С каждым годом россияне все чаще используют социальные сети. По данным портала Mediascope на ноябрь 2020 года 96 млн. жителей России ежемесячно посещают минимум одну социальную сеть (Mediascope 2020). Средства массовой информации активно переходят в интернет, порождая новый феномен «сетевой журналистики». Реальные события, передающиеся через СМИ, становятся медиасобытиями, которые лишь отчасти следуют за реальностью, в основном, являясь субъективным видением (Витвинчук 2013). Классическое журналистское СМИ превращается в паблик в социальной сети, а журналист часто становится анонимным звеном в сети передачи информации (Кастельс и др. 2016). Паблики объединяют пользователей с похожими интересами, поэтому для увеличения подписчиков и охвата они транслируют медиасобытия с выгодной владельцу точки зрения. Пользователи пропускают через сознание переработанный образ и субъективно искажают его. Основываясь на этих искажениях, они высказывают оценки, мнения и суждения об определенной теме в комментариях к постам. Комментарии могут влиять как на СМИ, так и на других пользователей, задавая вектор конструирования медиасобытия. Таким образом, как в публикациях СМИ, так и в комментариях создается общественный образ вокруг конкретного медиасобытия.

Медиасобытие развивается поэтапно. На каждом этапе люди в разном количестве реагируют на него. Мы можем проследить развитие конструирования образа медиасобытия в разных СМИ на разных этапах и отобразить динамику реакций пользователей на это событие. Исходя из этого, мы формируем следующий проблемный вопрос: Как в разных СМИ конструируются разные этапы медиасобытия и как пользователи реагируют на них? Цель нашего исследования –это рассмотреть динамику конструирования образа СМИ и трансформацию реакций пользователей в социальных сетях. Для достижений цели мы создадим программное обеспечение, написанное на языке Python с использованием методов компьютерной лингвистики и NLP. Приложение поможет исследователям сетевой журналистики изучать эволюцию медиасобытий.

Социальные сети – это богатый материал для изучения мнений. Эти мнения находятся в открытом доступе и доступны для автоматической обработки.

В последнее время наблюдается увеличение исследований по конструированию медиасобытий в социальных сетях. Это связано с увеличением фейковых новостей в медиапространстве и наступлением эпохи постправды. К примеру, в исследовании 2011 года ученые создали алгоритм, который смог различить поддельные новости от настоящих во время землетрясения в Японии (Shepard 2019). С помощью методов извлечения тем и процесса микро-кластеризации аналитики заметили, что поддельные новости отличаются от настоящих меньшей разнородностью. Важной работой в области изучения российских медиасобытий является разработка сервиса Shiftry, благодаря которому можно проследить диахроническое изменения значения слов в медиадискурсе (Кутузов и др. 2020). Автор данного исследования предлагает проследить диахроническое изменение медиасобытия. Опыт исследования конструирования медиаобраза в сознании пользователей социальных сетей, проведенный в работе (Маткин 2021), лежит в основе данной работе.

Исследования социальных медиа в основном проводятся в Facebook и Twitter. У Twitter есть открытый API, который можно обработать с помощью доступного модуля nltk.twitter package. Согласно аналитическому агентству Popsters Facebook ежедневно посещают 9,9% россиян, тогда как Twitter используют только 2,4%. Наиболее популярной российской социальной сетью является VK. Ее ежедневно посещают 43,3% россиян (Popster 2020). У данной социальной сети также открытый API, что позволяет автоматизировать сбор комментариев.

Медиасобытие в социальных сетях передается многоканально. Предлагается исследование нарративного канала с помощью установления значимости определенных маркеров медиасобытия в разных текстах. Исследование медиасобытия состоит из 5 этапов:

Для осуществления работы создано приложение на языке Python, которое осуществляет все этапы за исключением 2, в связи с ограничениями сайтов.

В качестве материала для пробного исследования проведен анализ репрезентации замедления работы Twitter в России. Выделено 7 этапов развития медиасобытия:

24 февраля – блокировка администрацией социальной сети 100 российских аккаунтов.

10 марта – применение мер Роскомнадзором по замедлению работы социальной сети в России.

11 март – ответ от компании Twitter на санкции.

16 марта – угроза блокировки социальной сети.

23 марта – удаление социальной сетью запрещенной в РФ информации.

5 апреля – перенос сроков блокировки до 15 мая.

17 мая – сообщение Роскомнадзора об отмене блокировки социальной сети.

Для анализа выбрана 5 российских медиа, разной политической направленности: официальное сообщество Роскомнадзора, «Медуза», «Телеканал Дождь», «Новости RT на русском», «РИА Новости».

Больше всего комментариев оставлено в сообществе Роскомонадзора (963), а меньше всего – в «Медузе» (387). Реакции на все новости во всех сообществах в основном негативные, но есть исключения. Так, сообщения о блокировке 100 российских аккаунтов и начале удаления Twitter информации в сообществе RT вызвали больше положительной реакции, нежели отрицательной.

Далее составлен список ключевых слов во всех текстах. На основе данных слов, относящихся к разным категориям, можно проследить конструирование той или иной категории в сообществе. Для данного медиасобытия выделены следующие категории: санкции, акторы, причины, личности, другие социальные сети. Для каждого текста и корпуса комментариев выявлена важность слова из кластера для текста с помощью метрики tf-idf.

Таким образом можно проследить конструирование разных кластеров в разных сообществах и комментариях. Так, кластер санкции в сообществе «Медуза» строится в основном на блокировке (5 апреля) и замедлении работы Twitter (16 марта и 17 мая). В то же время пользователи обеспокоены не только этими санкциями, но и полным запретом социальной сети или определенного вида публикаций в ней. Обеспокоенность этим возрастает 23 марта, когда twitter начал удалять запрещенный контент.

Другая тенденция наблюдается в сообществе «Новости RT на русском». Изначально, сообщество не делает акцент на определенных санкциях, но в дальнейшем она все чаще упоминает их. 5 апреля наиболее явно сообщество говорит о замедлении Twitter. Подписчики в комментариях обеспокоены разными санкциями. 11 марта они с одинаковой важностью упоминают удаление и замедление, а 5 апреля – запрет, блокировку и замедление.

Приложение позволяет анализировать конструирование определенных кластеров по ключевым словам в сообществах. На данный приложение можно применять для анализа медиасобытия по мере его протекания. В дальнейшем необходимо автоматизировать работу приложения, чтобы получать аналитику по конструированию медиасобытия в разных СМИ и в разных аудиториях.