Умная социальная сеть

Информационная война

Информационная война это:

  1. Старинное искусство навязывания массам любых целевых тезисов и дезинформации в определённом ключе с целью заполучить или удержать власть.
  2. Сбор заинтересованными сторонами вокруг себя лучших специалистов по ораторскому искусству,организации массовых мероприятий и новым информационным технологиям.
  3. Неприятие, на этапе противостояния, любой конкурентной точки зрения вне поля стратегии.
  4. Массовое использование манипулятивных технологий на радио, телевидении и в интернете.
  5. Анализ и обработка массовых данных, полученных неприемлемым для правового государства, методом.

В наше время информационная война — ведётся в интернете и по ТВ, остальные медиа: газеты, радио — давно не в тренде. В Украине бабушек зомбирует 1+1, а молодёжь Фейсбук и Твиттер. При этом телевидение — ёмкий и затратный ресурс, в то время как интернет, с его технологиями — гибкий и человекоориентированный. Охват крупного телеканала в Украине составляет миллионы пользователей, стоимость содержания — огромная. Помимо того, что телеканал — это бизнес, это ещё и целый букет рисков. Однако все минусы телевидения окупаются во время выборов. Главным минусом телевидения является однонаправленность в общении. Оно вещает, а коллбек — минимальный. В отличии от интернета, где в маломальски грамотно построенной группе участники получают комфортное общение и зачастую утро начинают с «привет, как дела» в любимом сообществе. Отклик интернета, конечно, значительно выше. Однако при неправильном использовании собственная сеть сообществ — может навредить любому проекту. Эта статья о том, как построить эффективную информационную сеть в Фейсбук.

Оппозиционизм

В мире в общем и в Украине в частности, большинство граждан всегда находятся в оппозиции к власти. Без всякого анализа можно заявить, что каждое голосование, каждой избирательной гонки является протестным. Этот догмат экономит время на сбор данных и выбор стратегии. У новичка в политике всегда больше шансов на победу. Есть разница в подготовке избирательной кампании и спонтанному принятию решения об участие в выборах. Усиление негатива в сторону текущей власти эффективно до тех пор, пока на горизонте присутствует лишь одна альтернатива этой власти. В какой-то момент, появившийся конкурент-новичок с большими голубыми глазами и патриотическими лозунгами, запросто может положить в свою копилку все ваши достижения. Немаловажно держать в тонусе свой электорат и ставить заглушки на случай форс-мажора. Важно понимать, что украинский сегмент фейсбука составляет 11 млн структурированных пользователей, объединённых в группы по интересам, и являющихся потенциальными пропагандистами внутри своего ближайшего окружения.

Принцип «баба Яга против» глубоко укоренился в сознании наших граждан, родители передают его детям, дети своим детям и так далее, когда это изменится неизвестно. Но для меня, как политического технолога и специалиста по обработке BDM — это вектор, вдоль которого следует двигаться и не более. К примеру, если бы я работал в Бельгии, то я бы использовал больше конструктива, но я в Украине, поэтому мои маленькие солдаты — это лозунги и короткие отсылки на ближайшие выгодные моей стратегии новости.

Взаимодействие с социальной сетью

Социальная сеть — это социальная структура, которая состоит из множества агентов (субъектов — индивидов, общностей, групп индивидов или организаций) и определенного на ней множестве отношений (совокупности связей между агентами, как знакомства,
дружбы, общения и т.д.). Социальная сеть представляет собой граф G (N, E), где N = {1, 2, …, n} — конечное множество вершин (агентов) и Е — множество ребер, отражает взаимодействие агентов.

  • Мониторинг включает получение и структурирования первичных данных. Собираются тексты сообщений, связи между пользователями, ссылки на внешние ресурсы.
  • Прогноз возможностей идет после идентификации математической модели информационного процесса. Могут использоваться статистические модели и модели динамических процессов на графах.
  • Управление — заключается в предоставлении целенаправленных воздействий на социальную сеть для перевода информационных процессов в желаемое состояние.

Следует добавить, что вершины графа: группы и отдельные аккаунты одинаково эффективны до момента их невысокого заполнения. Аккаунт с количеством подписчиков более 3 000 становится очень уязвимым и не рентабельным. Разумеется речь не о живых блоггерах.

*Задача анализа, прогнозирования и управления могут быть различными, в первую очередь, в зависимости от того, кто ставит задачи. Однако при любой задаче метод можно считать успешным, если он создаёт эффект лавины.

Вводим понятие Social Mining

Social mining — персонификация предложения в социальных сетях. В результате прочтения статьи станет понятно, что итогом любого анализа больших данных собранных внутри социальной сети станет пост рекламного характера, в нашем случае политический.

Это общее понятие нам пригодится в этой статье, по сути оно отражает суть того что мы тут рассматриваем. Мы создаём политическое предложение, максимально видимое целевой группе внутри нашей разрастающейся сети групп и агентов.

Структурный(системный) подход к обработке полученных данных

В структурном подходе все участники сети рассматриваются как вершины графа, которые влияют на конфигурацию ребер и других участников сети. Основное внимание уделяется геометрической форме сети и интенсивности взаимодействий (весе ребер), поэтому исследуются такие характеристики как взаимное расположение вершин, центральность, транзитивность взаимодействий. При структурном анализе и анализе поведения связей используются методы статистического анализа, определения сообществ, алгоритмы классификации. Изучается поведение вершин в процессе кластеризации и типичных временных характеристик социальных сетей. Например, как меняются поведение и распределение связных компонентов графа. Большое значение придается определению сообществ в социальных сетях. Цель — попытаться определить регионы сети, внутри которых происходит активное взаимодействие участников. Алгоритмически эту задачу можно отнести к задаче о распределении графов. Необходимо разделить сеть на плотные регионы на основе поведения связей между вершинами. Компьютерные социальные сети динамические, что приводит к осложнениям с точки зрения выявления сообществ. В некоторых случаях удается интегрировать информационное содержимое сети в процесс определения сообществ. Тогда контент является вспомогательным средством для выявления групп участников со схожими интересами.

Метрики

Для формирования метрик для анализа данных в социальных сетях, можно использовать информацию про лайки, комментарии, репосты к публикаций, идентификационные данные пользователя (Пол, возраст, город проживания, место работы / учебы, адрес и т.д.), информация о друзьях пользователя, его сообщества, статистика пребывания пользователя в сети, связи между пользователями и тому подобное.

Вес каждого события определяется автором подхода и балансируется внутри метода. Неверная система весов — приводит к катастрофически искажённым результатам и делает поход не эффективным.

Существуют следующие типы метрик социальных сетей:

  1. на уровне групп — плотность, компоненты, клики, централизация, фракции, ядропериферия;
  2. на уровне узлов — центральность (зависимости, связи, отношения)
  3. на уровне визуализации — графы;
  4. статистические метрики — анализ кластеров данных.

Также к числу метрик принадлежит рост числа подписчиков / друзей, лайки или дизлайки к постам / сообщениям, демографические показатели аудитории, связи между пользователями, временные показатели, ответы и комментарии к постам / сообщеням, чем поделились пользователи, переходный трафик из социальных медиа, частота кликов, отрицательный фидбэк (сколько подписчиков / друзей было потеряно, к которому контента был потерян доступ) и т.д.

Актуальные методы «взвешивания» подходов пропаганды для Украины на сегодняшний день.

Украина находится в непривычно жесткой фазе информационного противостояния. Следует так же учитывать «разношёрстность» и разновекторность населения с востока на запад, а так же повышенный градус военного присутствия. Команда президента Порошенко, в лице его политтехнологов и советников, точно пыталась применять метод SCAME для построения эффективных пропагандистских месседжей, на сколько у них это получилось — вопрос. Результат не в пользу пропрезидентской коалиции. Однако применение SCAME действительно актуально в текущий момент для Украины. «Рассвет» ультра национализма с одной стороны и консервативного «либерализма» с другой, ежесекундно создают информационные поводы в социальных сетях, контраргументы для которых и способны являться целевыми для идеологии или отдельно взятого политика примитивами.

Результат сравнения всех методов и подходов АНАЛИЗА СОЦИАЛЬНЫХ СЕТЕЙ:

МетодПодходПреимуществаНедостатки
Анализ предоставления преимуществаНа основе
графов
относительно
небольшие
аппаратные
затраты для
исследования
Преждевременный анализ данных
Идентификация пользователей в различных социальных сетяхЛингвистическийточность
идентификации
пользователя при
условии
наличия всех
необходимых
данных
Не всегда
можно четко
идентифицировать
пользователя
из-за
отсутствия
необходимых
данных
Анализ
пропаганды
SCAME и
контрпропаганда
Лингвистический, нейросетикачественная
аналитическая
подготовка,
подробная
разработанность
всех этапов
порождения
сообщение
Необходимы большие
вычислительные
ресурсы для
точного
результата
ЛингвистическийЛингвистическийудобство в
оперировании
данным
Низкая точность
результата при
условии больше
чем одной оценки
тональности
текста
Машинное обучение
Лингвистический, нейросети
концентрация
внимания на
вычислениях
Высокая
вычислительная
сложность,
нечеткая априорная
величина
Поиск сообществ
пользователей
На основе графовимитация
человеческого
общение
между парами
индивидуумов
Значительная
вычислительная
сложность,
неспособность
находить
связи сообществ
Визуализация
соответствующих
графов
на основе
графов,
статистический
существенная
практическая
мощность,
простота в
использовании
Сложность
построения графов
Расчет
индексов для
социальной сети
в целом
на основе
графов,
статистический
возможность
рассчитать
целый ряд
параметров
Небольшой
диапазон того,
что можно было
бы исследовать
Выделение
подструктур
сети
сегментация
сети
позволяет
выявить
структуры,
скрытые в
социальной
сети
Позволяет
проводить только
количественный
анализ
социальной
сети
Скрепинг С использованием API метод
подходит для
любой
HTML страницы,
возможность
использования
метода без
применения
API
Перегрузка
канала, временные
затраты

В зависимости от поставленной задачи внутри проекта, одновременно можно использовать несколько методов, а так же комбинировать их в зависимости от объёма обрабатываемой информации.

Введение в Big Data

Глядя на любые политические выборы в Украине, я сразу представляю разноцветную карту страны с показателями на областях, подсветкой областных центров, паутиной взаимодействий, векторами предпочтений и так далее. Эта карта в моей голове «живая» и постоянно претерпевает изменения. Особенно динамично она видоизменяется после проведения таких вот исследований.

Даже для заурядного политтехнолога WOM или сарафанное радио — типичный для B2C подход, легко экстраполируется на предвыборную технологию. Введём новое понятие: P2E, политика для привлечения электората. Авторы исследования «Агентская модель распространения сообщений в электронной социальной сети Facebook» не просто классифицируют и «взвешивают» контент
на микро уровне , но и присваивают ему динамические метки. Эффективность взаимодействия между агентами сети на прямую связана с методом хранения и управления базой знаний. При обработке большого массива данных (знаменитые Big Data) правила, упорядоченные в базе знаний, создают прямую зависимость скорости обработки от эффективности самих правил. Таким образом, причиноследственная связь, или результат обработки объекта массива, которая формируется в результате обследования того или иного объекта базы данных, имеет коэффициент «время отклика». Скорость «Времени отклика» напрямую связана с эффективностью обработки всего массива данных. Чем выше время отклика(меньше времени на обработку одного элемента массива) тем быстрее обрабатывается весь массив данных. Без такой модели взаимодействия невозможно обрабатывать Биг Дата.

Взаимодействие агентов сети

Аккаунт, управляемый человеком или интеллектуальной системой, способен создать информационную лавину объёмом в сотни и даже тысячи откликов не прибегая к неэффективной массовости. Господин Роберт Маклеод с товарищами утверждают, что в зависимости от объема исследования и глубинной проработки стратегии развития метода достижения цели, один агент может добавлять или удалять правила и состояния для других агентов, а так же получать команды от участников сети. Такой подход в геометрической прогрессии увеличивает эффективность работы сети. Два развитых агента работают как три, три как пять, пять как десять и так далее.

Для примера план внедрения на пол года. Готовился под выборы в ВР Украины 2019

Пересечения пользователей сети

Размер сети прямо пропорционален количеству пересечений внутри неё. В однотипных массивах вероятность пересечения выше. При расчёте необходимо учитывать общее количество участников системы. Например украинский сегмент фейсбука в 2019 году — это 11 млн человек. 2 небольшие разнонаправленные группы по 1 тысяче человек с большой вероятностью в сумме будут насчитывать около 2 тысяч человек, то есть 1+1=2. С другой стороны 3 сообщества с одной узкой тематикой по 10 тыс человек, в общем могут насчитывать 20 тысяч человек за счет пересечений пользователей, то есть 1+1+1=2. При локализации, пересечения не влияют на показатели анализа. Ниже круги эйлера диаграммы Венна демонстрируют такую локализацию.

В некоторых случаях лёгкие пересечения — укрепляют позицию месседжей, но стоит отметить, что эффективность этого инструмента зависит от сверх точного расчёта и практически не принимается во внимание при формировании современных социологических задач.

Минимализация погрешностей

Политтехнологи не любят сообщать клиенту о погрешностях в результатах их исследований, тем более, что в Украине культура анализа социологических данных не имеет таких развитых протоколов, как например в США. Однако корректировка стратегии с целью уменьшения погрешностей в выводах систем обработки больших данных на прямую влияет на общий КПД проекта. Таким образом, эффективность хорошей стратегии можно улучшить ещё на несколько процентов.

После парсинга

Локализовав и спарсив данные о пользователях интересующих вас ресурсов, приходит пора принятия окончательного решения по выбору стратегии обработки полученных данных. Я не стану описывать тотальные проблемы, связанные с неправильным парсингом, отмечу только то, что «криво» собранные входящие данные вероятнее всего до неузнаваемости исказят выходные результаты поставив «крест» на адекватности результатов анализа. При условии, что данные собраны корректно и плотность постоянных каждой записи отражает максимально полную картину всего элемента, можно приступать к обработке. Выбрав метод обработки, анализа и создания базы знаний наступает момент диалога между сведениями системы и постановщиком задачи. Применимо к любым народным выборам в любой стране мира эта цель чаще всего состоит в донесении месседжа каждому участнику каждого целевого сообщества социальной сети. Один и тот же месседж подстраивается под результаты анализа проведённого ранее и корректируется в зависимости от новых данных в соответствии с выбранным методом.


5 базисных исследований:

  1. An Agent-Based Model of Message Propagation in the Facebook Electronic Social Network (by Hamid Reza Nasrinpour, Marcia R. Friesen, and Robert D. McLeod, Member, IEEE ). Ссылка на исследование.
  2. Visualizing Social Networks (by Linton C. Freeman University of California, Irvine). Ссылка на исследование.
  3. A social network analysis of Twitter: Mapping the digital humanities community. (by Martin Grandjean) Ссылка на исследование.
  4. Winning the Information War Techniques and Counter-strategies to Russian Propaganda in Central and Eastern Europe. (by Edward Lucas and Peter Pomeranzev) Ссылка на исследование.
  5. Дослідження методів аналізу соціальних мереж як середовища інформаційних війн. (авторы: Войтович О. П., Буда А. Г., Головенько В. О. кафедра захисту інформації Вінницький національний технічний університет, Вінниця, Україна) Ссылка на исследование.

Автор: Марков Андрей

#BigData #цифровоенеравенство #политическийконтроль