Аффективная политическая поляризация и язык ненависти: созданы друг для друга?

Полный текст

Аффективная поляризация и язык ненависти в современной политической науке В политической науке последнего десятилетия ключевым трендом в исследовании феномена политической поляризации стал переход от одномерного представления, связанного с идеологией и ее проекциями на вопросы повестки дня, к гораздо более объемной и многомерной картине. Традиционным для политологии является понимание поляризации как расхождения позиций (positional polarization) между партиями и индивидами в некотором политическом измерении [Fiorina, Abrams 2008]: очень наглядным представлением здесь является центробежное движение по классической лево-правой шкале, восходящей еще к Великой французской революции. Разумеется, расхождение позиций может происходить и в иных широких ценностно-политических измерениях, и гораздо более локально - по какому-то вопросу текущей повестки или по отношению к определенной политической фигуре или группе. В последние годы позиционный взгляд дополняется еще как минимум двумя самостоятельными исследовательскими фокусами, связанными с концептами структурной и аффективной поляризации. Понятие структурной поляризации (иногда называемой также поляризацией взаимодействий, interactional polarization [Yarchi, Baden, KliglerVilenchik 2021] сформировалось в рамках исследований цифровой политической коммуникации. Первоначальный взгляд на интернет как на среду, в наибольшей степени благоприятную конструктивному обмену различными точками зрения [Papacharissi 2002], по мере накопления исследовательских результатов менялся на почти противоположный. И сейчас для значительной части ученых один из ключевых отправных пунктов состоит в том, что особенности структурирования коммуникации, получения информации в рамках социальных медиа способствуют фрагментации поля дебатов, размежеванию политических позиций. Это происходит за счет, во-первых, феномена «гомофилии» [McPherson, Smith-Lovin, Cook 2001] - склонности поддерживать общение с людьми, близкими по политическим взглядам, и дистанцироваться от идейных оппонентов [Settle 2018]. Именно в интернете, предоставляющем широкие возможности для установления / расторжения коммуникационных связей, по сравнению с «физическим» миром, и в целом для «фильтрации» контента (selective exposure [Bode 2016]), этот эффект наиболее силен. Во-вторых, доступность широкой палитры разнообразных точек зрения подталкивает многих пользователей социальных медиа скорее к поиску источников, подтверждающих их уже сложившиеся представления, нежели к участию в делиберациях с оппонентами [Wolleback et al. 2019]. Наконец, свой вклад вносят и алгоритмы рекомендательных и поисковых систем самих социальных медиа, учитывающих предшествующую активность пользователей и их социально-демографические характеристики [Cho et al. 2020]. В результате формируются почти закрытые от внешнего мира «эхо-камеры» (echo chambers) или «информационные пузыри» (filter bubbles), склонные концентрироваться на полюсах политических дискуссий [Bodrunova et al. 2019]. В этом, в очень кратком изложении, состоит суть и механизм структурной поляризации. Третий тип политической поляризации, центральный для нашей работы, - аффективная поляризация (affective polarization). Она заключается в возрастании враждебности и агрессии по отношению к политическим оппонентам, а также разделяемым ими идеям и ценностям. При этом сами эти идеи и ценности могут не претерпевать никаких изменений. Примечательно, что авторы концепции аффективной политической поляризации[93] исходно рассматривали ее как сугубо северо-американский феномен, связанный с нарастающей неприязнью, вплоть до ненависти, между демократами и республиканцами [Iyengar, Sood, Lelkes 2012: 405]. Однако очень быстро концепт аффективной поляризации стал востребован исследователями самых различных страновых кейсов - от Израиля [Harel, Jameson, Maoz 2020] до Эфиопии [Gagliardone 2014] - и лег в основу самостоятельного и быстро развивающегося направления политических исследований. Внимание к концепту аффективной поляризации обусловлено несколькими причинами, помимо явных эмпирических свидетельств в пользу ее значимости как фактора восприятия политики и коммуникаций в этой сфере [Iyengar et al. 2019]. Во-первых, это вписывается в наметившийся в последние годы тренд к большему учету эмоциональной составляющей принятия решений и эффектов внутри- и межгруппового влияния, в свою очередь ведущего к более широкому использованию в политической науке результатов социальной психологии. Именно эта дисциплина дает общую рамку рассмотрения аффективной поляризации, основанную на теории социальной идентичности (social identity theory) [Tajfel, Turner 1979]. В соответствии с ними идентификация с некоторым - формальным или неформальным - сообществом (ингруппой) автоматически приводит к конструированию представления о противостоящей ему аутгруппе. Такое разделение порождает у индивида склонность положительно оценивать членов ингруппы и отрицательно - представителей аутгруппы только на основании воспринимаемой групповой принадлежности. Одно из важных следствий такого взгляда на механизм аффективной поляризации состоит в том, что это явление отражает размежевание не только и не столько индивидов, сколько групп и сообществ; мы будем делать на этом особый акцент в части описания эмпирического инструментария нашего исследования. Во-вторых, аффективная поляризация в значительной мере связана с использованием цифровых каналов и платформ коммуникации, которые находятся в фокусе одного из наиболее динамично развивающихся направлений политической науки. Затронутые выше механизмы структурной поляризации - селективное восприятие, сетевая гомофилия, эхо-камеры - вполне могут быть одновременно и механизмами аффективной поляризации. В целом имеется большой потенциал для синтеза этих двух (как минимум) аспектов политической поляризации как на теоретическом, так и на эмпирическом уровне. Однако пока он реализован лишь в очень слабой мере; соответствующих работ на удивление мало (например: [Wolleback et al. 2019]). Более того, «мейнстримом» эмпирических исследований аффективной поляризации остаются традиционные социологические методы. Частично это связано с американским происхождением самого концепта: именно в США оказались накоплены подходящие данные массовых социологических опросов. Так, в лонгитюдном проекте «Американское национальное исследование выборов» (American National Election Study, ANES) имеется вопрос-термометр относительно степени «теплоты» в отношении респондента к Республиканским и Демократическим партиям и их представителям: используется шкала от «холодного» (0) до «теплого» (100). Индивидуальная мера аффективной поляризации рассчитывается как расстояние между оценкой партии, к которой принадлежит респондент, и оценкой оппозиционной партии [Mason 2013]. Сходные социологические инструменты предполагают соотнесение респондентами представителей партий с этически и эмоционально окрашенными характеристиками: «доброжелательный», «умный», открытый», «щедрый» vs «эгоистичный», «злобный», «лицемерный» и т.п. [Iyengar, Sood, Lelkes 2012]. Еще один подход опирается на традиции исследований социального капитала и выводит меру аффективной поляризации из оценок степени доверия, испытываемого респондентами по отношению к оппозиционным политическим сообществам. В этом же русле лежит измерение социальной дистанции через оценку приемлемости и комфорта вступления в близкие личные отношения с оппонентами: например, отношение к перспективе брака ребенка с представителем оппозиционной партии [Iyengar et al. 2019; Druckman, Levendusky 2019]. Наряду с опросными методиками, основанными на самоотчетах (self-report), используются и поведенческие (behavioral) подходы, основанные на фиксации наблюдаемых реакций. Основные экспериментальные техники, используемые для выявления и оценки аффективной поляризации, основываются на играх по распределению некоторого ограниченного объема финансовых средств - игра диктатора (dictator game), игра доверия (trust game) и т.п. [Carlin, Love 2013]. Уровень проявления аффективной поляризации измеряется здесь как разность в количестве денег, распределенных представителям своей группы по сравнению с «чужаками». Характеризуя приведенные методики для выявления и оценки уровня аффективной поляризации, отметим, что все они являются реактивными: исследователь создает определенный стимул (в виде вопроса или правил игры) и оценивает реакцию респондента или испытуемого. Такая ситуация является искусственной в том смысле, что она может быть никак не связана с повседневным поведением и представлениями индивида. Будет ли естественное, невынужденное поведение соответствовать тем закономерностям, которые выявляют опросы и эксперименты? Однозначно положительного ответа на этот вопрос, вообще говоря, нет. В случае с разными формами самоотчета проблема усугубляется эффектом социальной желательности. Отметим и более технический, но важный момент: с помощью экспериментальных техник и опросов со сложным дизайном трудно набирать длинные временные ряды наблюдений. По данной тематике доступны лишь лонгитюдные исследования с простейшими вопросами вроде «термометров» в названном ANEC, которые исходно не планировались как инструменты измерения собственно аффективной поляризации. А наличие рядов динамики очень важно хотя бы потому, что само понятие поляризации отражает не только явление, но и процесс. Наконец, опросные методы хороши, когда известно, какие вопросы следует задавать. Другими словами, когда понятны ключевые линии политических размежеваний и те группы, которые противостоят друг другу. В отличие от США, где политический процесс четко структурирован вокруг борьбы двух ведущих партий, в России (и многих других странах) это совсем не очевидно. Мы полагаем, что указанные проблемы способен преодолеть подход, основанный на фиксации элементов языка вражды (hate speech) в онлайн-дискурсе вокруг значимых политических событий. Язык вражды (ненависти[94]) мы пока в общем виде определим как вербальное поведение, направленное на унижение достоинства, в том числе через призывы к насилию или дискриминации[95]. Таким образом, язык вражды может рассматриваться как наблюдаемое проявление аффективной поляризации уже как минимум в том отношении, что он отражает ее ключевую эмоциональную (собственно аффективную) составляющую - враждебность и агрессию по отношению к оппонентам. Однако эти явления родственны и на более глубоком теоретическом уровне. В современной литературе одним из ключевых признаков языка вражды является адресация к групповой принадлежности объекта ненависти [Olteanu et al. 2018; Siegel 2020; Kennedy et al. 2018]. Так, оскорбительные высказывания или даже призывы к насилию в отношении конкретного индивида не определяются как язык вражды, если нет явной или скрытой отсылки к целевой группе (target group); достоинство индивида подвергается унижению в силу его или ее принадлежности к некоторой социальной общности, которая и является действительным объектом ненависти. Та же логика, как мы отмечали выше, справедлива и применительно к аффективной поляризации, понимаемой в русле теории социальной идентичности: размежевание проходит на уровне групп и сообществ, а не персоналий. С эмпирической точки зрения язык ненависти также выглядит естественным индикатором аффективной поляризации. Это явно наблюдаемое поведение, регистрируемое по набору вполне операциональных признаков. При этом исследователь не создает контролируемой ситуации с заданными вариантами поведения: выборка сообщений формируется из возникающей естественным путем совокупности. Также не ожидается каких-либо форм самоотчета со стороны обследуемых. Использование данных социальных медиа позволяет сравнительно легко решить проблемы сбора ретроспективной информации и формирования рядов динамики. Наконец, огромные массивы данных интернет-коммуникаций позволяют оптимально организовать поисковое исследование: определить неочевидные заранее линии аффективной поляризации и идентифицировать противоборствующие группы. Однако в политической науке мы располагаем лишь сравнительно небольшим числом исследований, в которых аффективная поляризация и язык вражды используются в прямой связке (см., например: [Harel, Jameson, Maoz 2020; Kennedy et al. 2018]). На фоне сказанного выше это выглядит почти парадоксальным. Мы полагаем, что дело в своего рода инерции исследовательских традиций, сложившихся независимо друг от друга в изучении аффективной политической поляризации и языка вражды. Последний еще с 1990-х гг. рассматривается почти исключительно в контексте отношения к расовым, этническим, религиозным, сексуальным меньшинствам. Причем такой взгляд сформировался не только у исследователей (например: [Jacobs, Potter 1998]), но и на уровне официальных организаций - вплоть до Европейского союза[96]. Такой фокус фактически оставляет «за бортом» проблематики аффективной поляризации расколы по собственно политическим линиям. В исследованиях же аффективной поляризации наметилась своя «колея», связанная с изучением партийной поляризации, прежде всего в США. В результате подход к исследованию аффективной политической поляри зации на основе анализа языка ненависти в социальных медиа представляется нам существенно недооцененным. Далее мы покажем, как созданная авторами методика работает на материале сообщений в социальной сети ВКонтакте, организованных вокруг встреч президентов В. Путина и А. Лукашенко в 2020-2021 гг. Выявление языка ненависти в социальных медиа Методики выявления и кодирования языка ненависти в социальных медиа различаются в нескольких измерениях. Так, различаются те из них, что проводятся с использованием ручного кодирования, и те, что используют лишь машинную обработку (при этом обучение алгоритма может проводиться с использованием ручных процедур). В настоящей работе формирование выборки сообщений, содержащих язык ненависти, происходит в два этапа: машинный сбор данных по тематическому принципу и ручное выявление таких сообщений, которое происходит в рамках той же процедуры, что и кодирование, главной целью которого является классификация таких сообщений. Сходным образом поступили, в частности, авторы работы [Gitari et al. 2015]. На первом этапе они провели первоначальный отбор сообщений с так называемых «сайтов ненависти», а на втором классифицировали их как содержащие сильно выраженный, слабо выраженный и не содержащие язык вражды (strongly hateful, weakly hateful, non-hateful). Другой подход (в частности [Olteanu et al. 2018]) предполагает, что данные уже изначально собираются так, чтобы выборка содержала лишь сообщения с языком ненависти. Это достигается за счет того, что сбор сообщений идет по ключевым словам, присущим языку вражды. Фундаментальная проблема состоит в том, что как ручной анализ, так и, тем более, машинный не всегда позволяют удовлетворительно решить вопрос о наличии языка вражды в том или ином сообщении. В целом более «машинные» процедуры ориентированы на высокую чувствительность (high recall, high sensitivity, собрать как можно больше сообщений, содержащих язык вражды), а более «ручные» - на высокую специфичность (high precision, high specificity, избежать попадания в выборку сообщений, не содержащих его). Другой аспект процедур отбора и кодирования связан с тем, что, в зависимости от цели исследования, некоторые методики ориентированы на выявление языка вражды в отношении лишь некоторых групп как объектов ненависти, другие методики носят в этом плане универсальный характер. Например, при изучении языка вражды в адрес мусульман в качестве ключевых слов используются специфические ключевые слова, характерные для исламофобских групп [Olteanu et al. 2018]. В противоположность этому, в работе [Kennedy et al. 2018] формирование выборки происходит по алгоритму, допускающему различные группы в качестве объекта ненависти, а частью анализа было кодирование, определяющее конкретную группу: направлена ли ненависть данного сообщения на группу по признаку расы (этничности), национальности (в смысле принадлежности к той или иной стране, nationality), пола, религии, сексуальной ориентации, идеологии, политической (партийной) ориентации, состояния ментального или физического здоровья. Наконец, отметим еще один вопрос, специфический для эмпирических исследований данной области. Высказывание считается содержащим язык вражды, лишь если объект ненависти определяется по признаку принадлежности к определенной социальной группе. Другими словами, если ненависть направлена на индивида как такового, то это не считается языком вражды. При кодировании возникает вопрос о том, каким образом определять наличие групповой направленности. Проблема не возникает, если указание на группу содержится в самом агрессивном высказывании. Однако иногда такое указание отсутствует в агрессивном высказывании, но содержится в более широком контексте. Относить ли такие случаи к языку вражды? В случае положительного ответа, каким образом возможно формализовать контекст, чтобы критерий имел четкую форму? Покажем, как может быть формализован контекст, на примере работы [Olteanu et al. 2018], в которой под языком вражды понимаются высказывания, которые могут быть восприняты как оскорбительные, унизительные или каким-либо образом вредные и которые мотивированы, полностью или частично, чьей-либо предвзятостью в отношении какого-либо аспекта группы людей, либо комментариями такой речи другими людьми, либо речью, направленной на противодействие языку вражды. Проиллюстрируем понимание контекста, принятое в данном определении, с помощью следующего примера. Пользователь А: Оскорбление в адрес какой-либо социальной группы. (1) Пользователь В: Ответное оскорбление в адрес А, не называющее его групповую принадлежность. (2) Пользователь А: Ответное оскорбление в адрес В, не называющее его групповую принадлежность. (3) Пользователь С: Оскорбление в адрес В, не называющее его групповую принадлежность. (4) В данном примере очевидно, что высказывание (1) содержит язык вражды, а высказывание (2) - не содержит. Высказывания (3) и (4) не содержат указания на групповую принадлежность объекта ненависти (т.е. пользователя В), однако мотивированы его высказыванием (2), направленным на противодействие высказыванию (1), содержащему язык вражды. Следовательно, (3) и (4) также являются проявлениями языка вражды. В противоположность использованному здесь определению, если исследовательский подход требует, чтобы указание на групповую принадлежность объекта ненависти содержалось в самом агрессивном высказывании (а не в контексте), то (3) и (4) не признаются языком вражды. Заметим, что обращение к контексту существенно повышает техническую сложность работы, так как требует анализа не только отдельных сообщений, но также связей между ними. Очевидно, методики, принимающие групповую направленность ненависти, содержащуюся в контексте, относят к языку вражды большее количество сообщений, чем ме тодики, требующие указания на группу в самом высказывании. Таким образом, здесь также имеет место указанная выше дилемма между чувствительностью и специфичностью. Методология исследования В данной работе осуществлен машинный сбор данных на основе тематического принципа, а кодировка, выделяющая из общего массива сообщения, содержащие язык ненависти, проведена вручную. Исследование проводилось на материале публикаций (постов и комментариев) пользователей социальной сети ВКонтакте в связи с тематикой российско-белорусских отношений, более конкретно - в связи с переговорами президентов В.В. Путина и А.Г. Лукашенко, прошедшими в сентябре 2020 г., а также феврале, мае и сентябре 2021 г. В соответствии с данной тематикой с помощью API ВКонтакте был собран корпус постов, в которых одновременно упоминались оба Президента, а также всех доступных комментариев к ним. Как правило, посты представляли собой информационные сообщения, например: «Лукашенко передал Бастрыкину привет от Путина и рассказал, о чем они до ночи говорили в Кремле» (и ссылка на публикацию в издании масс-медиа). В то же время комментарии не были сконцентрированы на обсуждении переговоров. По большей части они были посвящены обсуждению российско-белорусских отношений в общем смысле; но соизмеримое место занимал обмен мнениями и оценками по самому широкому кругу политических, идеологических и смежных с ними вопросов (включая, например, расстрел царской семьи, политическую ситуацию в Афганистане и т.д.). Для ручной кодировки и анализа из этого корпуса методом случайной выборки был выбран 101 пост. Суммарно эти посты содержали 5503 комментария пользователей. Распределение собранных данных по времени представлено в табл. 1. Таблица 1 Распределение комментариев из выборки по времени, 2020-2021 Месяц, год Число постов Общее число комментариев Минимальное число комментариев к посту Среднее число комментариев к посту Максимальное число комментариев к посту Сентябрь 2020 20 1100 1 55.0 100 Февраль 2021 14 801 18 57.2 100 Май 2021 17 951 20 55.9 100 Сентябрь 2021 50 2651 20 53.0 100 Примечание. Максимальное число комментариев к посту (100) обусловлено ограничениями API VK. Источник: составлено авторами по результатам исследования. Table 1 Distribution of comments from the sample by time, 2020-2021 Month, Year Number of posts Total number of comments Min number of comments to the post Mean number of comments to the post Max number of comments to the post September 2020 20 1100 1 55.0 100 February 2021 14 801 18 57.2 100 May 2021 17 951 20 55.9 100 September 2021 50 2651 20 53.0 100 Note. the maximum number of comments to a post (100) is due to restrictions of API VK. Source: compiled by the authors based on the results of the study. Отобранные таким образом комментарии были закодированы вручную в соответствии с разработанным в рамках данного исследования протоколом. Цель кодирования состояла в выявлении признаков языка ненависти и классификации комментариев в соответствии с этими признаками, а также оценки дополнительных переменных, необходимых для анализа (см. ниже). Определение языка вражды, принятое в данной работе, имеет следующий вид. Язык вражды - это агрессивные, оскорбительные и/или дискриминационные высказывания в отношении человека или группы лиц из-за их социальной, политической, национальной, этнической, религиозной, гендерной или иной принадлежности / идентичности. Соответственно, относительно конкретного комментария протокол кодировки требует указать наличие или отсутствие следующих признаков: y призыв к насилию или угроза применения насилия в отношении человека или группы лиц из-за их принадлежности к той или иной группе; y оскорбление в отношении человека или группы лиц из-за их принадлежности к той или иной группе; y призыв к дискриминации или угроза дискриминации человека или группы лиц из-за их принадлежности к той или иной группе; y является ли комментарий спамом / оффтопиком; y выражает ли комментарий прямое несогласие - например, с исходным постом или другими комментариями; y являются ли насилие, оскорбление или дискриминация основным посылом комментария. Кроме того, в случае наличия признаков насилия, оскорбления или дискриминации кодировщикам следовало указать, кто/что является объектом ненависти (открытый вопрос, краткая формулировка). Каждый комментарий рассматривался двумя либо тремя кодировщиками. Наличие признака фиксировалось, если его указали не менее половины кодировщиков (т.е. не менее одного из двух либо не менее двух из трех). Всего в исследовании участвовало 11 кодировщиков, в качестве которых выступали студенты НИУ ВШЭ. Нагрузка на каждого кодировщика составляла примерно 510 комментариев в неделю в домашних условиях. Перед выполнением задания проводился групповой онлайновый инструктаж, в ходе которого ко дировщики были ознакомлены с заданием. Был проведен тренировочный раунд кодирования с последующим разбором наиболее сложных кейсов. Во время первичного инструктажа, а также обсуждения результатов тренировочного раунда особое внимание кодировщиков было обращено на то, что языком вражды считаются лишь те проявления агрессии, оскорбления и дискриминация, которые направлены на индивидов ввиду их групповой принадлежности (применительно к данной работе чаще всего - ввиду принадлежности к числу сторонников того или иного политического направления). При том, что существуют различные подходы к тому, каким образом определять наличие указания на групповую принадлежность, в данной работе принят узкий критерий, требующий, чтобы указание на групповую принадлежность объекта языка вражды содержалось в том же комментарии, что и агрессия / оскорбление / дискриминация. Результаты обработки комментариев всеми кодировщиками сводились в таблицу Excel с последующим статистическим анализом полученных данных методами описательной статистики. Эмпирические результаты Описательные статистики, характеризующие результаты кодирования собранных данных, представлены в табл. 2. Первая строка носит справочный характер и отражает общее число комментариев в данный период. Строки 2-4 содержат число комментариев с одним из трех типов языка вражды, а также процент таких комментариев от общего числа комментариев в данный период. Последняя строка является обобщением трех предыдущих строк и указывает на число комментариев с любым из трех признаков языка вражды. Поскольку один и тот же комментарий может иметь сразу несколько признаков языка вражды, число таких комментариев необязательно является суммой строк 2-4. Как видно из данных табл. 2, язык вражды по анализируемой тематике выражается преимущественно, в оскорбительных комментариях. Комментарии дискриминирующего характера существенно уступают оскорблениям по частоте, в то время как угрозы насилия встречаются крайне редко. В целом частотность комментариев с признаками языка вражды оставалась относительно стабильной на протяжении рассматриваемого года, с небольшим ростом в середине 2021 г. (с 7 до 10-11 %). Наибольший интерес в данном случае представляют не числовые характеристики динамики, а содержательные аспекты использования языка вражды. В ходе анализа полученных в результате кодирования данных была проведена классификация групп - объектов языка вражды. Были выделены шесть макрогрупп: 1) национально-территориальная; 2) политико-идеологическая; 3) профессиональная; 4) возрастная; 5) гендерная; 6) ЛГБТ; Таблица 2 Описательные статистики результатов кодирования комментариев, 2020-2021 Число комментариев Сент. 2020 Февр. 2021 Май 2021 Сент. 2021 ИТОГО Общее число комментариев 1100 801 951 2651 5503 Число комментариев с оскорблениями 66 (6 %) 48 (6 %) 96 (10 %) 252 (10 %) 462 (8 %) Число комментариев с угрозой насилия 5 (<0.5 %) 1 (<0.5 %) 11 (1 %) 17 (1 %) 34 (1 %) Число комментариев с дискриминацией 20 (2 %) 17 (2 %) 31 (3 %) 23 (1 %) 91 (2 %) Общее число комментариев с признаками языка вражды 72 (7 %) 55 (7 %) 107 (11 %) 275 (10 %) 509 (9 %) Примечание. К числу комментариев с оскорблениями, угрозами насилия, дискриминацией - в соответствии с определением языка вражды - относились лишь комментарии, содержащие высказывания в отношении человека или группы лиц из-за их социальной, политической, национальной, этнической, религиозной, гендерной или иной принадлежности / идентичности. Последняя строка (число комментариев с признаками языка вражды) может не являться суммой комментариев с оскорблениями, угрозой насилия или дискриминацией, поскольку эти разновидности языка вражды могут одновременно встречаться в одном комментарии. Источник: составлено авторами по результатам исследования Table 2 Descriptive statistics of the results of coding comments, 2020-2021 Number of comments September 2020 February 2021 May 2021 September 2021 Total Total number of comments 1100 801 951 2651 5503 The number of comments with insults 66 (6 %) 48 (6 %) 96 (10 %) 252 (10 %) 462 (8 %) The number of comments with the threat of violence 5 (<0.5 %) 1 (<0.5 %) 11 (1 %) 17 (1 %) 34 (1 %) Number of comments with discrimination 20 (2 %) 17 (2 %) 31 (3 %) 23 (1 %) 91 (2 %) Total number of comments with signs of hate speech 72 (7 %) 55 (7 %) 107 (11 %) 275 (10 %) 509 (9 %) Note. Comments with insults, threats of violence, discrimination - in following the definition of the hate speech - included only comments containing statements against a person or group of persons because of their social, political, national, ethnic, religious, gender or other affiliation/identity. The last line (the number of comments with signs of hate speech) may not be the sum of comments with insults, threats of violence or discrimination, since these varieties of hate speech may occur simultaneously with one comment. Source: compiled by the authors based on the results of the study. К национально-территориальной макрогруппе относятся различные нацио нальные (американцы, белорусы, русские, украинцы и др.), расовые (афроамериканцы), региональные (выходцы с Донбасса, европейцы) группы. К политико-идеологической макрогруппе относятся политические элиты двух стран, группы сторонников и противников действующей власти в России и Беларуси, идеологические группы (либералы, консерваторы, коммунисты). Профессиональная макрогруппа образована в основном тремя группами: силовики, чиновники и мигранты. Возрастная макрогруппа состоит из молодежи и пожилых; гендерная и ЛГБТ - соответственно названию. Рис. 1. Динамика долей макрогрупп объектов языка вражды Источник: составлено авторами по результатам исследования. Fig. 1. Dynamics of the shares of macro groups of objects of the hate speech Source: compiled by the authors based on the results of the study. Данные рис. 1 показывают, как доли этих макрогрупп объектов языка вражды менялись во времени. Как видно из графика, доминирующее положение занимает политико-идеологическая макрогруппа, на долю которой приходилось от 60 до 80 % случаев использования языка вражды. Преобладание этой макрогруппы объектов неудивительно, поскольку тематика отобранных постов носила политический характер, в связи с чем политические позиции героев сообщений или участников обсуждений становились объектом оскорблений или других форм языка вражды. Более интересна вторая по частотности, национально-территориальная, макрогруппа, на долю которой приходится около 25 % случаев использования языка вражды. Достаточно частое появление этой макрогруппы в контексте тематики анализируемых постов неудивительно: встречи двух Президентов были связаны с темой углубления интеграции двух государств и развития Союзного государства, что могло спровоцировать апелляцию к национальным и территориальным сюжетам (табл. 3). Интерес представляет другое. Во-первых, обращает на себя внимание динамика доли этой макрогруппы: она демонстрирует явный скачок в середине 2021 г., когда стали понятны контуры планируемых мер по дальнейшей интеграции. Во-вторых, любопытен тот факт, что наиболее часто фигурирующей в языке вражды национальной группой являются не русские и белорусы, а украинцы, упоминаемость которых в 2-3 раза превышает упоминаемость русских и белорусов. Не единичны также случаи упоминания американцев или европейцев - часто в контексте оскорбительных или дискриминационных высказываний в отношении ЛГБТ. Эти закономерности указывают на достаточно прочную укорененность ряда шаблонов (связка США/Европа - ЛГБТ) и повесток (упоминания США при обсуждении встреч В.В. Путина и А.Г. Лукашенко) в сознании участников онлайн-обсуждений. Таблица 3 Группы объектов языка вражды с высокой частотностью Политико-идеологическая макрогруппа Национально-территориальная макрогруппа Руководство стран 178 (58 %) Украинцы 55 (43 %) Оппозиция 57 (19 %) Русские / россияне 25 (19 %) Сторонники власти 54 (18 %) Белорусы 20 (16 %) Либералы 15 (5 %) Евреи 8 (6 %) Американцы 4 (3 %) Европейцы 3 (2 %) Примечание. Проценты рассчитаны от числа комментариев, относящихся к данной макрогруппе объектов. Таблица содержит лишь одну идеологическую группу («либералы»), поскольку другие идеологические группы встречаются редко: «коммунисты» - 2 раза, «консерваторы» - 1 раз. Источник: составлено авторами по результатам исследования. Table 3 Groups of objects of hate speech with high frequency Political and ideological macrogroup National-territorial macrogroup Country leadership 178 (58 %) Ukranians 55 (43 %) Opposition 57 (19 %) Russians 25 (19 %) Supporters of the government 54 (18 %) Belarusians 20 (16 %) Liberals 15 (5 %) Jews 8 (6 %) Other ideological groups are rare Americans 4 (3 %) Europeans 3 (2 %) Note. Percentages are calculated from the number of comments related to this macro group of objects. The table contains only one ideological group (“liberals”), since other ideological groups are rare: “communists” - twice, “conservatives” - once. Source: compiled by the authors based on the results of the study. Высокая встречаемость политико-идеологической и национально-территориальной макрогрупп объектов языка вражды, а также частотность конкретных групп внутри выделенных макрогрупп (см. табл. 3) позволяет выявить несколько ключевых расколов, возникших в онлайн-сообществах ВКонтакте в контексте обсуждения встреч В.В. Путина и А.Г. Лукашенко. Первый раскол пролегает по линии отношения к действующей власти: лоялисты - оппозиция. Можно утверждать, что именно этот раскол обладает наибольшей эмоциональной окраской и характеризуется наибольшей аффективной поляризацией в политической онлайн-коммуникации. При этом объектами языка вражды выступают как сторонники и противники власти, так и сами представители власти. Показательно, что последние являются наиболее частотной группой среди объектов языка вражды. Общий характер данного раскола, не связанный с тематикой отобранных сообщений, позволяет предполагать, что выявленный раскол носит устойчивый системный характер и выходит за рамки тематической выборки, анализируемой в данном проекте. Второй раскол, также претендующий на статус системного, пролегает по линии противопоставления России/Беларуси странам Запада. В рамках этого национально-территориального раскола зачастую актуализируется также тематика ЛГБТ-сообществ, придающая расколу не только национальный или политический, но и ценностный характер. Наконец, специфическим для анализируемого массива эмпирических данных расколом является противопоставление россиян и белорусов. Конкретные формы проявления этого раскола достаточно разнообразны и включают в себя экономические факторы (от негативного отношения к российским предпринимателям до обвинения белорусов в намерении получить дотации из российского бюджета), геополитических аллюзий («быть польскими холопами») или их смесью («Прощай Белаз - здравствуй польский унитаз!»). Достаточно часто данный раскол возникал также параллельно расколу по линии отношения к действующей власти и выражал негативное отношение комментаторов, поддерживающих власть/оппозицию в одной стране, к комментаторам, поддерживающим противоположный лагерь в другой стране. Таким образом, анализ эмпирических данных, характеризующих политическую онлайн-коммуникацию по достаточно узкой тематике встреч двух президентов, позволил выявить две общие линии политического раскола и дополнить их более специфическим, тематически обусловленным расколом. Заключение Несмотря на то, что исследования аффективной поляризации переживают в последние годы бум, методология этих исследований до сих пор находится на ранних стадиях своего развития. Исследователи в значительной мере остаются ограниченными теми инструментами реактивного характера, которые доступны им благодаря межстрановым социологическим опросам, в первую очередь Сравнительное исследование избирательных систем (Comparative Study of Electoral Systems, CSES). Несмотря на преимущества использования сопоставимых в страновом и временном разрезах данных, опора на подобные стандартизированные инструменты имеет и ряд недостатков, связанных с низкой адаптивностью к быстро меняющемуся политическому контексту либо уникальным особенностями конкретного странового контекста, а также с зависимостью исследователей от конкретных вопросов, сформулированных группой разработчиков опроса. В данной статье мы предлагаем альтернативную - нереактивную - методологию исследования, опирающуюся не на опросы общественного мнения или экспериментальные методы, а на разведывательный анализ поведенческих данных текстового характера. С опорой на существующую литературу мы разработали авторскую методику кодирования языка вражды, позволяющую выявлять как факты использования языка вражды в отношении тех или иных групп, так и ее разновидности. Далее мы предлагаем выявлять актуальные линии раскола, характеризующиеся высоким уровнем аффективной поляризации, на основании выявляемых в онлайн-коммуникации наиболее частотных групп объектов языка вражды. Данная методика апробируется нами на эмпирическом материале большого числа русскоязычных комментариев пользователей социальной сети ВКонтакте, посвященных встречам Президентов России и Беларуси в сентябре 2020 - сентябре 2021 г. Проведенная нами эмпирическая апробация предлагаемой методики указывает на высокий аналитический потенциал последней: в массиве нескольких тысяч комментариев были выявлены две устойчивые линии раскола, связанные с отношением к действующей власти, а также противопоставлением России/ Беларуси странам Запада, а также достаточно специфическая для анализируемого массива линия раскола по страновому российско-белорусскому признаку. Предлагаемая методика может быть применена к исследованию более широкого круга вопросов и политико-страновых контекстов. Действительно, предлагаемая нами методика кодирования может применяться к разнообразным текстам на различных языках, охватывающим произвольно широкий круг вопросов, а разведывательный характер анализа данных о выявленных в текстах группах объектов языка вражды позволяет избежать жестких априорных шаблонов вопросов, неизбежных при использовании опросных методик. При этом предлагаемая нами методика может выступать как субститутом, так и комплементом опросных методик: в одном варианте наша методика может использоваться на ранних стадиях исследования и служить основой для разработки контекстуально-информированных опросов; в другом варианте эмпирическое исследование, опирающееся на предлагаемую нами методику, может использоваться для насыщения фактурой результатов проведенных опросов. Совмещение обеих методик эмпирического исследования, опирающихся на реактивные и нереактивные методы, открывает новые возможности для исследования как аффективной поляризации, так и в целом политического поведения в сравнительной перспективе.

Об авторах

Денис Константинович Стукал

Национальный исследовательский университет «Высшая школа экономики»

Email: dstukal@hse.ru
ORCID iD: 0000-0001-6240-5714

кандидат политических наук, PhD, ведущий научный сотрудник Института прикладных политических исследований

Москва, Российская Федерация

Андрей Сергеевич Ахременко

Национальный исследовательский университет «Высшая школа экономики»

Email: aakhremenko@hse.ru
ORCID iD: 0000-0001-8002-7307

доктор политических наук, профессор факультета социальных наук

Москва, Российская Федерация

Александр Пхоун Чжо Петров

Институт прикладной математики им. М.В. Келдыша Российской академии наук

Автор, ответственный за переписку.
Email: petrov.alexander.p@yandex.ru
ORCID iD: 0000-0001-5244-8286

доктор физико-математических, ведущий научный сотрудник

Москва, Российская Федерация

Список литературы