Активное проникновение современных информационных и коммуникативных технологий во многие сферы жизни человека ставит перед учеными задачу изучения их влияния на различные стороны жизнедеятельности людей [7]. Данная проблематика получила определенное, хотя явно недостаточное, освещение в современных публикациях [1]. Следует отметить работу Т.А. Нестика и А.Л. Журавлева, в которой рассматриваются результаты сбора и учета больших данных (big data), характеризующих реальное поведение людей, а также позитивные и негативные последствия влияния больших данных на общество, социальные науки и психологическое знание [5]. Анализируются также Интернет-технологии, используемые для трансформации массового сознания и поведения [10], психологические особенности коллективного творчества в сетевых сообществах [2], лингвосемантические характеристики коммуникативного поведения молодежи в социальных сетях [6].

В настоящее время одной из наиболее динамично развивающихся областей психологии является так называемая “цифровая психометрика” [36]. В ее рамках решаются задачи прогнозирования психологических характеристик человека на основании его цифровых следов (текстов в социальных сетях, размещаемых и выбираемых изображений, особенностей интернет-серфинга, данных о телефонных звонках и др.). В настоящее время отсутствует общепринятое наименование для научного направления, в рамках которого осуществляется решение вышеуказанных задач. Для его определения используются различные термины: цифровая психометрика (digital psychometrics) [36], психологическая информатика (psycho-informatics) [34]. Мы в данной статье для обозначения указанной области будем использовать термин “цифровая психометрика”.

Разработка конкретного алгоритма прогнозирования психологических характеристик на основании цифровых следов или, более кратко, алгоритма цифровой психометрики включает два этапа. На первом этапе происходит сбор тех или иных видов цифровых следов (например, текстов) респондентов, а также диагностика их психологических характеристик (например, личностных черт “большой пятерки”). На втором этапе посредством различных математических процедур выясняется, как взаимосвязаны две вышеуказанные группы данных. Используются как относительные простые (корреляционный анализ) [50], так и довольно сложные способы обработки данных — различные варианты машинного обучения: нейронные сети, метод опорных векторов и др. [12, 45]. Итогом математической обработки данных становится набор правил, с помощью которых и происходит прогнозирование психологических характеристик на основании цифровых следов.

В качестве основания для прогноза используются самые разные виды цифровых следов: тексты, изображения, особенности интернет-активности, характеристики телефонных звонков, «лайки» (мне нравится), финансовые транзакции, изменения местоположения человека [12, 22]. Чаще всего в ход идет текстовая информация, почерпнутая из профилей пользователей, блогов, твитов и др. Алгоритмы цифровой психометрики позволяют выявлять различные индивидуально-психологические характеристики человека (личностные черты, эмоциональные состояния, ценности, мотивы и др.) [24, 40, 49].

Наибольшая точность достигается при прогнозировании личностных черт “большой пятерки” [12, 29]. По степени успешности прогноза они располагаются следующим образом (от наиболее успешных к наименее): экстраверсия, открытость опыту, добросовестность, нейротизм, дружелюбие. Эмоциональные состояния, ценности, мотивы и удовлетворенность жизнью прогнозируются несколько хуже. Одновременное использование нескольких видов цифровых следов (например, текстов и изображений), а также более совершенных процедур сбора и анализа данных позволяет существенно повысить точность прогноза [45, 48]. Более подробно содержательные аспекты алгоритмов цифровой психометрики рассмотрены нами в другой статье [4], к которой мы и отсылаем интересующихся.

Впечатляющие достижения, связанные с разработкой основанных на цифровых следах алгоритмов прогнозирования, побуждают задуматься о перспективах их прикладного применения. В данной статье мы сконцентрировались на вопросах применения алгоритмов для решения именно прикладных задач в различных сферах социальной жизни. Задачами данной работы было: выделение стратегий прикладного применения алгоритмов цифровой психометрики; рассмотрение основных сфер применения этих алгоритмов; характеристика положительных и отрицательных сторон использования алгоритмов.

Поскольку российские исследования в области цифровой психометрики начались относительно недавно, то представленная в нашей статье информация, надеемся, будет способствовать более активному изучению этой проблематики, поможет в выборе конкретных направлений исследования, побудит задуматься о новых направлениях практического применения уже разработанных алгоритмов.

СТРАТЕГИИ ИСПОЛЬЗОВАНИЯ АЛГОРИТМОВ ЦИФРОВОЙ ПСИХОМЕТРИКИ

Возможны две стратегии использования алгоритмов цифровой психометрики в практических целях. Одна из них основана на выявлении с их помощью индивидуально-психологических особенностей (личностных черт, ценностей, эмоциональных состояний и т. п.) и последующим использованием полученной информации для решения прикладных задач, другая заключается в использовании цифровых следов непосредственно для прогноза поведения людей в реальной жизни.

Рассмотрим каждую из этих стратегий. Как мы уже отмечали, первая стратегия ориентирована на выявление с помощью цифровых следов индивидуально-психологических характеристик и последующим использованием полученных данных на практике. К настоящему времени в психологии и смежных науках (политологии, профилактической медицине и др.) накоплен огромный массив данных, касающийся влияния психологических характеристик (личностных черт, ценностей, эмоциональных состояний и др.) на суждения и поведение людей [17, 30]. Однако, их широкое применение на практике затруднено из-за сложностей диагностики этих характеристик в реальных условиях жизни.

С появлением основанных на цифровых следах алгоритмов возможности психодиагностики существенно расширяются. Прежде всего, с их помощью значительно упрощается сбор данных о психологических особенностях людей. Если раньше необходимо было получать личное согласие респондентов на заполнение специальных опросников, то в эпоху цифровой психометрики подобного согласия не требуется, как нет и необходимости в использовании самих опросников. Значительно ускоряется время сбора данных. Всего за считанные часы или даже минуты можно получить информацию о личностных особенностях тысяч человек.

Современные алгоритмы цифровой психометрики открывают доступ к практическому применению психологических данных, ранее имевших лишь чисто научное значение. Например, уже десятки лет исследуются закономерности влияния психологических особенностей объекта воздействия на эффективность воздействия [9, 25]. Для многих личностных черт разработаны и экспериментально проверены “рецепты” эффективного воздействия, т.е. правила в отношении того, какие психологические механизмы надо использовать для оказания воздействия на лиц того или иного типа (экстравертов, интровертов и т. п.) [11, 38]. Но поскольку в реальности довольно сложно протестировать аудиторию, на которую будет направлено воздействие, то их практическое применение носило весьма ограниченный характер. Алгоритмы цифровой психометрики существенно упрощают эту задачу, что открывает широкие возможности в плане повышения эффективности разного рода рекламных кампаний.

Конкретизируем сказанное на примере такой личностной черты как дружелюбие. Установлено, что она связана с просоциальным поведением: дружелюбные люди чаще занимаются благотворительностью и более позитивно реагируют на просьбы о помощи [51]. Выявив посредством “цифровой” диагностики наличие у человека этой черты, благотворительные организации могут не просто обращаться к нему с просьбой о пожертвовании, но и надеяться на позитивный ответ.

Вторая стратегия практического применения цифровой психометрики предполагает использование цифровых следов непосредственно для прогноза поведенческих реакций людей в конкретных ситуациях. Например, в качестве оснований для подобного прогноза может выступать детальная информация о звонках с сотового телефона за определенный период [19]. С ее помощью удалось спрогнозировать точность оплаты (отсутствие задолженностей) за сотовую связь. Данные о телефонных звонках используются и для предсказания вероятности дефолта по кредиту [43]. Причем точность такого прогноза оказалась выше, чем у прогноза, основанного на традиционно используемой банками методике оценки рисков.

Дефолт по кредитам можно с успехом предсказывать и с опорой на данные, полученные из социальных сетей [21]. С опорой на лексику, используемую в социальных сетях, удается прогнозировать рецидивы преступлений [20]. Стоит упомянуть об исследованиях, в которых цифровые следы используются для выяснения того, насколько достоверна обнаруженная в Сети информации [46].

Как мы видим, к настоящему времени имеется достаточно много примеров успешной реализации ориентированной на поведение стратегии в различных сферах общественной жизни, что позволяет с оптимизмом оценивать ее перспективы.

НАПРАВЛЕНИЯ ПРАКТИЧЕСКОГО ПРИМЕНЕНИЯ АЛГОРИТМОВ ЦИФРОВОЙ ПСИХОМЕТРИКИ

Алгоритмы прогнозирования психологических характеристик по цифровым следам могут быть использованы во многих областях жизни общества: политике, экономике, здравоохранении и др. Рассмотрим основные направления их применения в указанных областях.

В сфере политики алгоритмы цифровой психометрики будут, скорее всего, наиболее востребованы при проведении избирательных кампаний. В последние годы такие кампании становятся все более персонализированными, т.е. учитывающими индивидуальные особенности избирателей [40]. Вводится даже специальный термин “микротаргетирование” или микротаргетированные кампании.

Важнейшим элементом таких кампаний является сбор самых разных данных об избирателях. В этот список входят: политические предпочтения, вероятность участия в выборах, личностные особенности, наиболее значимые для человека темы кампании (например, экономика, социальная политика, безопасность и др.) и др. На основании собранной об избирателях информации выделяются отдельные группы, объединенные некоторым общим признаком или признаками. В дальнейшем предвыборная агитация в их адрес организуется таким образом, чтобы ее форма и содержание соответствовали индивидуальным особенностям входящих в такие группы избирателей.

Микротаргетирование, например, активно использовалось в предвыборных кампаниях Б. Обамы в 2008 и 2012 годах. А его применение организаторами предвыборной кампании Д.Трампа даже спровоцировало скандал, связанный с несанкционированным использованием данных пользователей Фейсбука компанией Кембридж Аналитика. Как показывают исследования, микротаргетированные кампании более эффективны, чем традиционные, ориентированные на охват широкой аудитории [33].

Возможности микротаргетирования были продемонстрированы и в работе Л. Кротзека [31]. Этот ученый, выявив личностные особенности избирателей, постарался соответствующим образом адаптировать обращенную к ним политическую рекламу. Такого рода персонализированная реклама оказалась более эффективной по сравнению с неперсонализированной: в случае конгруэнтности личностных особенностей избирателей и сообщения в поддержку политика достигалось более позитивное к нему отношение.

Использование алгоритмов цифровой психометрики позволяет существенно облегчить и ускорить сбор данных об избирателях. С их помощью можно выявлять многие из характеристик, необходимых для организации микротаргетированных кампаний. Например, на основании разных видов цифровых следов (текстов, “лайков”, мета-данных) можно прогнозировать политические предпочтения людей [29].

Весьма полезна для организаторов кампаний будет и информация о личностных чертах избирателей, полученная посредством цифровой диагностики. Дело в том, что есть много данных, касающихся их взаимосвязи с политическим поведением [17]. Так, на материале нескольких стран (США, Германии, Дании) обнаружена личностная обусловленность голосования за популистские партии [14]. Общее в программе таких партий - это противопоставление продажной, коррумпированной, думающей только о себе элите и хороших простых людей, ею эксплуатируемых. Выяснилось, что подобная картина мира находит отклик у избирателей определенного психологического типа. Речь идёт о людях с низким уровнем такой личностной черты как дружелюбие, что свидетельствует об эгоизме, враждебности и недоверию по отношению к окружающим, низких толерантности и кооперативности. В сфере политики они склонны не доверять политикам, обнаруживают низкую политическую эффективность, а также чаще верят в разного рода конспирологические теории. Результаты этого исследования свидетельствуют о том, что на так называемых “недружелюбных” лиц эффективно действует предвыборная агитация, упрощающая представления о политике и обществе.

Помимо "внутриполитического" применения алгоритмов цифровой психометрики возможно их использование при проведении так называемых психологических операций [44]. Так, вводится понятие “кибер-личности”, включающее всю совокупность цифровых следов, связанных с конкретным человеком. Выделяются иерархические уровни ее структуры (физический, синтаксический, семантический и др.). По мнению М. Сартонена с соавт. это создает основу для использования индивидуально ориентированных тактик воздействия, что позволяет существенно повысить эффективность психологических операций.

Кроме политики алгоритмы цифровой психометрики могут использоваться в сфере маркетинга, в частности, для повышения эффективности воздействия рекламы. Ранее (в “доцифровую” эпоху) в экспериментах неоднократно было продемонстрировано влияние личностных особенностей объекта рекламного воздействия на его эффективность [3, 8]. Например, экстраверты оказались более восприимчивыми к аргументации, основанной на привлекательных для них характеристиках объекта (“это будет особенно интересно для тех, кто получает удовольствие от общения с другими людьми”) [15]. Интроверты же более часто демонстрировали изменение установок под воздействием сообщений, релевантных свойственным им характеристикам (“для тех, кто любит тишину и покой”). Из-за трудностей выявления личностных характеристик аудитории, к которой обращена реклама, применение указанных закономерностей на практике было сильно затруднено. В настоящее время в связи с появлением многочисленных алгоритмов прогнозирования личности по цифровым следам, открываются новые возможности их практического применения.

Современные исследования, в которых диагностика личностных черт объекта рекламного воздействия осуществлялась на основании цифровых следов, демонстрируют обнадеживающие результаты. Так, Г. Чен с соавт., используя для прогноза личностных черт их лексические корреляты, показали, что эффективность рекламных сообщений в Твиттере зависит от личностных особенностей его получателей [16]. Если тип сообщения был конгруэнтен личностным особенностям пользователей, то значительно возрастала (более чем в два раза) вероятность их перехода на рекламируемый сайт. 

Возможности личностно-ориентированной рекламы были продемонстрированы в серии исследований, выполненных в рамках проекта MyPersonality.org [36]. Для получения информации о личностных особенностях респондентов использовался такой вид цифровых следов как “лайки” (мне нравится). Затем им предъявлялись четыре варианта рекламных сообщений (для интровертов и экстравертов, для лиц с высокой и с низкой открытостью опыту), а также проводилась оценка эффективности воздействия этих сообщений. Максимальная эффективность воздействия достигалась в случае совпадения личностных особенностей и типа сообщения, т.е. в том случае, когда, например, экстраверты получали сообщение, текст и визуальный ряд которого, наиболее соответствовал, по мнению учёных, этому личностному типу. Следует отметить, что в качестве критерия эффективности рекламы использовались как клики (в случае конгруэнтных сообщений их количество возрастало на 40 %), так и данные о продажах рекламируемых товаров (рост на 50 %). 

Важное прикладное значение имеет и тот факт, что при помощи цифровых следов можно выявлять эмоциональное состояние человека. Дело в том, что в психологии накоплены многочисленные данные о влиянии состояния человека - объекта воздействия на эффективность воздействия [27]. Так, человек, находящийся в позитивном эмоциональном состоянии, более восприимчив к аргументам, сформулированным позитивно – (“если вы бросите курить, сможете дольше прожить”), а человек грустный и депрессивный – к аргументам, сформулированным негативно (“если вы не бросите курить, то рано умрете”). Установлено также, что переживание негативных эмоций, как правило, стимулирует проведение систематического анализа поступающих сообщений, что делает человека более подверженным воздействию в тех случаях, когда ему предъявляются “сильные” (т.е. веские, доказательные) аргументы в поддержку некоторого тезиса.

Цифровая психометрика со своей стороны обладает многочисленными алгоритмами диагностики эмоциональных состояний на основании самых разных цифровых следов: текстов, визуального материала (фото профиля в социальных сетях, размещаемых в сети изображений и их оценок), особенностей звонков по сотовому телефону, изменений местоположения и др. [24, 42]. Наличие таких алгоритмов позволяет персонализировать рекламное воздействие с учётом не только личностных особенностей адресата, но и его эмоционального состояния.

Еще одно направление маркетингового применения цифровой психометрики связано с психографической сегментацией потребителей, т.е. выделением в их общей массе отдельных подгрупп, различающихся характером потребительских привычек [26, 32]. Такая сегментации может основываться на интересах, ценностях, установках, личностных чертах. Психографическая сегментация используется для оценки предпочтений потребителей и прогноза их поведения.

Оригинальный и весьма перспективный в плане маркетингового применения подход к прогнозированию личностных черт был реализован Д. Рингбеком с соавт. [41]. В качестве оснований для прогноза использовались разнообразные характеристики веб-серфинга при посещении интернет-магазина (количество кликов, время, затрачиваемое на просмотр различных страниц, характер просматриваемого содержания и др.). Подобный подход позволил с высокой точностью спрогнозировать как черты “большой пятерки”, так и другие личностные особенности (потребность в познании, потребность в возбуждении, рационализм). Такой вариант использования цифровых следов весьма перспективен в плане применения в электронной коммерции. Разработанный алгоритм позволяет осуществлять диагностику личностных особенностей посетителей электронного магазина непосредственно в процессе его посещения. Собранная таким образом информация может быть использована для достижения самых разных целей: от оценки потребительских предпочтений и выдачи персонализированных рекомендаций до изменения дизайна посещаемых страниц в соответствии с личностными особенностями посетителей.

Алгоритмы цифровой психометрики могут быть использованы и в медицине. Одно из направлений их применения в этой области связано с выявлением лиц, страдающих тем или иным заболеванием, но не получающих лечения. Особенно это актуально в отношении психических болезней. Ведь многие люди с подобными расстройствами просто не обращаются за помощью в силу ряда причин (сниженной мотивации, страха стигматизации, отсутствия веры и надежды на излечение). Полученная на основании цифровых следов информация может использоваться для предложения таким лицам помощи специалистов. Проведенные исследования позволяют с оптимизмом оценивать перспективы данного направления. Это связано со значительным прогрессом, достигнутым в сфере “цифровой” диагностики депрессивных расстройств и других психических заболеваний [37].

Помимо эмоциональных расстройств с помощью цифровых следов (текстовые сообщения из Твиттера), удается предсказывать суицидальные попытки [28]. Суицидальная идеация (мысли о самоубийстве или излишняя озабоченность самоубийством) оказалась связана с дистанцированием от окружающих, слабой координацией с социумом, низкой социальной вовлечённостью, проявлениями безнадёжности, тревоги, и одиночества [18]. Цифровые следы могут использоваться и для контроля состояния больных и оценки эффективности лечения [37].

Ещё одно направление применения основанных на цифровых следах алгоритмов в медицине связано с проведением кампаний по борьбе с вредными привычками и профилактике заболеваний. Появление таких алгоритмов открывает новые перспективы широкого использования в этих кампаниях так называемого персонализированного воздействия. Подобное воздействие предполагает учет индивидуальных особенностей объекта воздействия, таких, например, как пол, возраст, профессия, этническая принадлежность, интересы, ценности, личностные черты и др. Неоднократно было показано, что персонализация сообщений способствует большей эффективности воздействия при изменения касающихся здоровья мнений, установок и поведения людей [47]. Если раньше применение персонализированного воздействия на практике носило ограниченный характер из-за трудностей получения данных об индивидуальных особенностях людей, то с развитием алгоритмов цифровой психометрики возможности выявления таких особенностей существенно расширяются.

Используются алгоритмы цифровой психометрики и в целях борьбы с преступностью. Направлений их криминологического применения очень много, но мы рассмотрим лишь одно из них, соответствующее тематике данной статьи. Речь идёт об использовании цифровых следов для прогнозирования поведения преступников. Такой прогноз осуществляется, как правило, на основании анализа текстовой продукции в социальных сетях и на форумах. Примером может служить работа, в которой с помощью программы анализа текстов LIWC, были выделены особенности лексики, характерные для лиц, повторно совершавших преступления сексуального характера [20].

ПРОБЛЕМА ВРЕДОНОСНОГО ИСПОЛЬЗОВАНИЯ АЛГОРИТМОВ ЦИФРОВОЙ ПСИХОМЕТРИКИ

Обсуждая прикладные аспекты цифровой психометрики, нельзя не затронуть проблему их возможного вредоносного использования. Как и всякое достижение прогресса, алгоритмы “цифровой” диагностики имеют не только плюсы, но и минусы. В одних руках они будут служить благим целям, а в других — использоваться для манипулирования людьми и нанесения им ущерба. Так, мы уже сообщали о подверженности людей с определенными психологическими особенностями популистской пропаганде [14]. Чем это не повод для политтехнологов, отвечающих за проведение избирательных кампаний популистских партий, выявлять таких людей посредством “цифровых” алгоритмов и сосредотачивать на них политическую агитацию.

Еще несколько примеров такого рода. Установлено, что люди с высокими значениями по шкале дружелюбия часто оказываются жертвами фишинга — одного из видов интернет-мошенничества, целью которого является получение доступа к конфиденциальным данным пользователей — логинам и паролям [39]. В данном случае способ вредоносного применения “цифровых” алгоритмов очевиден: обнаружение с их помощью людей с подобной психологической особенностью и последующая фишинговая атака на них.

Уже неоднократно, в том числе и “отцами-основателями” цифровой психометрики (М. Косински, Д. Стилвеллом и др.), высказывались опасения по поводу того, что персонализированная на основании цифровых следов реклама может использоваться представителями игровой индустрии для привлечения клиентов в интернет-казино и букмекерские конторы [22, 36]. Для подобных опасений есть серьезные основания. Как известно, в плане развития игровой зависимости особенно опасно одновременное наличие у человека нескольких черт: импульсивности, эмоциональной ранимости, поиска ощущений [13]. Именно при таком сочетании черт существенно возрастает вероятность возникновения подобных нарушений, приносящих серьезный вред как самому человеку-игроману, так и его близким. В эпоху “цифровых” алгоритмов выявление лиц подобного психологического типа владельцами игровых сайтов не составит труда.

ЗАКЛЮЧЕНИЕ

Существуют две стратегии использования алгоритмов цифровой психометрики на практике. Одна из них ориентирована на выявление с их помощью индивидуально-психологических особенностей и последующим использованием полученной информации для решения прикладных задач, другая заключается в использовании цифровых следов непосредственно для прогноза поведенческих, когнитивных и эмоциональных реакций людей в реальной жизни. Как показали исследования и первый опыт прикладного использования алгоритмов цифровой психометрики, они с успехом могут решать самые разные задачи во многих сферах общественной жизни (политике, экономике, медицине и др.). К сожалению, существует проблема вредоносного использования алгоритмов цифровой психометрики, в частности для манипулирования людьми и нанесения ущерба их здоровью и финансовому положению.

В заключение оценим перспективы практического применения алгоритмов цифровой психометрики. Если в настоящее время акцент делается на разработке таких алгоритмов (примеров их прикладного применения относительно мало), то в ближайшем будущем (5–10 лет) следует ожидать активизации их применения на практике. Этому будут способствовать ряд факторов. Прежде всего будет возрастать точность прогнозирования психологических характеристик, обусловленная совместным использованием нескольких видов цифровых следов (текстов, изображений, особенностей интернет-серфинга и др.), а также совершенствованием методов обработки данных (различные методы машинного обучения). Кроме того, будут развиваться способы “встраивания” алгоритмов в сетевую активность людей. Мы уже упоминали о реализованном Д. Рингбеком с соавт. [40] оригинальном подходе, в рамках которого диагностика личностных особенностей посетителей электронного магазина осуществлялась непосредственно в процессе его посещения. Следует ожидать также и расширения круга решаемых алгоритмами цифровой психометрики задач, относящихся к самым разным сферам общественной жизни (политике, экономике, здравоохранению, образованию и др.).