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 информации380, 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 % спама383 и 31 % оригинальных твитов. Чтобы вычленить оригинальные твиты384, 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 авторство386.

Собранная коллекция твитов была исследована при помощи качественного и количественного контент- и дискурс-анализа387, 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 обработку388, 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.