Глава 2. Методические и методологические основы исследования виртуальных структур
§2.1. Методы изучения виртуальных сообществ
Анализ социальных сетей
Виртуальное пространство, в отличие от большинства «реальных» структур предоставляет исследователям редкую возможность подробно проанализировать процессы, изучить структуру взаимодействий, провести контент- и дискурс-анализ сообщений и т.д. В последние годы интерес к изучению виртуальных сообществ и социальных онлайн сетей в особенности, появился у представителей компьютерных наук (Computer Sciences), прикладной физики и математики. И если интерес представителей общественных наук к этой тематике вполне закономерен, то активное участие в изучении этого феномена специалистов по точным наукам обусловлено как общим интересом к строению сложных структур и их динамики, так и широкому распространению междисциплинарных методов исследования, позволяющих комплексно изучить поставленную проблему. В ходе выступления на конференции Sunbelt 2013 профессор Университета НорсИстерн (NorthEastern University) Дрю Марголин сравнил социальные онлайн-сети с мухой-дрозофилой для специалистов различных научных направлений. В частности, социологи изучают виртуальное пространство для выявления паттернов поведения людей, лингвисты определяют речевые тактики поведения, эпидемиологи прослеживают механизмы распространения информации внутри сети и т.д. Тем не менее, на фоне всего разнообразия используемых подходов, явно выделяется анализ социальных сетей (в дальнейшем для описания этого метода также используется термин «сетевой анализ»), применяемый в огромном массиве работ, посвященных виртуальным сообществам в целом и социальным онлайн-сетям в частности.
В настоящей работе также используется анализ социальных сетей как для исследования структуры дружеских взаимодействий, так и для изучения коммуникаций внутри сообщества Facebook. С помощью сетевого подхода выявляются ключевые паттерны взаимодействий пользователей, изучается изменение солидарности внутри группы с течением времени, а также определяются модели коммуникационного поведения. Использование анализа социальных сетей диктует необходимость краткого исторического и методологического обзора.
Изначально следует отметить, что основным отличием сетевого анализа от других методов является его акцент не на характеристиках индивидов, а на анализе социальных связей, для чего применяется инструментарий теории графов. Впервые анализ социальных сетей был использован психологом Якобом Морено в 1930-х годах для изучения влияния окружения человека на его психологическое состояние110.
После работ Морено всё большее количество психологов, социологов и антропологов стали использовать в своих исследованиях инструментарий теории графов, а математические разработки Ф. Харари111 позволили применять более сложные механизмы анализа.
Большой интерес к анализу социальных сетей у широкой общественности появился после публикации эксперимента С. Милгрэма «Проблема малого мира»112, вывод которого звучал следующим образом: любые два человека внутри США знакомы друг с другом максимум через пять других людей и шесть связей (шесть рукопожатий). При этом внутри общества также существуют люди, поддерживающие очень большое количество связей (так называемые хабы). Также много внимания привлекла работа М. Грановеттера «Сила слабых связей»113, в которой автор делал вывод о том, что наибольшую роль для обмена информацией играют «слабые связи» индивидов – то есть их знакомые и дальние родственники, а не ближайшее окружение.
После этого в сетевом анализе выделилось несколько магистральных направлений. Социологи, антропологи и экономисты (впоследствии к ним присоединились и представители естественных дисциплин) стали применять сетевые инструменты к анализу большого количества различных сообществ, групп и социальных структур в целом114. А математики разрабатывали различные инструменты для более глубокого анализа сетевых данных115.
Определим основные показатели, использующиеся в сетевом анализе.
Граф (G) (Рисунок 2) представляет собой совокупность непустого множества вершин (V) и множества ребер (E), соединяющих вершины в определенной последовательности. В анализе социальных сетей вершины – это акторы (индивиды, организации, группы, структурные подразделения и т.д.), а ребра – линии, отображающие связи акторов (товарно-денежные отношения, дружбу, коммуникации, цитирования и т.д.)116.
В случае анализа сети одного конкретного актора (эгоцентричной сети), самого актора обозначают как эго, а индивидов, с которыми он соединен – альтерами.
Рисунок 2. Граф (социальная сеть).
Для онлайн структур в качестве акторов выступают зарегистрированные пользователи, а связей – различные интеракции акторов между собой. Так, в качестве связей могут быть рассмотрены формальные взаимодействия («добавление в друзья» в Facebook и Вконтакте, «following» в Twitter и т.д.), а также содержательные взаимодействия (общение, обмен сообщениями, комментирование, «лайки» и т.д.).
Возможно также построение мультимодальных графов (affiliation networks), в которых акторами первого уровня являются зарегистрированные пользователи, а акторами второго уровня – сообщества, к которым эти пользователи примыкают. В качестве связи выступает формальная принадлежность того или иного индивида к сообществу117.
Отметим несколько базовых понятий сетевого анализа.
Центральность (centrality) – свойство местоположения актора относительно других акторов. Используется три основных подхода к определению центральности сети:
Степень центральности (degree centrality) CD(i) – количество связей одного актора с другими акторами.
CD(i)= , где n – число вершин в сети, а Xij – связь между актором i и j. (Xij=1, если связь есть и 0, если она отсутствует).
Значение степени центральности находится в диапазоне от 0 до g-1, где g – количество вершин в сети. (Вершина называется изолированной, если ее центральность равна 0 и висячей, если 1).
Степень центральности, нормированная на размер графа, определяется по следующей формуле:
Близость (closeness centrality) Cc(i) – величина, иллюстрирующая насколько близко актор располагается к другим акторам;
Cc(i)=  при ij, где dij – это число связей между акторами i и j.
Близость, нормированная на размер графа, вычисляется следующим образом:
Cc’(i)=Cc(i)*(n-1)
Посредничество центральности (betweenness centrality) CB(k) – характеристика, оценивающая количество потоков, перемещение которых контролирует актор.
CB(k)= , i≠j≠k, где -  ijk – это число путей от i к j, проходящих через k, а ij – общее число путей от i к j.
Плотность сети (Δ) – отношение существующих связей ко всем возможным.
Δ = , где L – число существующих связей, а g – количество вершин.
Геодезическим расстоянием между вершинами называется кратчайшее расстояние между двумя акторами.
Диаметр сети - среднее расстояние между всевозможными парами вершин. Для несоединенного графа, в котором присутствуют изолированные вершины, диаметр графа равен бесконечности.
В случае, если при построении сети также собирается информация об акторах (атрибуты акторов) – пол, возраст, социальный статус, расовая принадлежность, политические взгляды и так далее, появляется возможность также расчета гетерогенности системы.
Ассортативность сети – коэффициент, определяющий склонность образования связей между вершинами одного типа. Рассчитывается по формуле:
 ,
где r – коэффициент ассортативности,
ekl – доля связей, соединяющих узлы с числом связей, равным l и k
al=
bk=
Для полностью ассортативной сети r=1, частично ассортативной сети r>0, некоррелированной r=0, диассортативной r<0.
Социологи также используют термин гомофилия для описания этого эффекта. Гомофилия – склонность людей со схожими характеристиками взаимодействовать друг с другом - характерна для большинства социальных и информационных сетей.
Для разбиения сети на различные сообщества, исходя из свойств ее топологии, используется большое количество разнообразных алгоритмов. Для выявления того, насколько успешно был использован алгоритм, используется показатель модулярности, вычисляемый по следующей формуле:
где Q – модулярность;
– дельта Кронекера (Kronecker delta). Функция, равная 0 или 1 в зависимости от значений двух показателей.
– класс или тип вершин i (которые представлены натуральным рядом 1, 2, …, nc). (по аналогии и cj).
2m – количество ребер во всей сети.
ki – степень i-ой вершины. (По аналогии и kj).
– элемент матрицы смежностей
Показатель модулярности может принимать значения от -0,5 до 1. Большинство социальных и биологических структур обладают модулярностью от 0,3 до 0,7, что свидетельствует о наличии внутри сетей выраженных групп.
Современных методы исследования виртуальных сообществ
Автором настоящей диссертационной работы на основе анализа многочисленных эмпирических исследований было выделено семь основных междисциплинарных подходов к изучению виртуальных сообществ.
Компьютерно-математический метод. Важной задачей исследователей является изучение топологии (структуры) сети как отдельных виртуальных сообществ, так и масштабных систем и для этого в большинстве случаев используется сетевой анализ118,119,120.
Так в работе Угандера с коллегами1 был построен граф социальной сети Facebook (в качестве вершин сети выступали пользователи, а в качестве ребер – формальные «дружеские связи» между ними) и исследованы его свойства (значения центральностей для вершин, транзитивность связей, коэффициент кластеризации и т.д.). Выяснилось, что среднее число друзей пользователя колеблется в интервале от 100 до 200 (то есть совпадает с числом Данбара121). Исследователи также отметили, что вне зависимости от возраста люди устанавливают связи преимущественно с ровесниками. В то же время никаких предпочтений в отношении пола для установления «дружеских» контактов не прослеживается.
В статье Тахтеева с соавторами2 изучены свойства другой распространенной социальной платформы – микроблоггингового ресурса Twitter. Исследователями были собраны несколько миллионов коротких сообщений-твиттов с указаниями места жительства отправивших их пользователей, на основе которых были выявлены закономерности, характерные для данной сети. В частности, выяснилось, что пользователи чаще заводят виртуальных друзей относительно недалеко от места своего проживания. Следует отметить, что в социальной сети Twitter, в отличие от Facebook, пользователь указывает гораздо меньше личной информации, таким образом определить пол и возраст того или иного участника сервиса не представляется возможным.
Важной задачей, решаемой в рамках компьютерно-математического направления, является и выявление ключевых персон (ключевых акторов), оказывающих наибольшее влияние на социальную систему. Исследователи применяют различные технологии для определения наиболее весомых фигур. Например, Сатник с коллегами122 оценивали влияние пользователей, исходя из их близости по отношению к остальным участником (closeness centrality); в то время как Абдель-Гани123 вычислил все три показателя для вершин социальной сети: количество связей пользователя (degree centrality), близость по отношению к другим участникам (closeness centrality) и то, какое количество потоков информации пользователь контролирует (betweeness centrality).Однако исследователи не всегда принимают во внимание только позицию акторов. Так Ромеро с соавт.124 создали алгоритм, определяющий влиятельность пользователя на основе интегрального фактора, включающего как его положение внутри сети, относительно других участников, так и активность.
Следует подчеркнуть, что работы, посвященные взаимодействию студентов в виртуальном пространстве, встречаются достаточно часто. Это легко объяснимо – молодые люди активно общаются в социальных онлайн сетях, а структуры, создаваемые ими, зачастую небольшие, так как включают исключительно членов группы, что делает их удобными для сетевого и динамического анализа. Кроме того, в случае студенческой группы существует возможность измерения дополнительного параметра –успеваемости учащихся. Большой интерес в данной связи представляет статья Вакуэро125, в которой на примере интернет-сообщества, образуемого студентами первого курса исследуется феномен «rich club», привлекающий внимание социологов. Изучив виртуальное отображение реально существующей социальной структуры методами сетевого анализа, авторы выяснили, что наиболее преуспевающие в учебе студенты активно взаимодействуют между собой в Интернете и образуют устойчивое ядро (в терминах авторов «rich club»), попасть в которое после определенного момента другим членам группы становится практически невозможно. В работе Хамулик126 исследуется онлайн сообщество, в состав которого наравне со студентами также были включены и преподаватели. По результатам сетевого анализа было выявлено несколько «студентов-звезд», активно участвующих в обсуждениях. Преподаватели выступали чаще всего в качестве модераторов дискуссий. Отметим, что хоть обсуждаемая работа и выявила социальные роли участников в виртуальном пространстве, было бы также полезно сопоставить онлайн-активность студентов и их успехи, что было реализовано Вакуэро.
Компьютерно-математическое направление также развивается и в России. В частности, в Институте системного программирования РАН (ИСП РАН) проводятся работы по изучению структуры социальных сетей и поиску алгоритмов для поиска имплицитных сообществ. Большой интерес также представляют работы отечественных ученых127 по идентификации пользователей социальных сетей на различных интернет-площадках на основе их атрибутов (имени, социально-демографических характеристик и другие данных) и информации о связях. Следует подчеркнуть, что данные работы в определенной степени важны и для социологов, так как подобный инструментарий мог бы позволить изучить особенности поведения и разделить механизм формирования связей в различных онлайн структурах.
Физико-математический метод. Особенностями этого направления, в отличие от компьютерно-математического, является ориентация на изучение не статичных структур, а динамических процессов, происходящих внутри сети. В этом подходе можно выделить два основных класса задач – изучение механизма формирования сети и определение механизма распространения информации в системе.
В ходе исследований выяснилось, что механизмы формирования групп в виртуальных сообществах и в реальных структурах имеют очень много общего128. В частности, исследователи отметили, что зависимость между вероятностью вступления индивида в группу и наличие у него связей с членами этой группы как в случае реальной, так и виртуальной структуры изменяется одинаково. Вероятность P(k) растет нелинейно, соответственно, как подчеркивают исследователи, P(2)>2P(1) для этих двух типов систем. Это свидетельствует о росте мотивации индивида к вступлению в группу при наличии нескольких друзей, уже состоящих там.
Работа Бэкстрома была продолжена Кайрамом, выделившим различные механизмы роста виртуальных сообществ129. Была предложена типологизация, в соответствии с которой наблюдается два различных механизма роста сообщества: диффузионный и недиффузионный (Рисунок 3).
Диффузионным является такое присоединение, в ходе которого в группу входит актор, уже имеющий связи с одним или несколькими членами группы. Как отмечается Кайрамом и соавт., в результате из связей между участниками создается определенный «скелет», по которому распределяется некий импульс, мотивирующий индивидов на вступление в группу.
Недиффузионным, соответственно, называется присоединение, изолированного актора, не имеющего на момент вступления в группу связей с кем-либо из участников. Как отмечается в работе, диффузионное присоединение может быть обусловлено воздействием «друзей» индивида, уже находящихся в этой группе. В то же время «изолированный» актор скорее всего выразит желание влиться в сообщество, тема которого попадает в круг его интересов.
Рисунок 3. Недиффузионное и диффузионное присоединение участников1.
Кайрамом с коллегами также было проанализировано, для каких типов сообществ больше характерен диффузионный тип роста, а для каких – недиффузионный. Показательно, что группы, относимые авторами к «крупным» (более 630 участников) преимущественно увеличивались благодаря двум вариантам развития. В то время, как для небольших структур (менее 113 членов), в большей степени характерен диффузионный тип роста. Таким образом, Кайрам и соавт. делают закономерный вывод о том, что связи, устанавливаемые внутри небольших виртуальных групп, оказываются более сильными, так как созданы благодаря диффузионному типу – то есть не только на основе общих интересов, но и вследствие общения.
Для описания данного вывода можно привести следующий пример: к крупным группам чаще всего относятся «фанатские клубы» - пользователи социальных онлайн сетей ищут по ключевым словам крупные группы, в которых обычно присутствует большое количество релевантного тематике контента. Авторы сравнивают подобные крупные группы со своеобразным мегаполисом, состоящим из большого числа разреженно связанных индивидов, преследующих (относительно) общие цели. В то же время небольшие группы, созданные, к примеру, студентами одного курса для обмена информацией и коммуникации, обладают совершенно другими характеристиками – их участники не изолированы друг от друга, а поддерживают регулярные контакты. Кайрам с соавт. отмечают, что в небольших группах, размер которых оказывался меньше 113 членов, из первых 40 пользователей более 25% вступали вследствие активизации их «дружеских связей», в то время как для больших групп (размером более 630 членов), этот показатель не превышал 10%.
Исходя из этого, исследователями было выдвинуто предположение о том, что предпосылками для «отмирания группы» и торможения ее дальнейшего роста, является преобладание диффузионного роста над недиффузионным. Особо показательно, что в случае, если группа обладает большей плотностью связей, чем платформа, на которой она находится, ее шансы на отмирание или приостановку развития велики.
Другой задачей, решаемой в рамках данного подхода, является изучение распространения информации в социальной сети. Следует отметить, что исследование распространения эпидемии в графе производится уже давно, однако у ученых к настоящему моменту нет окончательного понимания всех механизмов этого процесса. В настоящий момент существует несколько моделей распространения информации: модели с порогами, модели с независимыми каскадами, модели на основе цепей Маркова и др.130. Следует отметить, что эти вопросы попали в круг интересов социологов задолго до появления социальных онлайн сетей и еще в 1978 году в журнале «American Journal of Sociology» Марк Грановеттер опубликовал работу «Пороговые модели коллективного поведения»131.
Изучение распространения информации в социальной сети обычно проводится на примере какого-либо медиа-вируса – фразы или сообщения, спонтанно получившего большую популярность у интернет-пользователей. Так в статье132 рассматривалось распространение информации на платформе BlogPulse и были сделаны выводы о роли строения сети в процессе распространения медиа-вируса.
В работе Венга133 исследован жизненный цикл медиа-вируса с учетом «лимитированного внимания» - того факта, что пользователи могут обсуждать лишь несколько сообщений за короткий период времени. Как и в работе Адара с соавт., выяснилось, что структура социальной сети играет большую роль при распространении сообщений.
Адамик с соавт.134 было проведено изучение распространения популярного вопроса «Как мы познакомились» по страницам пользователей в социальной сети Facebook, в результате чего исследователи сделали вывод о критично высокой роли слабых социальных связей для распространения информации. В данной связи, безусловно, следует подчеркнуть, что выводы о силе связей были сделаны исходя из предположения о том, что люди, часто общающиеся друг с другом, будут минимум однажды отмечены на одной фотографии. На наш взгляд такая оценка не всегда корректна, так как многие пользователи не отмечают себя и своих знакомых на фотографиях или вовсе избегают выкладывать на сайт подобную информацию. Тем не менее, вывод о значении слабых связей вряд ли может быть поставлен под сомнение, так как, начиная со второй половины XX века, социологи отмечают большую роль подобных контактов для распространения информации.
Большой интерес вызвала работа Янга с соавт.135, предложивших для описания распространения информации в сети модель линейной диффузии, используемой для описания физических процессов. Созданная исследователями модель смогла с высокой точностью предсказать механизм распространения информации без анализа структуры социальной сети. Таким образом, авторы оказались в некоей оппозиции с коллегами136.
Прогностический метод. Виртуальные сообщества являются поставщиком огромного массива информации, в результате анализа которой появляется возможность понимания имплицитных закономерностей и предсказания различных трендов. В последние годы многие ученые активно используют потенциал социальных сетей интернет-пространства для предсказания эпидемий гриппа137, изменения котировок акций на бирже138, кассовых сборов кинолент139. В качестве инструментария обычно применяются искусственные нейронные сети с самообучающимися алгоритмами. По всей вероятности, исследователей будет интересовать данный подход и в дальнейшем появится большое количество работ, посвященных предсказанию различных событий на основе сообщений в социальных сетях. Тем не менее, пока точность прогнозов редко превышает 90%, что свидетельствует о необходимости совершенствования предсказательных моделей.
Количественный социологический метод. Хотя работы, написанные математиками и физиками, формально и ставят своей задачей решение социологических проблем, в них далеко не всегда в итоге приходят к адекватным выводам. Так, большое количество статей, посвященных анализу «влиятельности» пользователей социальных сетей невозможно решить исключительно математическими методами в отсутствие полноценной социологической рефлексии. В данной связи хорошей иллюстрацией полноценной социологической научной работы может служить статья «Вкусы, связи и время: данные социальной сети Facebook.com», в которой исследователи сосредоточили свое внимание на структуре сети студентов университета140 и ее динамическом изменении. Выяснилось, что, как и в большинстве социальных систем, в Facebook наблюдается ярко выраженная сегрегация как по этническому, так и по половому признаку. (Следует отметить, что были исследованы взаимоотношения внутри американского колледжа, в котором было большое количество афроамериканцев и латиноамериканцев). Люди, принадлежащие к одной расе, активно взаимодействовали друг с другом в Facebook, чем представители различных рас. Аналогично, девушки чаще общались с девушками, а юноши – с юношами. Показательно, что подобная практика, характерная для реального пространства, в точности была воспроизведена в виртуальном мире. На основе результатов проекта исследователи пришли к выводу о том, что использование социальной онлайн-сети Facebook может оказаться эффективным при изучении моделей поведения людей и возникающих социальных структур. При этом был отмечен еще о тот факт, что использование Facebook для получения данных о взаимодействиях между людьми может оказаться более эффективным, нежели иные методы сбора сетевых данных (опросы, наблюдение, интервью и т.д.) вследствие избегание «эффекта интервью», в ходе которого интервьюируемый подсознательно пытается соответствовать некоей шаблонной модели.
Трансформация дружеских взаимодействий в сети Facebook стала предметом исследования Висманата с соавторами141. В ходе проекта были проанализированы различные практики взаимоотношений внутри социальной онлайн сети и на основе траектории развития были сделаны предположения о том, как традиционно развивается дружба в онлайне и какие формы она может принимать. Оказалось, что существует два принципиально различных вида дружбы в Facebook (впрочем, в конце исследования авторы отметили, что выводы можно генерализовать и на другие социальные онлайн-сети): относительно активный обмен сообщениями в течение длительного времени («сильные связи» в терминологии Грановеттера) и изначально очень активное взаимодействие, быстро сходящее на нет («сильные связи» в терминологии Грановеттера). При этом определить, каким образом будут развиваться отношения между участниками можно на основе их первоначальной активности, но далеко не со стопроцентной вероятностью. В данном контексте следует отметить, что хотя современные математические подходы и дают возможность исследования социальных процессов на очень глубоком уровне, для выявления социально-психологических особенностей необходимо использование дополнительных инструментов исследования. В частности, глубинных интервью, контент- и дискурс-анализа.
В целом, социолого-математические методы исследования виртуальных сообществ являются на данный момент, по мнению автора настоящего диссертационного исследования, наиболее содержательными, так как в них присутствует адекватная постановка социологической задачи. Тем не менее, далеко не всегда достаточное количество внимания уделяется непосредственно содержанию общения участников и их интерпретации.
Семантический метод. Исследование контента виртуального сообщества сопряжено с исследованием семантической сети. В работе Росен142 на основе анализа семантической сети, полученной в виртуальном сообществе студентов, было выявлено, какие слова и словосочетания обычно употребляют пользователи с определенными социально-демографическими характеристиками. Использование подобного инструментария позволило бы выявлять параметры пользователей, не указывающих о себе данные. Семантические сети также могут быть использованы для выявления трендов. Так Хельстен с соавт.143 построили семантическую сеть для сообщества, обсуждавшего генетически-модифицированные продукты, и выявили компании, производящие подобную продукцию. Работа Косинки144 продемонстрировала, что семантическая сеть, построенная на основе тех статей, которые пользователи отметили, как понравившиеся, позволяет с высокой степенью точности предсказывать параметры участников. Так, представители христианского и мусульманского вероисповедания были верно идентифицированы в 82% случаев, чернокожие и белокожие американцы – в 95%. В целом, у семантических исследований, безусловно, очень широкие перспективы, так как они позволяют выявить наиболее значимые связки текстовых объектов и выделить интересы участников виртуального сообщества. Однако для решения комплексной задачи, очевидно, данное направление должно быть дополнено и изучением социальной структуры сообщества.
Социолингвистический метод. Виртуальные сообщества являются уникальной площадкой, позволяющим исследователей самых различных направлений верифицировать свои теории. В частности, социолингвисты активно используют для этой цели онлайн структуры. В то же время неверным было бы утверждать, что ученые ограничивают свои методы исключительно контент-анализом – достаточно часто применяется и структурный сетевой анализ.
Примером работы данного направления может служить статья де Лаата145. С помощью контент-анализа и сетевого анализа были изучены онлайн дискуссии между полицейскими на специализированной виртуальной площадке и выявлены специфические паттерны поведения. В частности, оказалось, что сеть достаточно централизована и в ней сложно найти ярко выраженные кластеры. С помощью контент-анализа были определены ключевые задачи – это обмен опытом и совместная работа, что вполне естественно для профессионального сообщества. В работе Велсер146 был проведен анализ форума программистов и на основе показателей центральностей были выявлены основные социальные роли, характерные для участников сообщества. Авторы выделили достаточно очевидные роли «дискутирующих» и «отвечающих» и описали характерные параметры эгоцентричных социальных сетей данных типов. Для «отвечающих» связность и плотность сети оказались гораздо ниже, нежели у дискутирующих, что связано с их принципиально различным поведением на форуме.
Паолилло147 рассматривал IRC-чаты (программа для обмена сообщениями в режиме реального времени) и на основе речевых практик им были выявлены лингвистические стратегии посетителей чата, и, соответственно, присвоены участникам определенные социальные роли. При этом выяснилось, что лингвистические стратегии далеко не всегда можно соотнести со структурным расположением актора в сети. Исследователь подчеркивает, что для изучения проблемы требуется комплексный подход, включающий в себя, возможно, дополнительные методы.
Качественный социологический метод. Достаточно часто сообщества в интернете исследуют с помощью описательных методов, в частности, этнографии. Социальные сети интернет-пространства таким образом были изучены Чэпменом с соавт.148. На основании серии из 36 интервью с гражданами США, Франции, Китая и Южной Кореи, исследователями были выделены три основные группы различий в поведении представителей разных культур в соцсетях. Чэпмен отмечает, что пользователи по-разному оценивали свои цели и задачи, реализуемые на этих онлайн платформах, они также использовали принципиально различные механизмы саморепрезентации в соцсетях, и, кроме того, различался стиль общения со знакомыми на сайте. В работе Тсе149 также был использован этнографический анализ. На основе 18 интервью с пользователями этой платформы и подробным анализом содержания ресурса, автор делает выводы о том, что соцсеть представляет собой в первую очередь инструмент для саморепрезентации («управление впечатлениями» по Гофману) пользователей. Вместе с тем, площадка, безусловно, удобна для «социального поиска» и поддержания слабых связей.
Описательный подход, безусловно, интересен для оценки качественного влияния социальных сетей интернет-пространства на социальные процессы и мониторинга возникающих трендов. Возможно, это направление может быть рассмотрено в качестве разведывательного этапа, на котором происходит первичный анализ свойств и характеристик социальной системы, после которого следует использовать иные качественные и количественные методы.
К настоящему моменту разработано большое количество методов, позволяющих исследовать разнообразные феномены. Однако немного исследователей в рамках одного комплексного исследования используют несколько подходов. По нашему мнению, для всестороннего осмысления социологических феноменов необходимо наряду со структурными методами использовать также лингвистические и описательные. Именно сбалансированный подход позволит полноценно изучить протекающий в обществе процесс.
|
