Автоматические методы детекции культурных смещений в социальных сетях (на материале диалогов из Telegram)

Формирование слоя социокультурной жизни человека основано на осознании индивидом себя и окружающего мира, а также переводе результатов этого осмысления в понятийную абстракцию или устойчивый образ. Это неизбежно приводит к появлению в обществе культурных смещений как формы отделения, обособления или подчеркивания своей инаковости одной социальной группы или национальной общности по отношению к другой. Речь идет о формировании неслучайных фундаментальных ошибок в мышлении при составлении картины мира. Укрепляющееся в обществе культурное смещение сохраняется в сознании индивидов и влияет в дальнейшем на возможную интерпретацию и негативное восприятие соседствующей социальной группы (а значит, на общественное настроение), иными словами, на уровень агрессивности или конфликтогенности общества. В числе прочего культурные смещения приводят к социальной стигматизации, стереотипизации и дискриминации. Всё это говорит о том, что проблема выявления культурных смещений является актуальной для научного сообщества. Существует достаточно много методов, основанных на опросах и их последующем анализе для детекции этого феномена. Отметим, что наиболее активно культурные смещения функционируют в современном медиапространстве, так как оно включает в себя возможности не только получения информации, но и коммуникации (на фоне ее получения) незнакомых между собой людей. Так как обсуждения социально-политических и культурных контекстов в таком случае происходит публично, то участники такого коммуникативного акта стремятся получить одобрение социальной группы, к которой примыкают идейно. Именно этот феномен позволяет достаточно быстро формировать сопоставления типа «свое - чужое», приводящие к неосознанным культурным смещениям. Таким образом, социальные сети (как классические, так и новые форматы, например мессенджеры с опциями публичных чатов) являются наиболее удобной площадкой для репрезентации этого феномена, поэтому в данной статье мы предлагаем использовать математический аппарат и выделять смещения на основе анализа большого массива текстовых данных, собранных в публичном чате в мессенджере Telegram. На наш взгляд, такой подход может в дальнейшем дополнять стандартную социологическую методологию, в том числе помочь выявить скрытые закономерности социокультурного и межкультурного дистанцирования за счет возможности охватить большой объем данных за несколько лет, а также включить в исследование более широкую выборку исследуемых индивидов.

поле культуры, культурный код, культурный процесс, машинное обучение, обработка естественного языка, кластеризация текста, культурные смещения, анализ текста

1. Кирсанова М. А. Роль антипословиц с гендерным компонентом в формировании юмористического образа женщины (на материале русского и английского языков) // Вестник НГУ. Серия: Лингвистика и межкультурная коммуникация. 2020. Т. 18, № 3. С. 87-102. DOI 10.25205/1818-7935-2020-18-3-87-102

2. Петерс Б. Прикладная этнолингвистика о правильном использовании стереотипов в курсе французского как иностранного (пер. с фр. А. Ф. Фефелова) // Вестник НГУ. Серия: Лингвистика и межкультурная коммуникация. 2020. Т. 18, № 1. С. 84-104. DOI 10.25205/ 1818-7935-2020-18-1-84-104

3. Поршнев Б. Ф. Социальная психология и история. М., 1979. 232 с.

4. Садохин А. П. Языковая личность и ее структура в межкультурной коммуникации // Библиотечное дело. 2008. № 1. С. 94-98.

5. Слесарева E. Р., Рыжкина О. А., Фефелов А. Ф. Трактовка темы австралийской идентичности в национальной прессе // Вестник НГУ. Серия: Лингвистика и межкультурная коммуникация. 2020. Т. 18, № 1. С. 105-119. DOI 10.25205/1818-7935-2020-18-1-105-119

6. Узнадзе Д. Н. Психология установки. СПб., 2001. 416 с.

7. Фефелов А. Ф. Этносемантические свойства культурной среды: рефракция и адаптация // Вестник НГУ. Серия: Лингвистика и межкультурная коммуникация. 2016a. Т. 14, № 3. С. 15-33.

8. Фефелов А. Ф. Семантика и прагматика взаимодействия британской и китайской культур в поликодовом тексте документального фильма // Вестник НГУ. Серия: Лингвистика и межкультурная коммуникация. 2016б. Т. 14, № 4. С. 60-80.

9. Шабаев Ю. П., Садохин А. П. Культурные границы и маркеры в этническом пространстве современной России. Опыт Case Study // Общественные науки и современность. 2012. № 6. С. 166-173.

10. Ядов В. А. Идеология как форма духовной деятельности общества. Л., 1961. 122 с.

11. Яковлев А. А. Системное описание языкового сознания студента: образы идеального преподавателя и идеального студента // Вестник НГУ. Серия: Лингвистика и межкультурная коммуникация. 2020. Т. 18, № 3. С. 141-153. DOI 10.25205/1818-7935-2020-18-3-141-153

12. Artetxe, M., Schwenk, H. Massively multilingual sentence embeddings for zero-shot cross-lingual transfer and beyond. In: CoRR. arXiv:1812.10464. 2018.

13. Che, W., Liu, Y., Wang, Y., Zheng, B., Liu, T. Towards better UD parsing: Deep contextualized word embeddings, ensemble, and treebank concatenation. In: CoRR. arXiv:1807.03121. 2018.

14. Jelinek, F. Computation of the probability of initial substring generation by stochastic context free-grammar. Computational Linguistics, 1991, vol. 17, no. 3, p. 315-323.

15. Joulin, A., Grave, E., Bojanowski, P., Mikolov, T. Bag of Tricks for Efficient Text Classification. In: arXiv:1607.01759. 2016.

16. Maaten, L., Hinton, G. Visualizing data using t-SNE. Journal of machine learning research, 2008, vol. 9, p. 2579-2605.

17. Mikolov, T. Distributed Representations of Words and Phrases and their Compositionality. In: Proceedings of Workshop at ICLR. 2013. URL: https://papers.nips.cc/paper/5021-distributed-representations-of-words-and-phrases-and-their-compositionality.pdf (accessed: 17.02.2020).

18. Panchenko, A., Romanov, P., Morozova, O., Naets, H., Philippovich, A., Romanov, A., Fairon, C. Serelex: Search and Visualization of Semantically Related Words. In: Proceedings of the 35th European Conference on Information Retrieval (ECIR 2013). Springler’s Lecture Notes on Computer Science. Moscow, 2013, p. 837-840.

19. Pennington, J., Socher, R., Manning, C. D. GloVe: Global Vectors for Word Representation. In: Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP). Association for Computational Linguistics. Doha, Qatar, 2014, p. 1532-1543.

20. Peters, M. E., Neumann, M., Iyyer, M. Deep contextualized word representations. In: arXiv preprint arXiv: 1802.05365. 2018.

21. Radford, A., Wu, J., Child, R., Luan, D., Amodei, D., Sutskever, I. Language Models are Unsupervised Multitask Learners. In: Technical Report OpenAi. 2018. URL: https://d4mucfpksywv. cloudfront.net/better-language-models/language_models_are_unsupervised_multitask_learners.pdf.

22. Stolcke, A., Segal, J. Precise n-gram probabilities from stochastic context-free grammars. In: Proceedings of the 32th Annual Meeting of ACL, 1994, p. 74-79.