?
Анализ аффективной поляризации в российском онлайн-пространстве в условиях политической мобилизации: подход машинного обучения
В условиях глобального роста политической напряженности и повсеместного учащения протестных выступлений изучение динамики аффективной поляризации становится все более актуальным. Этот феномен, ранее доминировавший в политическом ландшафте США и изучавшийся сквозь призму партийной принадлежности, приобретает значение и в других странах. Распространение аффективной поляризации фиксируется и для России, имеющей богатую историю политических размежеваний. Несмотря на актуальность темы, исследования аффективной поляризации сталкиваются с проблемой разработки объективных и нереактивных методов анализа, свободных от предвзятости традиционных опросов. Кроме того, открытым остается вопрос о связи аффективной поляризации и политической мобилизации - действительно ли эти явления, развивающиеся схожими трендами, усиливают друг друга? Этот вопрос является основной гипотезой исследования. Для ее тестирования предложена методология, основанная на машинном обучении: спектральной кластеризации, тематическом моделировании BERTopic и энтропии Шеннона. В качестве эмпирической базы использованы первичные данные сообщений социальной сети «ВКонтакте», собранные в период летних протестов 2019 г. в Москве и представляющие собой сообщения пользователей, в которых выражен язык ненависти (как основной индикатор аффективной поляризации). Результаты подтвердили выдвинутую гипотезу: обнаружено статистически значимое увеличение энтропии Шеннона и выявление поляризованных тематик в период протестной мобилизации. Это свидетельствует о том, что политическая мобилизация действительно положительно связана с распространением аффективной поляризации. Разработанная методология позволяет проводить объективный анализ политических процессов и может быть использована для мониторинга и оценки рисков, связанных с эскалацией социальной напряженности.