АНАЛИЗ “ЦИФРОВЫХ СЛЕДОВ” ЧЕЛОВЕКА: НОВЫЕ ВОЗМОЖНОСТИ ДЛЯ СОЦИОГУМАНИТАРНЫХ НАУК

Формирование “интернета всего”, накопление “цифровых следов” индивидуальной и совместной жизнедеятельности в сети людей сегодня ставит перед социогуманитарными науками задачу нового описания всей социальной действительности на основе данных о реальном поведении людей [2, 12]. Не только в социальных науках, но и в гуманитарном знании – истории, археологии, культурной антропологии, лингвистике, теории литературы и искусствоведении – анализ больших данных позволяет обнаружить закономерности, ранее невидимые глазу исследователя [13].

Ключевые отличия больших данных от традиционных “малых данных” в психологии и социогуманитарных науках сводятся к тому, что они огромны по объему и, как правило, не могут быть обработаны на персональном компьютере; они меняются в режиме реального времени и часто требуют изменения алгоритмов обработки; они разнообразны по составу, включают государственную статистику, тексты и метаданные, одним словом, требуют агрегирования совершенно разных по структуре массивов информации, что затрудняет использование универсального алгоритма их получения и анализа.

Для сбора “цифровых следов” используются программы-краулеры, автоматически отыскивающие и скачивающие данные по заданным критериям, а при изучении социальных сетей – приложения, которые подключаются через интерфейс Twitter, Facebook, ВКонтакте и других сетей (API — Application Programming Interface), в том числе различные автоматизированные опросы, предоставляющие мгновенную обратную связь респондентам. В психологических исследованиях для анализа больших данных используют, в основном, статистические пакеты R и, реже, Python. Используется логистический регрессионный анализ, “деревья” решений, иерархический кластерный анализ и др. Хотя некоторые методы анализа, предполагающие разбиение всей совокупности данных на независимые выборки с последующим мета-анализом полученных результатов, допускают использование также и привычных инструментов, таких как SPSS. Для определения эмоциональной окрашенности текстов и выделения лингвистических маркеров психологических характеристик используются специальные программы, например, Linguistic Inquiry and Word Count, или Text Analysis, Crawling and Interpretation Tool, а также другие психолингвистические анализаторы [14].

Вместе с распространением технологий Big Data и “интернета всего” меняются скорость, масштабы и методы сбора данных в психологических исследованиях [30]. Радикально меняется относительная доступность для изучения четырех типов данных, выделенных Р. Кеттелом, а именно: L-данных (объективных фактов о жизни и поведении) и T-данных (результаты тестов) становится гораздо больше, чем Q-данных (опросников, основанных на самоотчетах респондентов) и O-данных (оценок человека другими знающими его людьми). Семантический анализ SMS, интернет-запросов и постов в сетях, а также обработка “цифровых следов”, которые человек оставляет в реальном мире, соприкасаясь с сетью электронных устройств, не говоря уже о показаниях сенсора движения в смартфоне и триангуляции его положения по системам GPS, – все это уже сегодня позволяет оценивать некоторые психологические характеристики человека более точно, чем с помощью стандартизированных психологических опросников [32]. В мире интернета вещей вся жизнь человека становится цифровой, доступной для наблюдений и диагностики – со всеми вытекающими отсюда позитивными и негативными последствиями. При этом появляется возможность не только судить о прошлом человека, но и предсказывать его поведение. В связи с тем, что фокус внимания исследователей смещается с объяснения поведения на его прогнозирование, некоторые эксперты говорят о возможности преодоления кризиса воспроизводимости результатов психологических исследований с помощью больших данных [28].

Следует признать, что использование больших данных в научных психологических исследованиях затруднено целым рядом барьеров.

Во-первых, большой объем данных создает иллюзию их полноты, тогда как на самом деле они не обеспечивают репрезентативности и регулярности охвата. Например, они могут не учитывать характеристики людей, отсутствующих в социальных сетях; при лингвистическом анализе алгоритм может не читать какой-то части текстов, тогда как мы считаем корпус полным [7].

Во-вторых, алгоритмы соотнесения цифровых следов с социально-демографическими и психологическими характеристиками, как правило, являются коммерческой тайной, что затрудняет не только воспроизводимость полученных результатов, но и стандартизацию процедур обработки данных. Разработка таких алгоритмов финансируется компаниями для решения узко направленных маркетинговых или управленческих задач, которые не требуют комплексной психологической диагностики, соблюдения строгих критериев надежности и научно обоснованной интерпретации. В итоге создаются выборки, учитывающие в основном демографические показатели или построенные на популярных типологиях личности, а у программистов возникает иллюзия того, что нейросеть сама найдет все необходимые маркеры, поэтому психологов привлекать к этому не следует.

В-третьих, платформы, обрабатывающие большие данные, периодически изменяют алгоритмы расчета, что приводит к ошибкам вмоделях прогнозирования, а также при сборе и обработке таких разнородных данных нередко имеют место смещение выборки, ошибки измерений, ложные корреляции и т.п.

В-четвертых, формулировка задач и интерпретация аналитиком результатов анализа больших данных не свободны от множества когнитивных искажений, некоторые из них становятся даже более вероятными, чем при работе с малыми данными. Безусловно, анализ больших данных расширяет возможности количественных методов проверки психологических гипотез. Вместе с тем, обращение психологов к Big Data повышает востребованность качественных методов анализа и теоретического обоснования полученных результатов. Не случайно перспективы использования больших данных в социогуманитарных науках связывают с необходимостью дополнять их качественными, например, этнографическими исследованиями.

В-пятых, большие данные не бывают абсолютно “сырыми”, они хранятся с определенной целью, включены в систему политических и экономических отношений, содержат преднамеренные и непреднамеренные пропуски. Иными словами, надежные психометрические алгоритмы не защищают исследователя от искаженных данных [28].

В-шестых, еще одним ограничением являются этические и юридические проблемы, связанные с использованием больших данных в психологических исследованиях. Соблюдение принципа информированного согласия в таких исследованиях не всегда возможно, а традиционное обезличивание данных не исключает возможности идентификации личности по совокупности цифровых следов, что заставляет в ряде случаев прибегать к шифрованию и уникальным ключам, чтобы ограничить использование данных. Ограничения, накладываемые этическими комитетами социальных сетей на доступ исследователей к данным, не всегда действенны. Так, например, в 2018 г. получил известность и продолжение скандал, связанный с использованием больших данных во время президентских выборов в США (2016 г.), в чем была уличена компания “Cambridge Analytica”, специализирующаяся на психологическом профилировании по цифровым следам. Появление владельцев данных (интернет-гигантов, социальных сетей, банков, страховых компаний, платежных систем и т.п.), которые, возможно, знают своих пользователей лучше, чем они сами, создает целый ряд этических и социальных проблем, не говоря о фобиях слежения в интернете, которыми тоже придется заниматься психологам.

Наконец, еще один барьер связан с тем, что анализ больших данных – задача, посильная только междисциплинарным командам, состоящим из психологов, лингвистов, программистов и математиков. На наш взгляд, освоение больших данных психологами затруднено не только необходимостью обучения дополнительным навыкам [17], но и относительной замкнутостью исследовательского психологического сообщества.

ПСИХОЛОГИЧЕСКИЕ ИССЛЕДОВАНИЯ С ИСПОЛЬЗОВАНИЕМ БОЛЬШИХ ДАННЫХ

На наш взгляд, по дизайну исследования работы психологов с использованием больших данных можно разделить на четыре основных группы. Во-первых, исследования, опирающиеся на вторичный анализ уже собранных и структурированных данных. Во-вторых, краудсорсинговые проекты, позволяющие собрать очень большие выборки участников исследования [23], а также сопоставить “цифровые следы” пользователей социальных сетей с их ответами на стандартизированные опросники [8]. В-третьих, это исследования психологических феноменов, использующие “цифровые следы” и алгоритмы машинного обучения, которые позволяют анализировать неструктурированные текстовые и визуальные данные без проведения опросов (см., например, [18]). В-четвертых – исследования, в которых сбор данных организован как естественный эксперимент [41] или, например, c помощью очков расширенной реальности, смартфонов и планшетов.

Благодаря социальным сетям и инструментам краудсорсинга, таким как “Механический турок” компании “Amazon”, психологам стало легче собирать большие выборки. К давно открытым многолетним базам социологических опросов, таким как “World Values Survey”, “International Social Survey”, “European Social Survey” и “Eurobarometer” (см.:http://www.re3data.org), добавляются новые, собственно психологические (например, “Journal of Open Psychology Data”, “Cognitive Economics Project”, “International Teston Risk Attitude” и др.). Например, в “Experience Project”, – социальной сети, существовавшей с 2007 по 2016 гг., – хранится 66 миллионов жизненных историй и описаний различных эмоциональных переживаний, составленных ее участниками. “Speech Home Project” содержит 200 тыс. часов записей речи детей до 3 лет. Объем данных, накопленных когнитивными психологами и нейробиологами в рамках проекта “Human Connect to me Project”, приближается к петабайту. На сайте myPersonality.org были собраны и до недавнего времени находились в открытом доступе более 6 миллионов результатов тестов (в том числе 3.1 млн. результатов по тесту Big5) вместе с 4 млн. личных страниц в Facebook. Доступность психологических данных растет вместе с переходом психологии к модели “Открытая наука”. Все больше журналов требуют размещения в открытом доступе баз с сырыми данными, а такие как “Cortex”, “Attention Perception & Psychophysics”, “AIMS Neuroscience” и “Experimental Psychology” – даже предварительной публикации и одобрения дизайна исследования до проведения эксперимента.

Наибольшую известность получили исследования поведения пользователей сетевых сообществ [16] и социальных сетей [1], а также психологическое профилирование личности по цифровым следам на основе модели “Большой пятерки”, быстро взятое на вооружение в политических, маркетинговых и корпоративных проектах [3, 8].

Технологии анализа цифровых следов как маркеров психологических характеристик были разработаны при изучении сообщений блогеров в Twitter и опирались преимущественно на компьютерную лингвистику. Прорывом в этой области стало сопоставление личных страниц в Facebook с ответами их владельцев на стандартизированные психологические опросники, осуществленное в рамках проекта MyPersonality.org, работы Психометрического центра Кембриджского университета и проекта “World Well-Being Project” Центра позитивной психологии Университета Пенсильвании. Начав в 2007 г. с рассылки приглашения 150 друзьям в социальной сети, М. Косинский и Д. Стилвелл за четыре года методом снежного кома собрали более 6 миллионов участников исследования [30]. Уже к 2013 г. им удалось обеспечить прогностическую валидность отметок “like” для шкал пятифакторной модели личности Big Five до 0.43, а при оценке политических убеждений и социально-демографических характеристик коэффициенты составляли от 0.7 до 0.9 [29]. Проведенный в 2017 г. мета-анализ исследований, посвященных связи цифровых следов с “Большой пятеркой”, показывает, что их предсказательная сила колеблется от 0.29 для доброжелательности до 0.40 для экстраверсии, то есть не уступает стандартизированным опросникам [19]. Разработаны алгоритмы, позволяющие судить об уровне интеллекта, удовлетворенности жизнью, склонности к самораскрытию и самомониторингу, ценностных ориентациях личности и характеристиках временной перспективы.

Для психологического профилирования личности используются не только лингвистические маркеры и сетевой анализ, но и фотографии, размещенные на страницах Instagram и Facebook, видеозаписи, аудиозаписи речи, видеоблоги и датчики движения в смартфонах. Для получения цифровых маркеров психологических характеристик исследователи, как правило, совмещают: 1) компьютерный анализ текста при помощи систем автоматизированного распознавания речи и невербального поведения (чаще всего LIWC); 2) самоотчеты испытуемых и экспертные оценки, в том числе кодирование данных экспертами; 3) машинное обучение. Растущее количество видеокамер в городах и совершенствование алгоритмов автоматизированного распознавания психологических состояний по поведенческим индикаторам превращают анализ потокового видео в наиболее перспективное направление психометрических исследований [28].

Сетевой и автоматизированный анализ естественного языка позволяет изучать психологические феномены без проведения опросов. В качестве иллюстрации возможностей и ограничений такого подхода можно привести исследования распространения лжи в социальных сетях. Например, команда специалистов из Массачусетского университета проанализировала 120 000 новостей, которыми 4.5 млн. раз поделились 3 млн. пользователей Twitter в 2006–2017 гг.[44]. Сообщения были разделены на правдивые и ложные с опорой на 6 независимых фактчекинговых организаций. После выявления и устранения сообщений, сгенерированных ботами, оказалось, что ложные новости отличаются большей новизной, распространяются в 6 быстрее и в 10 раз шире, чем правда. Исследование показало, что в основе распространения дезинформации в сети лежат психологические закономерности массового сознания, а не только злой умысел “фабрик троллей”. Ложные новости были связаны с лингвистическими маркерами удивления, страха и отвращения в перепостах, а правдивые новости – с предвосхищением, досадой, радостью и доверием. При этом авторы исследования признают необходимость проведения интервью и экспериментов для интерпретации полученных данных. Еще одним примером исследования, проведенного без использования опросов, на этот раз в области клинической психологии, стало определение депрессии и склонности к суициду по цифровым следам. Исследователи отобрали три группы интернет-форумов, две из которых включали сообщества людей, проходящих лечение депрессивных расстройств, а также сообщества, для которых характерна идеализация смерти. Третья, контрольная группа была представлена нейтральными форумами, посвященными женской и мужской тематике, карьере и профессиональному развитию. Автоматизированный анализ текстов показал, что на форумах первых двух групп в 3 раза чаще используется абсолютистская лексика, то есть такие слова, как “всегда”, “никогда”, “совсем” и т.п. [18].

Известным примером экспериментального психологического исследования, основанного на сборе больших данных, стал проект, в котором зрительное восприятие изучалось с помощью игры в мобильном приложении. Пользователи должны были “просвечивать” сканером багаж пассажиров в аэропорту, что позволило зафиксировать более миллиарда зрительных реакций. При этом исследователям не только удалось изучить, как влияют отвлекающие внимание раздражители на восприятие редко предъявляемых стимулов, но и динамику процесса тренировки внимания [34]. Как правило, при проведении таких экспериментов исследователи не раскрывают свои цели участникам. Например, в январе 2012 г. исследователи из Корнельского университета провели эксперимент среди 689 003 пользователей сети Facebook. Для изучения эмоционального заражения они манипулировали доступностью контента пользователям: те, кому были более доступны негативные сообщения друзей, сами чаще писали негативно окрашенные тексты [31]. Поскольку интернет-пользователи не всегда в полной мере отдают себе отчет в том, что являются участниками эксперимента, использование этого метода остается дискуссионным по этическим соображениям.

Проведенный Институтом психологии РАН экспертный опрос, посвященный будущему психологии, свидетельствует о том, что революция больших данных долгое время оставалась практически не замеченной в российском исследовательском сообществе [4]. Тем не менее, специально проведенный анализ базы Web of Science показал, что за последние 5 лет число психологических исследований с использованием Big Data выросло в 20 раз [6]. Сегодня большие данные все более активно используются не только в кибер- и медиапсихологии, но и в психиатрии, исследованиях памяти, внимания и зрительного восприятия[26], организационной и экономической психологии [39]. Благодаря новым открытым базам данных расширяются возможности для оценки эффективности тех или иных методов лечения в психиатрии [43], совместный анализ больших данных в психогенетических исследованиях проливает свет на новые закономерности [27]. Анализ социальных сетей позволяет выявлять цифровые маркеры суицидальных состояний, шизофрении, тревожныхи депрессивных расстройств [36]. В организационной психологии на основе данных о реальном поведении членов малой группы открывается не только возможность для разработки новых методов оценки кандидатов при приеме на работу, но и для исследования того, как групповые феномены (внутригрупповое доверие, сплоченность, групповые представления и ментальные модели) влияют на совместную деятельность [25].

В настоящее время оценку индивидуальных психологических характеристик по цифровым следам можно, в целом, считать решенной научной задачей, что не отменяет необходимости уточнения соответствующих моделей для русскоязычного кластера интернета [9]. На наш взгляд, фундаментальный прорыв необходим и может быть достигнут в другой области – при прогнозировании динамики межличностных и групповых психологических и макропсихологических (характерных для общества) феноменов на основе цифровых следов реального поведения.

ПЕРСПЕКТИВНЫЕ НАПРАВЛЕНИЯ СОЦИАЛЬНО-ПСИХОЛОГИЧЕСКИХ ИССЛЕДОВАНИЙ НА ОСНОВЕ БОЛЬШИХ ДАННЫХ

В этой части статьи хотелось бы наметить несколько перспективных направлений исследования динамики социально-психологических процессов с использованием анализа больших данных.

Во-первых, накапливающиеся на протяжении жизни человека цифровые следы становятся важным источником информации о динамике социально-психологических характеристик личности. На личностном уровне социально-психологического анализа лингвистические маркеры постов в социальной сети, тематика групп, на которые подписан пользователь, а также граф его контактов могут указать на изменения в характеристиках социальной идентичности, ценностных ориентациях, а также в социальных ролях в сетевых сообществах. Например, с цифровыми следами могут быть сопоставлены выявленные на основе самоотчетов интернет-пользователей роли в сетевом сообществе, такие как “творец”, “защитник”, “тролль”, “наставник”, “посредник”, “наблюдатель”, “собеседник”, “актер”, “манипулятор”, “друг” [15]. Появляется возможность для уточнения моделей многих социально-психологических процессов: формирования ценностных ориентаций, вторичной социализации, социального сравнения и относительной депривации, формирования социального капитала личности и др.

Анализ цифровых следов открывает путь к решению задачи, трудно реализуемой через самоотчеты респондентов – определению связи динамики социально-психологических характеристик личности с изменениями в макропсихологических характеристиках общества (о макропсихологии [см.: 10, 5]). Такого рода работы уже появились. Например, исследование, проведенное среди 380 тыс. жителей Англии и Уэльса, показало, что в тех регионах страны, которые во время индустриальной революции пережили подъем и затем спад угольной промышленности, до сих пор сохраняются более низкие показатели сознательности и удовлетворенности жизнью, но более высокие показатели невротизма, тревоги и депрессии [37].

Во-вторых, относительно мало разработанной, но все более актуальной становится проблема прогнозирования динамики межличностных процессов по цифровым следам. Внимание исследователей до сих пор было сосредоточено в основном на изучении личностных характеристик интернет-пользователей. Между тем, на межличностном уровне и уровне малых групп семантический анализ текстов сообщений, мониторинг структуры социальной сети и интенсивности обмена сообщениями в мессенджерах делает возможным оценку и прогнозирование стадий развития межличностных отношений. Со временем можно ожидать появления облачных сервисов, которые будут предлагать семьям и парам, связанным романтическими отношениями, не только оценку их совместимости, но и прогноз потенциальных конфликтов, развитие эмоционального интеллекта и сензитивности к состояниям друг друга на основе мониторинга их сетевой активности. В последние годы появилось множество сайтов и мобильных приложений, обещающих своим пользователям подбор потенциальных партнеров на основе больших данных (eHarmony, Hinge, Who’s Here, Skout, Tinder и др.). При этом эксперименты показывают, что сообщение пользователям об их совместимости действует как самосбывающееся пророчество вне зависимости от того, насколько они в действительности совместимы [40]. Согласно исследованию использования больших данных в сфере романтических отношений, проведенному eHarmony совместно с Лондонским имперским колледжем, в ближайшие 10 лет для оценки совместимости и изучения межличностных отношений будут все больше использоваться “умные вещи” – от носимых гаджетов до умных домов [24]. Эта динамично развивающаяся область прикладных разработок, часто сомнительных с точки зрения обоснованности исходных предположений и интерпретации данных, остается вне зоны внимания серьезных академических исследователей.

В-третьих, анализ цифровых следов, накопленных проектными командами и организациями в ходе совместной деятельности, открывает путь к изучению групповой динамики и влияния групповых феноменов на результаты совместной деятельности. Первые шаги в этом направлении уже делают разработчики корпоративного программного обеспечения. Так, например, Microsoft Delve строит графы связей между сотрудниками и анализирует содержание всех коммуникаций в интегрированной среде Microsoft – в том числе посредством мессенджера Yammer; сервис Trust Vault оценивает структуру социальной сети, лидерское поведение и уровень внутригруппового доверия на основе анализа переписки сотрудников; Syndio позволяет проводить опросы среди сотрудников и сопоставлять их данные с сетевой активностью, измеряя таким образом отношение к работодателю. А приложения Mood Metrix и Attitude Heat map, разработанные компанией Keen Corp в партнерстве с Omniscien Technologies, на основе психолингвистического анализа электронной почты и мессенджеров,оценивают эмоциональное состояние коллектива и вовлеченность сотрудников. Динамику эмоционального состояния можно ежедневно отслеживать на уровне всего коллектива, отдельного департамента и даже конкретной команды, состоящей минимум из 10 участников. Разработчики программы утверждают, что личная информация полностью защищена: данные анонимизируются, тексты сообщений кодируются и обрабатываются в агрегированном виде. Сопоставление цифровых следов в корпоративных мессенджерах и социальных сетях с результативностью проектных команд, экспертными оценками руководителей и данными опросов сотрудников позволяет разработать алгоритм, на основе которого можно будет не только оценивать социально-психологический климат в коллективе, но и прогнозировать успешность проектных команд.

Анализ текстов поможет глубже понять целый ряд групповых процессов, находящихся в фокусе внимания современной психологии малых групп и организационной психологии. Как формируется и меняется психологический контракт в малых группах и организациях? Как изменяется транзакционная память команды при частичном изменении состава участников? Каковы стадии формирования групповой идентичности, внутригруппового доверия, разделяемых членами группы ментальных моделей и ситуационной осведомленности? Какова последовательность стадий принятия организационных изменений в разных корпоративных культурах? Каковы факторы эффективности лидерского поведения в виртуальных, распределенных командах, участники которых работают удаленно? Совмещение опросов, анализа дискурса и кейс-стади с анализом больших данных позволяет прояснить закономерности групповой рефлексии и ее влияния на эффективность совместной деятельности.

В-четвертых, большие данные дают возможность для изучения групповых процессов, разворачивающихся одновременно в сетевом и реальном пространствах. Анализ меток геолокации в сообщениях пользователей социальных сетей открывает новые возможности для исследователей в сфере социальной психологии города, психологии криминального поведения, а также изучения межэтнической напряженности и агрессии. Появляется возможность строить географические карты, отображающие распространение нетерпимости в локальных сообществах. Становится возможным изучение динамики межгрупповых отношений с учетом региональных особенностей и микроконтекста социальной ситуации. Геометки сообщений, триангуляция звонков и точек подключения к сети носимых гаджетов, датчики движения в смартфонах – все это со временем расширит возможности не только для изучения массовых феноменов – в том числе, социальных движений, изменения поведения толпы под влиянием поступающих одновременно реальных и виртуальных сообщений разного психологического содержания, – но и для изучения воздействия различных условий проживания в городе на психологическое благополучие горожан, различные психологические типы отношения жителей к новым транспортным и архитектурным технологиям “умного города”.

В-пятых, чрезвычайно перспективны цифровые исследования динамики психологических процессов в больших социальных группах, в том числе изучение изменений макропсихологических характеристик отдельных регионов и общества в целом. Сопоставление данных психолингвистического анализа текстов интернет-пользователей, административной статистики и результатов репрезентативных социологических опросов за большие периоды времени позволяет разработать объяснительные и прогностические модели динамики макропсихологического состояния отдельных регионов, а также давать прогноз влияния макропсихологических показателей на социально-экономическую и политическую ситуацию. Сочетание анализа цифровых следов, дискурса и социально-психологических онлайн-опросов расширяет возможности для изучения сложных психологических феноменов массового сознания: коллективных переживаний, – в том числе мировоззренческих чувств, – социальных представлений, коллективной памяти, коллективного образа будущего. До сих пор исследователи были сосредоточены в основном на динамике относительно простых групповых феноменов в социальных сетях: эмоциональном заражении и распространении мемов (см., например, [42]), информационных каскадах в связи с теми или иными обсуждаемыми событиями (см., например, [21]), групповой поляризации и возникновения “эхо-камер” [20], распространении слухов и ложной информации [11], тогда как исследования более сложных явлений, таких как коллективная память и социальные представления, относительно редки [22]. Между тем, автоматизированный анализ текстов пользователей форумов и социальных сетей, а также публикаций в СМИ приближает нас к решению более сложных научных проблем: например, какие социально-психологические факторы влияют на динамику доверия к социальным институтам; каким образом содержание коллективной памяти влияет на социальные представления о будущем, какие групповые социально-психологические характеристики влияют на динамику вовлечения жителей региона в использование технологических инноваций и на развитие производительных сил регионов страны.

Особое внимание необходимо обратить не только на механизмы распространения тревожных состояний и коллективных страхов, но и на социально-психологические закономерности распространения позитивной информации, позитивной оценки коллективного прошлого, формирования позитивной гражданской идентичности и ответственности за происходящее в стране. Например, цифровые следы позволяют изучать динамику коллективных переживаний во время праздников и траура, формирование генерализованной надежды, феномены “большого оптимизма” и “защитного пессимизма”, психологические функции коллективного образа ближайшего, среднесрочного и отдаленного будущего. Одним из прикладных применений этой работы может быть прогнозирование психологического воздействия “мнемонических войн” и информационных кампаний, направленных на изменение отношения общества к своему коллективному прошлому и будущему. В результате таких междисциплинарных исследований может быть разработана модель формирования групповой жизнеспособности в цифровой среде, а также устойчивости крупных социальных групп к информационным угрозам в условиях растущей неопределенности.

Большие данные позволяют заглянуть не только в сегодняшнее состояние российского общества, но и проливают свет на феномены исторической психологии. Использование исторических больших данных в психологических исследованиях имеет свои недостатки и ограничения (см. критический анализ [38]). Тем не менее, их можно использовать для изучения содержания коллективной памяти и ее динамики, а также для изучения изменений коллективного образа будущего.

Большой интерес представляют в этой связи новые возможности для анализа визуальных сообщений. Сочетание автоматизированного распознавания изображений и экспертных оценок позволяет исследовать динамику социальных представлений и сложных коллективных эмоциональных переживаний, оценивать различия в визуальной репрезентации сложных явлений представителями разных социальных групп, жителями разных регионов. Методологические основания такого анализа для этого уже разработаны в рамках визуальной социологии, а также социальной психологии изображений [33, 35].

ЗАКЛЮЧЕНИЕ

В заключении целесообразно обратить внимание на некоторые фундаментальные психологические проблемы и риски, тесно связанные с внедрением технологий анализа больших данных в повседневную жизнь общества.

Так, можно ожидать изменений в процессах социального сравнения и социального влияния, так как для личности открывается возможность оценивать себя и других на основе сопоставления с данными о поведении большинства, а сами основания для сравнения становятся более произвольными, легко настраиваемыми с учетом контекста той или иной ситуации. Кроме того, большие данные в “цифровом обществе” превращаются в еще одно основание для формирования стереотипов, когда интерпретация аутгруппового поведения на основе цифровых следов оказывается искаженной сформировавшимися ранее предубеждениями или используется для их подтверждения. Большие данные превращаются в критерий оценки личностью социальных ситуаций: как бóльшая или меньшая рельефность этой информации будет сказываться на процессах социального познания? Еще одной важной психологической проблемой становится растущая “прозрачность” жизни человека в деловой и личной сферах. Доступность цифровых следов личности другим людям и организациям не только будет служить основанием для формирования новых социальных фобий, но и повлияет на нравственно-психологические компоненты межличностных отношений. Например, можно ожидать изменения критериев доверия и недоверия, формирования новых составляющих социальной зрелости и ответственности личности, когда атрибутивные процессы в межличностном и межгрупповом восприятии основываются не только на уже совершенных поступках, но и на цифровых следах намерений. Развитие технологий бесконтактной автоматизированной психологической диагностики существенно повлияет на такие характеристики личности, как готовность к самораскрытию и управление впечатлением, а также формы проявления негативных личностных качеств.

Динамика межличностных отношений, отраженная в цифровых следах, станет доступна для более дифференцированной взаимной оценки сторонами, что может повлечь за собой изменения в скорости протекания внутригрупповых процессов. Уже начавшийся переход крупных компаний к непрерывной оценке деятельности своих сотрудников на основе потоковой аналитики создает ряд психологических проблем в области организационного поведения. Например, встает вопрос о том, как сокращение цикла оценки деятельности сотрудника, а также расширение круга людей и групп, которые могут оценивать ее эффективность, пользуясь потоковой аналитикой, повлияет на мотивацию, приверженность и удовлетворенность работой? Как будет меняться ролевая структура и социально-психологический климат групп в условиях, когда коллектив будет получать свой групповой психологический профиль и обратную связь на свои действия в режиме реального времени, а не с месячной или недельной задержкой? Как командные ментальные модели, включающие в себя представления о работе с большими данными и “цифровых двойниках” объекта управления, будут сказываться на организации совместной деятельности и межгрупповых отношениях?

Большие данные и алгоритмы их обработки “фетишизируются” и уже используются как средство политического воздействия, что приводит к переоценке их реальных возможностей в решении социальных проблем. Фрустрация завышенных ожиданий может вызвать не только кризис доверия к технологии анализа больших данных, но и обрушение доверия к социальным институтам, которые их используют. Формирование рынков данных обострит проблему дефицита межгруппового доверия в отношениях между различными группами горожан, разработчиками систем искусственного интеллекта и технократическими элитами. В эпоху информационных войн с использованием машинного обучения на основе больших данных формирование институционального доверия становится все более трудной социально-психологической задачей. Благодаря большим данным представление общества о самом себе становится более динамичным, появляются новые средства как для верификации социальных представлений, так и для манипулирования ими. Особое значение в этих условиях приобретает цифровая память и социально-психологические механизмы реконструирования коллективного прошлого, отраженного в цифровых следах миллионов людей. Можно предположить, что невозможность стереть цифровые следы не только индивидуальных, но и групповых поступков, повлияет на осмысление коллективного прошлого, настоящего и будущего, а также вызовет к жизни новые формы мнемонических войн.

Дальнейшее развитие интернета вещей и лавинообразное вторжение алгоритмов в повседневную жизнь горожан не только дает в руки психологов новые методы исследований, но и делает невозможным изучение традиционных социально-психологических феноменов без учета того влияния, которое оказывает на них цифровая среда.