MATHEMATICAL MODELLING OF INFORMATION COUNTERACTION: RESEARCH DIRECTIONS IN THE CONDITIONS OF NEW TECHNOLOGIES
MATHEMATICAL MODELLING OF INFORMATION COUNTERACTION: RESEARCH DIRECTIONS IN THE CONDITIONS OF NEW TECHNOLOGIES
Abstract
The article presents a new approach in research aimed at applying new digital technologies to analyse such a complexly structured system as the mass media. Using the methods of dynamical systems' theory, the authors study the process of information counteraction accompanying the stage of distribution of information through mass media, the purpose of which is to introduce a new system of views into society. A new method for analysing society's reaction to the proposed changes is suggested, which uses big data and eliminates the necessity of traditional sociological surveys. As an example of the method application, one of the high-profile events in the media space is described — the discussion in the media of an attempted coup d'état in Kazakhstan in 2022. It shows how the tools of new technologies can be used to analyse the attitude of the audience to this event.
1. Введение
Процесс распространения информации через СМИ является одним из ключевых факторов, влияющих на формирование общественного мнения. В последние десятилетия наблюдается значительный рост интереса к математическому моделированию этого процесса, что связано с увеличением объема информации и усложнением механизмов ее распространения. В свою очередь, информационное противоборство стало неотъемлемой частью современной медийной среды, где различные социальные группы и политические силы пытаются влиять на восприятие определенных событий, а также на убеждения и взгляды широких масс населения.
Для улучшения прогнозов реакции общества на появляющуюся в СМИ информацию осуществляются разработки математических моделей, способных адекватно отражать сложные взаимосвязи и динамику общественного мнения. В ряде исследований
, , , были предложены модели, которые описывают информационное противостояние. Объединяющим подходом в этих моделях является количественная характеристика различных общественных групп, так или иначе поддерживающих одну из конфликтующих сторон. Однако выводы об этих характеристиках опираются на традиционные методы, такие как выборочные опросы и статистический анализ, а, значит, имеют ряд ограничений, включая сложность в сборе репрезентативных данных. Но в последние годы с развитием цифровых технологий, таких, например, как Big Data, Data Science и Text Mining, появляются новые возможности анализа приоритетов аудитории. Теперь не обязательно опираться на теорию выборки, а можно непосредственно изучать общественное мнение с помощью парсинга информации в интернете, используя различные системы мониторинга. Отсутствие выборок (n=All) и непосредственная работа с генеральными совокупностями или очень крупными их частями, масштабируемость данных, постоянный автоматизированный сбор данных в архивы и возможность их быстрой обработки приводят в конечном итоге к высокой достоверности и востребованности прогнозирования «в реальном времени».В этой связи авторами предложен новый подход к оценке общественного мнения, основанный не на измерении количества людей, принимающих позицию «за» или «против» определенной точки зрения, а на анализе объема и интенсивности поступающей в СМИ информации, направленную на достижение несовпадающих по интересам задач.
2. Математическая модель информационного противоборства
В рамках нового подхода при моделировании процесса движения информационных потоков и сопровождающего его информационного противоборства было решено выделить в качестве ключевых факторов следующие величины, изменяющиеся в течение времени t:
1. N(t) (от англ. News) — объем информации, способствующей распространению новых взглядов и идей, а также формированию нового общественного сознания.
2. C(t) (от англ. Censorship) — ресурсы существующих институтов власти, направленных на поддержание устоявшихся концепций и сохранение соответствующих им взглядов в обществе. Они могут включать в себя как информационные, политические, так и экономические инструменты влияния.
3. A(t) (от англ. Alternative view) — объем альтернативной информации, генерируемой как самим государственным аппаратом, так и различными заинтересованными группами, направленной на предотвращение изменения общественного мнения.
Связи между этими факторами были описаны в виде математической модели, представляющую собой систему дифференциальных уравнений, которая позволила в динамике исследовать эволюцию общественного мнения:
с начальными условиями, в силу ее автономности:
Индикаторами, используемыми для описания взаимодействия между этими факторами, являются параметры, с помощью которых удалось оценить реакцию аудитории на появление в СМИ новостей. Их смысловые характеристики представлены в таблице:
Таблица 1 - Смысловые характеристики
β ≥ 0 | показатель, характеризующий интенсивность распространения новой информации через СМИ |
γ ≥ 0 | показатель, характеризующий возможность нейтрализации эффекта от появившейся информации после изложения альтернативного мнения |
α ≥ 0 | показатель, характеризующий интенсивность реакции на противоборство противоположных точек зрения |
μ > 0 | коэффициент, обратно пропорциональный времени работы дополнительно созданных органов информации |
C* | количество информационного ресурса для повседневной поддержки концепции общества |
ρ ≥ 0 | средняя скорость появления новостей из одного органа информации C |
η ≥ 0 | среднее количество информации A, направленное на нейтрализацию эффекта от сообщений N |
λ > 0 | коэффициент, обратно пропорциональный времени забывания информации A |
Для модели (1), (2) в работах , , , авторами проведены полная систематизация и подробная интерпретация результатов, полученных математическими методами. В частности, проведена группировка по различным соотношениям параметров модели, количественные характеристики которых позволяют оценить реакцию общества на появление в СМИ новой, претенциозной информации. В результате моделирования появилась возможность прогнозировать возможные сценарии развития информационного противоборства, а также оценивать степень воздействия различных информационных потоков на общественное мнение.
3. Практическая реализация: освещение событий января 2022 в Казахстане
Для проверки адекватности математической модели и апробации предложенного подхода был выбран
случай политических событий в Казахстане в январе 2022 года, когда произошли массовые протесты, и правительство запросило помощь Организации Договора о коллективной безопасности (ОДКБ). Это событие вызвало разделение общественного мнения как внутри страны, так и за ее пределами. Одни поддерживали решение о вмешательстве, другие выражали протест против вмешательства во внутренние дела суверенного государства. Отметим, что события стремительно развивались и также стремительно прекратились в силу выполнения поставленных задач. И потому этот информационный повод показался интересным, как версия осуществления одного из сценариев, описанных на теоретических этапах исследования модели.Сбор эмпирических данных для проверки согласованности модели с реальными показателями проводился с помощью одной из систем мониторинга СМИ. Использующие современные методы обработки больших данных и текстового анализа, они сыграли ключевую роль в применении предложенной модели. Эти системы, имея в своем распоряжении встроенные интеллектуальные блоки, позволяют осуществлять анализ текстов в режиме реального времени, отслеживая ключевые слова, тональность публикаций и количество упоминаний определенных событий или концепций. Использование таких технологий позволяет значительно повысить точность прогнозов и оперативно реагировать на изменения в информационной среде.Также они могут формировать и экспортировать отчеты в Word, Excel, PDF-формат в динамике и в разрезе данных.Была собрана информация о публикациях, содержащих как положительную, так и отрицательную тональность по поводу вмешательства ОДКБ. В результате были получены следующие данные (табл. 1, 2):
Таблица 2 - Количество негативных сообщений N(t) по дням в течение января
январь | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | 16 |
кол-во в день | 1 | 0 | 1 | 0 | 68 | 327 | 177 | 127 | 94 | 362 | 151 | 110 | 91 | 85 | 58 | 41 |
январь | 17 | 18 | 19 | 20 | 21 | 22 | 23 | 24 | 25 | 26 | 27 | 28 | 29 | 30 | 31 |
|
кол-во в день | 50 | 52 | 38 | 37 | 14 | 13 | 8 | 20 | 6 | 14 | 96 | 47 | 14 | 17 | 8 |
|
Таблица 3 - Количество позитивных сообщений A(t) по дням в течение января
январь | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 |
кол-во в день | 22 | 5 | 8 | 13 | 272 | 3653 | 2896 | 1933 | 1474 | 2797 | 1871 |
январь | 12 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | 20 | 21 | 22 |
кол-во в день | 1282 | 1499 | 817 | 718 | 481 | 349 | 360 | 500 | 206 | 141 | 158 |
январь | 23 | 24 | 25 | 26 | 27 | 28 | 29 | 30 | 31 | - | |
кол-во в день | 94 | 92 | 123 | 82 | 91 | 120 | 158 | 51 | 90 | - | |
Для наглядности эти данные изображены в виде графиков (рис.1, 2):
Рисунок 1 - Количество негативных сообщений N(t) по дням в течение января 2022г
Рисунок 2 - Количество позитивных сообщений A(t) по дням в течение января 2022 г
Для вычисления значений параметров в первую очередь был определен возможный диапазон изменения каждого из них. Далее с применением известного метода Монте-Карло выбирался набор параметров, дающий наиболее приемлемое отклонение расчетной траектории от реальных данных мониторинга. Полный алгоритм расчета параметров предполагается описать в следующей работе. Например, при оценке параметра β было использовано дифференциальное уравнение , полученное из системы (1) после удаления из правой части соответствующего уравнения нелинейного слагаемого. С учетом начальных условий его решение имеет вид:
. Согласно данным (табл.1), N(1)=327, что возможно при βmin=1,57. Дальнейшее сопоставление значений параметров показало, что β=1,9 наиболее точно отражает ситуацию. Аналогичный анализ дал возможность оценить параметры ρ и α. Для оценки параметра λ были использованы сведения об экспериментах по изучению памяти , на основании которых был построен график кривой забывания Эббингауза, который показывает, как при ознакомлении с определенным материалом уровень запоминания усвоенной информации логарифмически уменьшается с течением времени. Диапазон для значений γ и η определялся согласно данным системы мониторинга по анализу текста статей. В частности, используя встроенную шкалу баллов, анализ показал, что сообщения А в большинстве своем не были направлены на нейтрализацию сообщений N, а лишь доказывали полезность создания ОДКБ и необходимость применения вооруженных сил этой организации в данных условиях. И, наконец, значение μ определялось по данным о появлении информации из новых информационных источников, не проявляющих ранее интерес к данной теме. И в совокупности были получены следующие значения параметров:
Рисунок 3 - Интегральные кривые системы (1) с начальными условиями (3) и значениями параметров (4):
а - N(t); б - A(t)
Качественное поведение интегральных кривых на рис.3 соответствует теоретически предсказанному поведению траектории системы (2).При этом интегральные кривыеN(t)и A(t)на графиках а) и б) соответственно ловят пик сообщений (рис.1,2) и их динамику к концу исследуемого временного промежутка. Это позволяет делать вывод об адекватности математической модели для данного информационного события.
4. Заключение
Представленное исследование иллюстрирует возможность применения нового подхода к анализу реакции общества как на крупное событие, освещенное в средствах массовой информации, так и на появление в СМИ информации, способной изменить концепцию общества. Данный подход позволяет по первым релевантным данным мониторинга на информационное событие осуществить прогноз о вероятном сценарии приятия обществом той или иной точки зрения.
Развитие цифровых технологий и методов математического моделирования открывает новые возможности для анализа процесса распространения информации и сопровождающего этот процесс информационного противоборства. Сочетание математических моделей с методами обработки больших данных позволяет не только прогнозировать развитие событий в реальном времени, но и управлять информационным процессом. Это особенно актуально в условиях постоянных изменений в политической и социальной среде, когда скорость принятия решений и оперативность реагирования играют ключевую роль.
Данная работа — это лишь первая попытка сравнить реальные итоги информационного столкновения противоположных точек зрения на событие с прогнозами, полученными при помощи теоретической модели. Необходимы эксперименты с более продолжительными по времени наблюдениями, которые охватывают все рассмотренные в публикациях авторов сценарии развития событий. Это является одним из перспективных направлений дальнейшего исследования.