-informatsionnyh-sistem-analiza-sotsialnyh-setey

12. Бершадская Л., Биккулов А., Болгова Е., Чугунов А., Якушев . Социальные сети и социометрические исследования: теоретические основания и практика использования автоматизированного инструментария изучения виртуальных сообществ // «Информационные Ресурсы России» №4, 2012

URL:http://www.aselibrary.ru/digital_resources/journal/irr/irr3648/irr36483711/irr364837113734/irr3648371137343743/

13. Девятко И.Ф. Инструментарий онлайн-исследований: попытка каталогизации / Онлайн-исследования в России 3.0 / Под редакцией Шашкина А.В., Девятко И.Ф., Давидова С.Г. - М.: Издательский дом «Кодекс» , 2012. С. 29

Размещено на Allbest.ru