Интернет и идеологические движения в России

● за одной акцией следует другая, люди присоединяются к протестному движению на регулярной основе, возникает постоянное коллективное протестное движение, которое в итоге добивается поставленных целей.

Суммировав разные концепции при помощи такой схемы, мы проверили эту схему на нашем материале, чтобы уточнить ключевые характеристики российского протеста в процессе решения нашей главной задачи – выяснения портрета российского гражданского общества и идеологических идентичностей россиян.

Интернет-образ российского протеста

Характеристика материала

В качестве источника материала для этой главы среди разных жанров Интернета был выбран Твиттер. Митинги, как говорили их участники, собрались главным образом через эту сеть и в меньшей степени через Facebook и «ВКонтакте». Твиттер же служил приоритетным и иногда единственным источником информации[380], способом связи в мобилизационных и координационных целях, а также средством пропаганды (рис. 29):

Рис. 29. Один из твитов 18 июля 2013 г.[381]

К тому же Твиттер объединил протестующих по всей России и за ее пределами, и с его помощью за происходящим следили в разных странах (в США, Украине, Финляндии, Эстонии и др., как мы видим из твитов) и разных российских городах (в Кирове, Краснодаре, Екатеринбурге и др.)[382], посылая советы участникам Манежки – центрального российского митинга, на который возлагали главные надежды.

Методы

Выборкой послужил корпус твитов, связанных с Народным сходом, полученный из коллекции, собранной 18 июля из данных API-адресов уникальных учетных записей по популярным ключевым словам и хэштегам трендов российского Твиттера и некоторым другим частотным хэштегам методом «снежного кома» (16 хэштегов и 2 ключевых слова). Всего было собрано 26 503 твита, среди них 47 % спама[383] и 31 % оригинальных твитов. Чтобы вычленить оригинальные твиты[384], учитывался комплекс метаданных, собираемых из профилей и лент авторов; показатели одновременной встречаемости одного и того же твита под разным авторством (сигнал, что автор является не ботом, а живым человеком); рейтинги авторов в этот день и т. д.[385] Эта комплексная обработка позволила получить на выходе корпус из 8343 твитов, которым могло быть с высокой степенью вероятности приписано оригинальное авторство[386].

Собранная коллекция твитов была исследована при помощи качественного и количественного контент– и дискурс-анализа[387], а затем и статистического анализа динамики ведущих дискурсов интернет-коммуникации относительно временной шкалы, охватывающей время митингов (time-series analysis). Большая синтаксическая и семантическая вариативность твитов исключила их автоматическую обработку[388], поэтому был выбран метод ручного кодирования 2063 твитов, случайным образом выбранных из 8343. Категории для кодирования задавались дедуктивно на основе предыдущих разработок, выполненных на материале протестных маршей 15 сентября и 15 декабря 2012 г. и 13 января 2013 г.[389], в которых было намечено тематическое деление создаваемых на тему протестных митингов твитов на «прооппозиционные», «антиоппозиционные» и «нейтральные». Эта схема позволяет отнести к одной из перечисленных категорий любой твит, связанный с митингами. Мы продолжили начатую в наших предыдущих исследованиях интернет-коммуникации методику: учитывали всю сложную совокупность производимых в ее рамках дискурсов, не оценивая тексты исключительно с точки зрения про- и антиоппозиционности, но подробно изучая нейтральные твиты. Именно из аморфной и трудно поддающейся классификации группы «иное» нам удалось выделить высказывания носителей идеологии «против всех», которая будет описана ниже.

Методологически в данной главе, как и в предыдущих, мы также проверяли репрезентативность, возможности и ограничения сбора и анализа интернет-данных, подбирая наиболее подходящие инструментарий и методы. Мы принимали во внимание общепринятые стандарты в области анализа и интерпретации твиттер-данных, а также критическую реакцию, которая ставит под сомнение увлечение только «большими» данными (big data), собираемыми при помощи API-адресов, и призывает не пренебрегать ценностью традиционных «малых». Мы нашли компромисс между двумя подходами – привлекли «большие» данные, но отказались от их автоматической обработки. Способ интерпретативного чтения каждого твита, учет как «малых», так и «больших» данных, а также работа одновременно с качественным и количественными методами позволили придать количественным исследованиям тщательность качественных. Эта методика, общая для всех глав книги, в которых анализируются интернет-данные (главы 1–5), развивается в данной главе на материале, ранее не затронутом в книге, – на твитах.