Социальные сети как новая среда для междисциплинарных исследований поведения человека

Abstract

Статья содержит описание нового междисциплинарного подхода к сбору индивидуальных психологических, поведенческих и языковых данных в социальных сетях. В описываемой
методологии личные данные пользователей социальных сетей (так называемые «цифровые
следы», “digital footprints”) собираются с помощью специальных программ и онлайн-приложений. Как правило, участники также заполняют психологические опросники, встроенные
в такие приложения. Психологические переменные могут сопоставляться с указанной доступной информацией о поведении пользователей в социальной сети. Все эти данные, получаемые на многотысячных выборках, могут не только анализироваться с помощью классических статистических методов, но и использоваться для построения предсказательных моделей
с помощью алгоритмов машинного обучения. Таким образом, психологические переменные
(например, личностные особенности, уровень субъективного благополучия и др.) и социально-демографические характеристики могут предсказываться только на основе открытых данных пользователей социальных сетей — текстов, подписок на сообщества и т.п., что является
совершенно новым способом получения информации о респондентах. В таких исследованиях, как правило, участвуют психологи, веб-программисты, а также специалисты по компьютерной лингвистике, анализу данных и машинному обучению. Обсуждаются преимущества
и ограничения этой методологии, описаны конкретные подходы к сбору и обработке данных.
Представлены некоторые результаты работы пионеров этого направления исследований —
участников британского (“Mypersonality.org”) и американского (“World Well-Being Project”)
проектов, наиболее масштабно использующих рассматриваемый подход.

SOCIAL NETWORKS AS A NEW ENVIRONMENT FOR INTERDISCIPLINARY STUDIES OF HUMAN BEHAVIOR
The paper describes a new approach to collecting individual psychological, behavioral and language
data from online social networks. Within this approach, personal data (“digital footprints”) are collected
by means of special programs and web-applications that are embedded in social networks interfaces
or otherwise connected with them. Usually, users provide additional information by answering
questions of online surveys embedded in such applications. Psychological variables can be then associated
with online behavioral data and other available information. The data of thousands of users
can be not only analyzed with traditional statistical methods, but can also be used to build predictive
models with machine learning algorithms. Thus, psychological characteristics (personality traits, wellbeing,
etc.) and demographical data can be predicted based on public user information — wall posts,
page likes, etc., which is a completely new approach to data collection. Such research projects usually
involve multidisciplinary teams of psychologists, web developers, computational linguists and data
scientists. Advantages and limitations of this methodology are discussed, as well as the methods of
data collection and processing and predictive models building. Key findings of the pioneers of this
research direction are presented. These are the findings of the British project “Mypersonality.org” and
the USA-based project “World Well-Being Project”. Both are employing the described methodology
quite massively

Full text

https://doi.org/10.21638/11701/spbu16.2017.301 193
2017 ВЕСТНИК САНКТ-ПЕТЕРБУРГСКОГО УНИВЕРСИТЕТА Т. 7. Вып. 3
ПСИХОЛОГИЯ И ПЕДАГОГИКА
ОБЩАЯ ПСИХОЛОГИЯ, ПСИХОЛОГИЯ ЛИЧНОСТИ,
ИСТОРИЯ ПСИХОЛОГИИ
УДК 159.9.07
Я. А. Ледовая, Р. В. Тихонов, О. Н. Боголюбова
СОЦИАЛЬНЫЕ СЕТИ КАК НОВАЯ СРЕДА
ДЛЯ МЕЖДИСЦИПЛИНАРНЫХ ИССЛЕДОВАНИЙ
ПОВЕДЕНИЯ ЧЕЛОВЕКА*
10.21638/11701/spbu16.2017.301
Статья содержит описание нового междисциплинарного подхода ксбору индивидуаль-
ных психологических, поведенческих иязыковых данных всоциальных сетях. Вописываемой
методологии личные данные пользователей социальных сетей (так называемые «цифровые
следы», “digital footprints”) собираются спомощью специальных программ ионлайн-прило-
жений. Как правило, участники также заполняют психологические опросники, встроенные
в такие приложения. Психологические переменные могут сопоставляться с указанной до-
ступной информацией оповедении пользователей всоциальной сети. Все эти данные, полу-
чаемые на многотысячных выборках, могут не только анализироваться спомощью классиче-
ских статистических методов, ноииспользоваться для построения предсказательных моделей
спомощью алгоритмов машинного обучения. Таким образом, психологические переменные
(например, личностные особенности, уровень субъективного благополучия идр.) исоциаль-
но-демографические характеристики могут предсказываться только на основе открытых дан-
ных пользователей социальных сетей— текстов, подписок на сообщества ит. п., что является
совершенно новым способом получения информации ореспондентах. Втаких исследовани-
Ледовая Янина Александровна— Санкт-Петербургский государственный университет, Россий-
ская Федерация, 199034, Санкт-Петербург, Университетская наб., 7–9; y.ledovaya@spbu.ru
Тихонов Роман Вадимович— аспирант, Санкт-Петербургский государственный университет,
Российская Федерация, 199034, Санкт-Петербург, Университетская наб., 7–9;
roman.tikhonov@me.com
Боголюбова Ольга Николаевна — кандидат психологических наук, Университет Кларксон,
США, 13699, штат Нью-Йорк, Потсдам, а/я 5825; obogolyu@clarkson.edu
Ledovaya Yanina A.— St. Petersburg State University, 7–9, Universitetskaya nab., St. Petersburg,
199034, Russian Federation; y.ledovaya@spbu.ru
Tikhonov Roman V. — Postgraduate, St. Petersburg State University, 7–9, Universitetskaya nab.,
St. Petersburg, 199034, Russian Federation; roman.tikhonov@me.com
Bogolyubova Olga N. — PhD, Clarkson University, P. O. Box 5825, Potsdam, NY, 13699 USA;
obogolyu@clarkson.edu
* Работа выполнена при поддержке гранта Санкт-Петербургского государственного универси-
тета, проект 8.38.351.2015 «Стресс, здоровье и психологическое благополучие в социальных сетях:
кросскультурное исследование».
© Санкт-Петербургский государственный университет, 2017

194 Вестник СПбГУ. Психология и педагогика. 2017. Т. 7. Вып. 3
ях, как правило, участвуют психологи, веб-программисты, атакже специалисты по компью-
терной лингвистике, анализу данных имашинному обучению. Обсуждаются преимущества
иограничения этой методологии, описаны конкретные подходы ксбору иобработке данных.
Представлены некоторые результаты работы пионеров этого направления исследований—
участников британского (“Mypersonality.org”) и американского (“World Well-Being Project”)
проектов, наиболее масштабно использующих рассматриваемый подход. Библиогр. 47назв.
Табл.2.
Ключевые слова: социальные сети, Фейсбук, интернет-исследования, сбор данных, цифро-
вые следы, личностные особенности, предсказательные модели, компьютерная лингвистика,
междисциплинарный подход.
Y. A. Ledovaya, R. V. Tikhonov, O. N. Bogolyubova
SOCIAL NETWORKS AS A NEW ENVIRONMENT FOR INTERDISCIPLINARY STUDIES
OF HUMAN BEHAVIOR
e paper describes a new approach to collecting individual psychological, behavioral and language
data from online social networks. Within this approach, personal data (“digital footprints”) are col-
lected by means of special programs and web-applications that are embedded in social networks inter-
faces or otherwise connected with them. Usually, users provide additional information by answering
questions of online surveys embedded in such applications. Psychological variables can be then as-
sociated with online behavioral data and other available information. e data of thousands of users
can be not only analyzed with traditional statistical methods, but can also be used to build predictive
models with machine learning algorithms. us, psychological characteristics (personality traits, well-
being, etc.) and demographical data can be predicted based on public user information — wall posts,
page likes, etc., which is a completely new approach to data collection. Such research projects usually
involve multidisciplinary teams of psychologists, web developers, computational linguists and data
scientists. Advantages and limitations of this methodology are discussed, as well as the methods of
data collection and processing and predictive models building. Key ndings of the pioneers of this
research direction are presented. ese are the ndings of the British project “Mypersonality.org” and
the USA-based project “World Well-Being Project”. Both are employing the described methodology
quite massively. Refs47. Tables2.
Keywords: social networks, Facebook, data collection, digital footprints, psychological traits,
predictive models, computer linguistics, interdisciplinary approach.
Преимущества иперспективы нового подхода
ксбору индивидуальных данных оповедении личности
через социальные сети
В 1990-х годах началось повсеместное распространение возможности выхода
вИнтернет, что повлекло за собой почти неограниченный доступ пользователей
кинформации икоммуникации друг сдругом. Начиная с2004г., когда появилась
социальная сеть «Фейсбук», социальный исоциально-психологический опыт боль-
шой части наших современников существенно расширился. Доступ ксети Интер-
нет имеет 51 % жителей Земли [1], от примерно 30 % вАфрике до 88 % вСеверной
Америке, аэто всумме более 3,8млрд человек. ВРоссии уровень проникновения
Интернета оценен в73 % [2]. Не менее двух миллиардов человек ежемесячно поль-
зуются возможностями «Фейсбук» [3], и это число удвоилось за последние пять
лет [4]. Помимо «Фейсбук», есть и другие социальные сети, которые получили
широкое распространение (табл.1), однако ни одна изних не достигла масштабов
«Фейсбук» по охвату пользователей. Мы сосредоточим свое внимание на дольше
всего существующей идоминирующей по охвату ипроникновению международ-
ной сети «Фейсбук». Большая часть интересующих нас исследований делалась на

Вестник СПбГУ. Психология и педагогика. 2017. Т. 7. Вып. 3 195
основе данных изнее. Кроме того, среди международных социальных сетей именно
«Фейсбук» позволяет получить доступ кмаксимально подробной иперсонализи-
рованной информации опользователе через его аккаунт, иименно эти данные наи-
более интересны иважны для психологов-исследователей.
Итак, изменился социальный ландшафт, ивозникли новые социальные практи-
ки (вчастности, это расширение круга знакомых ивозможность оперативной ком-
муникации ведином интерфейсе, коллективные обсуждения ипростота публичной
коммуникации от первого лица сбольшой аудиторией, распространение информа-
ции через друзей и различные виртуальные сообщества, возможность наблюдать
за событиями из жизни друзей и знакомых, которыми они делятся, аналогичная
возможность делиться значимыми собственными переживаниями в виде текстов,
фотографий ивидео— список можно продолжать). Ежедневно всоциальных сетях
люди проводят все больше времени: не менее двух часов всреднем вмире [11] ипоч-
ти два споловиной часа— вРоссии (данные 2015г. [12]). Представители молодого
поколения всреднем уделяют внимание общению всоциальных сетях имессендже-
рах еще больше времени, до 160минут вдень [2]. Два часа иболее— это большая
часть свободного времени, это существенная часть дня. Люди, особенно представи-
тели молодого исреднего поколения, действительно вовлечены вэту деятельность
очень активно. При этом, по нашим данным, ипредставители старших поколений
активно проводят время всоциальных сетях: ввыборке из8396участников от 18до
80лет изРоссии средний возраст составил 45лет [13; 14].
Таблица 1. Количество активных пользователей социальных сетей
вразных странах
Страна Социальная сеть
Количество активных
пользователей
(млнчеловек вмесяц)
Россия «ВКонтакте» [5] 95
«Одноклассники» [6] 73
Китай «Qzone» [7] 632
«Weibo» [8] 313
Международные
«Фейсбук» [4] 2006
«Инстаграм» [9] 700
«Твиттер» [10] 328
С начала 2000-х годов представителям социальных наук стало невозможно
игнорировать эти перемены вобразе жизни современных людей. Некоторые иссле-
дователи изучают новые (или заново обнаруживают привычные) формы комму-
никации всоциальных сетях [15–17], кто-то исследует положительные иотрица-
тельные последствия новых возможностей общения иполучения информации, при
этом нередко утверждается, что социальные сети приводят кнегативным послед-
ствиям для психического здоровья, вводится даже алармистское понятие «Фейсбук-
аддикции» [18–21].
Но есть категория ученых, которые, сменив парадигму отношения к со-
циальным сетям и рассматривая их не как предмет исследования, а как инстру-
мент, начали использовать социальные сети как платформу для сбора нового типа

196 Вестник СПбГУ. Психология и педагогика. 2017. Т. 7. Вып. 3
данных — следов, которые оставляют пользователи в естественных для себя ус-
ловиях. Это условия, которые стали для многих привычными иудобными, азна-
чит, поведение вних стало менее контролируемым. Появилось название для таких
данных— “digital footprints”— «цифровые отпечатки». Возникли разнообразные
автоматизированные формы для их масштабного сбора — это могут быть про-
граммы-краулеры [22] (их название произошло от английского слова “crawling”—
ползание, они последовательно собирают открытые данные излюбых источников
вИнтернете, втом числе изсоциальных сетей) или специальные программы-при-
ложения, подключающиеся через программный интерфейс социальной сети (так
называемый API— Application Programming Interface) иработающие внутри ее ин-
терфейса, например как автоматические опросники развлекательного характера,
возвращающие пользователям обратную связь по результатам тестирования [23].
Исследовательским подразделениям компаний-владельцев социальных сетей до-
ступны вообще все данные, которые оставляют пользователи, включая «закрытые»
от посторонних записи (статусы, посты) и фотоальбомы, и даже тексты личных
сообщений. Поэтому они могут заниматься еще более сложными, хотя иэтически
неоднозначными видами анализа таких данных.
Результаты, собранные таким новым способом, лишены ряда методологических
недостатков, достаточно известных впсихологии исоциальных науках, ипри этом
сохраняют положительные стороны привычных офлайн-исследований [24–26].
Во-первых, на протяжении ХХв. страдала внешняя валидность большей ча-
сти исследований. Их результаты нельзя было легко распространять на всех пред-
ставителей генеральной совокупности из-за того, что типичными испытуемыми
во многих психологических исследованиях были так называемые “WEIRD people”
(от “weird”— «странный, неадекватный»): выборки нередко формировались исей-
час формируются по принципу доступности, адоступными для исследовательских
проектов университетских ученых из развитых стран западного мира были сту-
денты— представители White, Educated, Industrialized, Rich, Democratic сообществ
[27]. Таким образом, представители примерно 12 % мировой популяции были
испытуемыми в 80 % публикуемых научных исследований, результаты которых
обычно распространяли на условного «среднестатистического испытуемого», т. е.
абсолютно любого человека на планете. Используя же данные изсоциальных сетей,
исследователи автоматически получают доступ к гораздо более широкому кругу
испытуемых, иих ограничивает теперь восновном лишь степень распространен-
ности Интернета и наличие финансирования для проведения рекламной кампа-
нии, привлекающей потенциальных участников [28].
Во-вторых, имея возможность собирать при помощи специальных программ
изатем анализировать «цифровые отпечатки» иреальные продукты деятельности
пользователей социальных сетей (тексты постов, фотографии, метки местоположе-
ния— геотеги, метки тематических ассоциаций— хештеги, списки сообществ, на
новости которых подписаны пользователи, списки «друзей» ит. д.), исследователи
получают доступ кменее подверженным эффекту социальной желательности ибо-
лее экологически валидным данным. Стоит отметить, что получение списка друзей
возможно не во всех социальных сетях. Сегодня это достаточно несложно делать
для социальных сетей «Твиттер» и«ВКонтакте». Всетях «Фейсбук» и«Инстаграм»
список друзей получить затруднительно.

Вестник СПбГУ. Психология и педагогика. 2017. Т. 7. Вып. 3 197
В-третьих, многократно возросли размеры выборок исследований, атакже со-
кратилась по времени иудешевилась процедура сбора данных. Так, всобираемых
вСША через сеть «Фейсбук» данных (когда пользователь заполняет, как прави-
ло, внутри интерфейса социальной сети ряд психологических опросников, а сего
согласия исследователи загружают при этом публично доступную информацию,
например упоминавшиеся уже тексты статусов, возраст и пол, местонахождение
иинформацию оподписках на публичные страницы— “page likes”) стоимость спе-
циально настраиваемой рекламы таких опросов (рекламу можно таргетировать
на демографически игеографически разные группы вособом разделе сети «Фейс-
бук» для рекламодателей) колеблется впересчете на одного респондента от 1,51до
33долларов, всреднем— 13,75доллара [24; 29; 30]. По нашему опыту, сбор данных
среди российских пользователей гораздо менее затратен.
В-четвертых, для того чтобы получить данные пользователей изпрактически
любой страны, нет необходимости организовывать поездку иискать возможность
контактов спредставителями другого языка идругой культуры. Достаточно иметь
доступ кверсиям опросников на нужном языке исотрудничать слингвистом, зна-
ющим этот язык,— для последующей обработки языковых данных. Также более
реалистичными становятся задачи получения данных от маломобильных групп
людей (находящихся чаще дома или вучреждениях).
Наконец, в-пятых, на данных такого масштаба можно строить и проверять
предсказательные модели оличностных особенностях иповедении людей, напри-
мер по текстам публичных постов пользователя или по тематике сообществ, на ко-
торые он (она) подписан(а) (это так называемые «дешевые», как правило, доступ-
ные для сбора при помощи программы-краулера данные), можно предсказывать
его (ее) личностные особенности, если до этого было собрано достаточно «дорогих»
данных большого количества других пользователей (т. е. таких данных, вкоторых
есть ответы этих пользователей на вопросы психологических опросников, которые
можно было сопоставлять для построения моделей стакже собранными краулером
или при помощи приложения данными оповедении всоциальной сети— отекстах,
подписках на публичные страницы ит. п.) [31–33]. Мы также рекомендуем посмот-
реть видеозапись выступления Михала Косински вРоссии, вцентральном офисе
компании «Сбербанк». Внем он рассказывает освоих исследованиях ипринципе
создания иработы предсказательных моделей, которые строятся на основе боль-
ших данных1.
Отметим, что вцелом качество данных, полученных сиспользованием соци-
альных сетей идругих интернет-технологий, сопоставимо софлайн-методами сбо-
ра данных, что неоднократно отмечалось разными авторами [34–36].
Описываемый подход ксбору данных имеет исвои ограничения.
Во-первых, невозможность контролировать факторы окружающей среды,
вкоторой происходит заполнение опроса, атакже степень вовлеченности и вни-
мательности респондента. Вполне возможно, что вмомент заполнения опроса кто-
то шумит или подсказывает «правильные» варианты ответов, создавая не самую
комфортную атмосферу для заполнения психометрических тестов иопросников.
1 См.: http://www.sberbanktv.ru/?video=2050 (дата обращения: 01.08.2017).

198 Вестник СПбГУ. Психология и педагогика. 2017. Т. 7. Вып. 3
Во-вторых, достаточно распространено намеренное искажение пользователя-
ми информации освоем возрасте иполовой принадлежности: респонденты могут
заходить всоциальные сети через фальшивый профиль, выдавая себя за другого
человека.
В-третьих, проблематичность заполнения слишком длинных опросников при
сокращении времени типичной онлайн-сессии [24].
И, в-четвертых, использование данных из социальных сетей поднимает но-
вые вопросы исследовательской этики вонлайн-среде. Какую информацию мож-
но собирать и анализировать без ведома пользователей? Можно ли считать, что
участники дали информированное согласие на сбор и обработку их персональ-
ных данных, если они не глядя нажали на кнопку «Я согласен», чтобы побыстрее
перейти копросу (см. подробнее: [37])? Как повысить осведомленность пользова-
телей отом, какие данные будут доступны исследователям? К сожалению, проце-
дуры рассмотрения интернет-исследований этическими комитетами все еще не до
конца отрегулированы. Например, вкодексе APA, обновленном сянваря 2017 года,
нет упоминаний сбора данных всоциальных сетях. Аодин изсамых цитируемых
исследователей, во многом пионер этого направления Михал Косински говорит
всвоих выступлениях отом, что необходимо состорожностью относиться к от-
крывшимся возможностям работы сбольшими данными на основе «цифровых сле-
дов», потому что предсказания особенностей личности идаже поступков человека,
которые становятся все более точными, могут лишить нас приватности и вкакой-то
мере даже личной безопасности2.
Многие изэтих ограничений преодолимы за счет качественной предобработки
первичных данных: включение вопросник вопросов, оценивающих социальную
желательность респондента, использование «вопросов-ловушек», направленных
на отсеивание невнимательных участников, контроль времени, выделяемого на
вопрос, иисключение слишком быстрых ответов, отслеживание длинных цепочек
одинаковых ипротиворечивых ответов на сходные по смыслу вопросы.
Необходимо отметить, что урассматриваемого подхода есть не только науч-
ные перспективы, связанные суточнением теоретических моделей личностных
черт при помощи новых поведенческих данных или ссозданием новых теорий,
описывающих личность через ее язык. Сопорой на поведение людей всоциаль-
ных сетях и, вчастности, на открытые тексты пользователей возможны вариан-
ты практического применения подхода: например, пользователям, вчьих текстах
при сканировании программами-краулерами будут обнаруживаться лексемы,
темы (кластеры семантически близких слов), эмоциональные валентности, кото-
рые до этого были связаны висследованиях спотенциальным снижением уровня
психологического благополучия иугрозой депрессии, суицидальными наклонно-
стями ит. п., можно автоматически (при договоренности садминистрацией соци-
альной сети) предъявлять вленте новостей рекламу служб психологической по-
мощи или объявления, поддерживающие их иразъясняющие природу их плохого
самочувствия. Стакой практикой столкнулись авторы статьи иих коллеги, когда
анализировали случайные изображения изсети «Инстаграм», снабженные под-
писями-хештегами (так называются метки тематических ассоциаций, которые
2 См.: http://www.sberbanktv.ru/?video=2050 (дата обращения: 01.08.2017).

Вестник СПбГУ. Психология и педагогика. 2017. Т. 7. Вып. 3 199
произвольно ставят сами пользователи). Анализировались икодировались изо-
бражения, сопровождавшиеся хештегами, описывающими негативные эмоции
ипереживания,— #depression, #anxiety, #fear, #stress, #worry (депрессия, тревога,
страх, стресс, беспокойство) — на английском ирусском языках соответствен-
но. До половины изображений, сопровождавшихся меткой “#depression” вместо
собственно изображений, фотографий, содержали «мотиваторы»— картинки со
словами поддержки, объяснением причин и симптомов депрессии и номерами
телефонов или адресами сайтов организаций, оказывающих психологическую
помощь (зачастую бесплатную). При этом изображения, сопровождавшиеся ана-
логичным хештегом на русском языке, не содержали подобных текстов, которые
могли бы выполнять функции психологической помощи. Анализируя этот факт,
мы предположили, что культура оказания психологической помощи тем, кто мо-
жет сообщать через свои публикации всоциальной сети об ухудшении психиче-
ского здоровья или искать именно всоциальной сети поддержку, еще недоста-
точно хорошо развита врусскоязычном мире по сравнению санглоязычным [38].
Возможность доступа кзаписям пользователей за все время, начиная смомен-
та регистрации в социальной сети, позволяет исследователям из области обще-
ственного здоровья ретроспективно проводить лонгитюдный анализ ивосстанав-
ливать особенности образа жизни пользователей, делать уточнения для постанов-
ки диагнозов [26]. Говоря оприкладном применении данных изсоциальных сетей,
можно также упомянуть исследование, вкотором до 70 % пациентов, ожидающих
медицинской помощи вприемном покое больницы, имеющих аккаунт всоциаль-
ной сети исогласившихся участвовать вустном опросе, дают разрешение пользо-
ваться автоматически подключаемыми ких медицинским картам данными из их
социально-сетевых аккаунтов — для уточнения диагноза и проведения научных
исследований [39].
“MyPersonality.org” (Кембриджский университет),
“World Well-Being Project” (Университет Пенсильвании)
иисследования на основе данных пользователей социальных сетей
«Фейсбук» и«Твиттер»
Перейдем к тому, как именно исследователи собирают одновременно пси-
хологические и языковые данные, а также данные о поведении в социальной
сети, напрямую обращаясь кпользователям социальных сетей, как анализиру-
ют их и какие результаты получают. Насколько нам известно, сегодня в мире
существует лишь один крупный научный проект, в котором психологи, линг-
висты, программисты и специалисты по обработке данных используют воз-
можности сбора информации в социальных сетях для оценки психологическо-
го благополучия ифизического здоровья сопорой на анализ языка социальных
медиа. Это проект Центра позитивной психологии Университета Пенсильва-
нии “World Well-Being Project” [40], стартовавший в 2011г. [25]. Внем исполь-
зуются данные изуникальной базы пользователей социальной сети «Фейсбук»,
собранные благодаря идее иусилиям научных сотрудников втот момент Кем-
бриджского университета Дэвида Стилвелла иМихала Косински (сейчас Михал
Косински работает в Стэнфордском университете). Они создали программу,

200 Вестник СПбГУ. Психология и педагогика. 2017. Т. 7. Вып. 3
которая работала на их сайте с2007 по 2012г. ипозволяла различным (англо-
язычным) людям участвовать в заполнении любого количества из примерно
двух десятков распространенных психологических опросников, возвращавших
им обратную связь с результатами. Кроме того, ссогласия этих пользователей
программа загружала демографическую информацию изих профиля ипублич-
но доступные тексты их статусов из сети «Фейсбук», а также «лайки» страниц.
У проекта есть сайт (URL: http://mypersonality.org/wiki/doku.php), на котором
некоторые данные доступны для анализа зарегистрированным сторонним ис-
следователям. Более 7,5 млн уникальных пользователей «Фейсбук» участво-
вали в тестировании на сайте и оставили данные своих профилей. Стилвелл
и Косински часто являются соавторами работ упомянутой лаборатории Уни-
верситета Пенсильвании, которой руководит Мартин Селигман. Всего вкоман-
де проекта “World Well-Being Project” около 20постоянных участников иоколо
15коллабораторов со всего мира. Работают они во многом благодаря спонсор-
ской помощи фонда “Templeton Religion Trust” (на значимость проекта указывает
то, что с2013г. этот фонд поддержал проекты Мартина Селигмана на сумму, пре-
вышающую 9млн долларов [41]). Они работают сданными, собираемыми также
и всоциальной сети «Твиттер». Эти данные, вотличие от данных, собираемых
спомощью приложений для сети «Фейсбук», гораздо более доступны: руковод-
ство сети «Твиттер» открыто кколлаборациям идает возможность скачивать их
через API идаже продает массивы данных для исследований [42]. Но социаль-
но-демографической информации впрофилях этой сети гораздо меньше, тексты
существенно короче, вней много ботов (искусственных аккаунтов, которые не
ведут люди), и работа сданными «Твиттер» скорее будет представлять интерес
для лингвистов и специалистов, отслеживающих каналы распространения ин-
формации исвязи между участниками сети,— социологов, политологов (иссле-
довать социальные связи пользователей, например, получив список их «друзей»,
внастоящее время затруднительно через API «Фейсбук»). Надо отметить, что на
сайте пенсильванского проекта (URL: http://wwbp.org/) ина личном сайте Ми-
хала Косински (URL: http://www.michalkosinski.com/home) выложены воткрытом
доступе десятки публикаций, сделанных на основе работы авторов с данными
изсоциальных сетей.
Основные результаты проекта “World Well-Being Project” связаны стем, какие
языковые проявления (слова, эмоциональная валентность) свойственны людям
сразличными психологическими чертами или демографическими характеристи-
ками. Находя сперва корреляции между психологическими, демографически-
ми иязыковыми данными, атакже особенностями поведения всоциальной сети
(фотографиями профиля, степенью активности ит. д.), исследователи затем строят
предсказательные модели. Приведем несколько примеров. Водной изпубликаций
описывается, как по смысловым характеристикам публикуемых всети «Твиттер»
постов ифотографий профиля пользователя предсказать нарциссизм ипсихопа-
тию: по полученным данным, люди сболее высоким нарциссизмом публикуют по-
зитивную информацию, ана фотографии профиля будут, скорее всего, они сами,
причем улыбаясь, вто время как люди сболее высоким уровнем психопатии ис-
пользуют втекстах широкий спектр негативных эмоций, связанных ссообщения-
ми оразных видах насилия [43].

Вестник СПбГУ. Психология и педагогика. 2017. Т. 7. Вып. 3 201
На основании анализа текстов статусов (так в сети «Фейсбук» называют со-
общения, публикуемые пользователями на своих «стенах» для друзей или всеобще-
го доступа) исследователи изэтого коллектива смогли, вчастности, описать отли-
чия «женского» языка от «мужского» по нескольким параметрам: женщины (если
судить по полу, приписанному самими пользователями ваккаунтах) чаще пишут
осемье, друзьях иразличных событиях социальной жизни (анализировались тема-
тические кластеры семантически связанных слов (“topics”), используемых встату-
сах), амужчины втекстах ругаются, выражают гнев, участвуют вдискуссиях опо-
литике, спорте, музыке ивидеоиграх иреже рассуждают олюдях [44].
В статье, описывающей возможности предсказывать уровень благополучия
(удовлетворенности жизнью) сопорой на язык социальных сетей, анализирова-
лись данные более 2000человек, добровольно участвовавших вих сборе через
сайт Д. Стилвелла и М. Косински, заполнивших опросник удовлетворенности
жизнью Э. Динера [45] и давших доступ к параметрам своего аккаунта (в том
числе ктекстам статусов всети «Фейсбук» [46]. Исследователи, традиционно для
такого рода работ, разделили выборку, 80 % данных которой участвовали всоз-
дании и обучении нескольких компьютерно-лингвистических моделей, пред-
сказывавших уровень удовлетворенности жизнью с опорой на тексты, а 20 %
были тестовыми, на которых эти модели проверялись («метод кросс-валидации
спятью разбиениями»). Авторам удалось достичь эффективности предсказания
уровня удовлетворенности жизнью на отметке 0,566(вмодель вошли н-граммы,
тематические кластеры слов (“topics”) иотдельные лексемы). Более всего корре-
лировали с результатами опросника SWLS тематические кластеры. Среди наи-
более коррелирующих были четыре положительно сним связанных («Эмоцио-
нальная вовлеченность»— «потрясающе», «супер», «завтра»; «Социально-граж-
данская вовлеченность» — «встреча», «конференция», «персонал», «посещать»;
«Профессиональные ценности» — «управление», «навыки», «учеба», «бизнес»;
«Теплые отношения»— «семья», «друзья», «благодарен», «с любовью») идва от-
рицательно связанных («Отчуждение» как антипод «Вовлеченности»— «скучно»,
«скука», «текст» икластер, состоящий изобсценных слов ивыражений— яркий
пример предиктора низкого уровня удовлетворенности жизнью— предиктор со
знаком минус)3. Исследователи сопоставляют обобщенные иосмысленные значе-
ния этих кластеров симеющимися впсихологической литературе коррелятами
удовлетворенности жизнью, традиционно определяемыми через психологиче-
ские опросники или наблюдаемое поведение людей, иприходят квыводу отом,
что сочетание лингвистических ипсихологических данных может стать не только
материалом для сугубо прикладной задачи предсказывать одно через другое (тра-
диционной для компьютерной лингвистики), ноидля более глубокого теорети-
ческого осмысления самого понятия «удовлетворенность жизнью», его причин,
форм проявления ипоследствий.
Самая цитируемая работа Михала Косински и его соавторов (Дэвида Стил-
велла из Кембриджского университета и сотрудника компании «Майкрософт»
Тора Грейпела), упомянутая сапреля 2013г. уже в226статьях, называется “Private
traits and attributes are predictable from digital records of human behavior” («Инди-
3 Примеры слов и названия кластеров даны здесь в переводе авторов статьи.

202 Вестник СПбГУ. Психология и педагогика. 2017. Т. 7. Вып. 3
видуальные черты и характеристики можно предсказывать на основе цифровых
данных оповедении человека») [47]. Вней был представлен по-своему революци-
онный подход кработе сданными оповедении людей всети Интернет, вчастности
всоциальной сети «Фейсбук». Желающие пройти психологическое тестирование
собратной связью на сайте проекта “Mypersonality.org” в40 % случаев давали раз-
решение исследователям получить ряд характеристик их аккаунта в сети «Фейс-
бук» (пол ивозраст, семейное положение исексуальная ориентация (в профиле
сети «Фейсбук» можно обозначить, что пользователь «заинтересован встречаться
с… (мужчинами или женщинами)»), политические ирелигиозные взгляды, спи-
сок публичных страниц (сообществ), на которые был подписан пользователь (это
ибыли пресловутые “Facebook likes”, исходя изкоторых можно сдостаточно вы-
сокой вероятностью предсказывать скрытые психологические идемографические
характеристики пользователей), атакже на тот момент было возможно получить
список друзей). Кроме того, несколько вопросов задавалось им дополнительно
(о курении, употреблении алкоголя инаркотиков иотом, развелись ли их родите-
ли до достижения ими 21года).
Из 25 доступных психологических опросников для рассматриваемой статьи
были взяты результаты трех — одной изверсий «Большой пятерки личностных
свойств», теста Дж. Равена и опросника удовлетворенности жизнью Э. Динера
SWLS. Данные разного количества респондентов, от 766(вопрос оразводе родите-
лей) до 54373(оценки по тесту «Большой пятерки»), попали ввыборку. 17601рес-
пондент дал доступ кпрофилю всети «Фейсбук». По нескольким тысячам случай-
но выбранных фотографий изпрофилей, просмотренных «вручную», делался вы-
вод об этнической принадлежности респондента (европейской или африканской).
Среднее количество «лайков» ввыборке равнялось 170(еще раз подчеркнем, что
этот параметр отражает устойчивые интересы пользователей, от этих публичных
страниц (сообществ) они регулярно получают новости, иэто не разовое выраже-
ние симпатии кновой фотографии друга или обновлению его статуса).
Далее все множество пользователей и все возможные публичные страни-
цы («лайки») были помещены вматрицу, размерность которой была многократ-
но уменьшена при помощи процедуры сингулярного разложения (“singular-value
decomposition, SVD”): можно сказать, что почти 56000 разных публичных стра-
ниц, на которые были подписаны 17600респондентов, были сведены к100«компо-
нентам»— страницам («лайкнутым» страницам), наиболее часто встречающимся
ввыборке инаиболее точно витоге предсказывающим важные психологические
идемографические параметры. Затем для предсказания количественных перемен-
ных (таких, как интеллект или удовлетворенность жизнью) использовалась линей-
ная регрессионная модель, адля бинарных (пол, сексуальная ориентация)— логи-
стическая регрес сия. Модели были обучены достаточно типичным вмашинном обу-
чении методом кросс-валидации сдесятью разбиениями (10-fold cross-validation).
Он позволяет оценить поведение аналитической модели на независимых данных.
Предсказанные величины параметров затем сопоставлялись среальными.
Точность предсказания бинарных переменных сопорой на «лайки» страниц
была порою очень высокой. Так, вероятность точного определения расы— 0,95,
пола — 0,93, политических предпочтений (демократических или республикан-
ских) — 0,85, вероисповедания (христианство или ислам) — 0,82. Гомосексуаль-

Вестник СПбГУ. Психология и педагогика. 2017. Т. 7. Вып. 3 203
ность мужчин— 0,88, женщин— 0,75. От 0,65до 0,7— вероятность точного опре-
деления семейного статуса, пристрастий ккурению, алкоголю, наркотикам. Развод
родителей до достижения совершеннолетия определялся хуже всего — свероятно-
стью 0,6, ноздесь было меньше всего респондентов иих данных.
Точность предсказания количественных параметров (выраженная как ко-
эффициент корреляции между предсказанным и реальным параметрами) была
вцелом ниже, чем бинарных. Возраст был предсказан точнее всего— свероятно-
стью 0,75. Приблизительно между 0,4 и0,5получились вероятности предсказания
интеллекта, экстраверсии, открытости новому опыту, количества друзей. Скоэф-
фициентами от 0,2до 0,3коррелировали реальные ипредсказанные эмоциональ-
ная стабильность, доброжелательность исознательность. Апредсказать уровень
удовлетворенности жизнью по шкале Э. Динера при помощи моделей, построен-
ных на данных оподписках на страницы сообществ, можно сказать, не удалось:
точность предсказания удовлетворенности жизнью составила 0,17. Исследова-
тели рассуждают, что причиной может быть тот факт, что «лайки» страниц от-
ражают слишком устойчивые интересы, а в шкалу удовлетворенности жизнью
заложены втом числе вопросы одостаточно нестабильных сменах настроения.
Ниже представлен список публичных страниц, подписки на которые теснее всего
связаны стем или иным полюсом бинарных шкал, атакже свысокими инизки-
ми значениями по количественным шкалам. Поскольку все участники исследо-
вания— жители США, этот список культурно специфичен. Приведем несколько
примеров (табл.2).
Таблица 2. Примеры некоторых публичных страниц, наиболее точно предсказывающих
психологические, демографические иповеденческие характеристики пользователей сети
«Фейсбук» (данные статьи М. Косински исоавторов) [47]
Параметр Уровень
Некоторые наиболее точно
предсказывающие параметр
«лайки» страниц
Точность
Интеллект
высокий
Mozart
Science (журнал)
Curly Fries 0,39
низкий
Sephora
I Love Being A Mom
Harley Davidson
Удовлетворенность
жизнью
высокая
Proud To Be Christian
Swimming
Being Conservative 0,17
низкая
Gorillaz
Science
Ipod
Открытость опыту
высокая
Oscar Wilde
Charles Bukowski
Leonard Cohen 0,43
низкая
I Don’t Read
e Bachelor
Oklahoma State University

204 Вестник СПбГУ. Психология и педагогика. 2017. Т. 7. Вып. 3
Окончание табл. 2
Параметр Уровень
Некоторые наиболее точно
предсказывающие параметр
«лайки» страниц
Точность
Эмоциональная
стабильность
высокая
Getting Money
Mountain Biking
Physics /Engineering 0,3
низкая
Sometimes I Hate Myself
Emo
Kurt Donald Cobain
Пол
женский
TV Fantastic
Gillette Venus
Proud To be A Mom 0,93
мужской
Sportscenter
Starcra
Bruce Lee
Возраст
пожилой
Cup Of Joe For A Joe
Proud To Be A Mom
Fly e American Flag
0,75
молодой
Walt Disney Records
I Hate My ID Photo
293ings To Do In Class When You
Are Bored
Этническое
происхождение
африканское
I Support My President
Next Friday
Love And Basketball
0.95
европейское
I Come From A Town Where A Trac
Jam Is 4Cars Behind A Tractor
Harley Davidson
David Bowie Ocial
Отношение калкоголю
употребляют
Dear Liver ank You’re A Champ
Trying To Figure Out If Its A Cop Car
Belvedere Vodka
0,7
не употребляют
Honda
How To Make A Girl Smile <3<3
When Your Fortune Cookie Knows
Wh at’s Up
Коротко прокомментируем результаты двух последних исследований. Мы ви-
дим, что такие показатели, как кластеры слов и«лайки» публичных страниц, по-
лученные силами специалистов по компьютерной лингвистике ианализу данных,
могут дать психологам немало новых идей отом, как вреальной жизни, всобствен-
ной речи или через призму стабильного интереса к социально-сетевым сообще-
ствам люди переживают, осмысляют и «озвучивают» собственные психологиче-
ские черты. Такими примерами можно по-новому наполнить содержание понятий,
привычных для психологов инередко описываемых вдостаточно абстрактных ка-
тегориях.

Вестник СПбГУ. Психология и педагогика. 2017. Т. 7. Вып. 3 205
Также можно отметить, что для предсказания уровня удовлетворенности жиз-
нью, по данным этих двух исследований, более эффективными предикторами яв-
ляются тексты пользователей, ане их подписки на публичные страницы. Можно
предположить, что удовлетворенность жизнью— достаточно интимно пережива-
емая сущность, тесно связанная с«я», поэтому прямая речь субъекта может быть
более точным предиктором, чем выражающие скорее социально обусловленные
интересы личности подписки на публичные страницы всоциальной сети.
Заключение
Распространение социальных сетей в мире нарастает, а это значит, что все
большее количество людей будет доступно для участия висследованиях через со-
циальные сети. Мы обозначили изменения всоциально-коммуникативных прак-
тиках иобразе жизни большой части современных людей, появившиеся всвязи
сраспространением социальных сетей. Также мы затронули вопросы перспектив
иограничений существующих методологических иметодических подходов кис-
следованиям «цифровых следов», которые оставляют пользователи социальных
сетей. Практически все исследования такого рода связаны сиспользованием воз-
можностей сетей «Фейсбук» и«Твиттер». При этом вРоссии, судя по результатам
поиска внаучной базе РИНЦ, практически не проводятся такого рода психологи-
ческие исследования сиспользованием API социальных сетей и возможностями
больших выборок.
Технологии машинного обучения, стремительно развивающиеся последние
2–4года, дают новые иочень масштабные возможности. Например, они позволяют
предсказывать (сопределенной вероятностью) на основе получаемых массивов по-
веденческих данных наличие определенных черт личности исходя изтекстов поль-
зователей иих подписок на публичные страницы. Это новый для психологии под-
ход, ион дает возможности как для прикладного применения таких моделей, так
идля фундаментальных теоретических инсайтов относительно наличия устойчи-
вых связей между скрытыми психологическими чертами ивнешне наблюдаемыми
продуктами деятельности впубличном социально-сетевом пространстве.
Использование различных аспектов языковых (лингвистических) коррелятов
психологических особенностей людей (от частоты написания постов ибогатства
словаря до специфических лексем, эмоциональной валентности и тематических
кластеров слов) открывает интересные перспективы для прикладных ифундамен-
тальных междисциплинарных работ, вкоторых психологи могут ставить задачи,
а компьютерные лингвисты и специалисты по работе с данными и машинному
обучению— заниматься разработкой алгоритмов иметрик для их решения.
Мы хотим еще раз подчеркнуть важность междисциплинарного сотрудниче-
ства врамках такого рода исследований: внаучных проектах, собирающих иана-
лизирующих индивидуальные данные пользователей социальных сетей, необходи-
мы web-программисты для работы над приложением, лингвисты для многоступен-
чатой иразнонаправленной обработки текстовых данных, data-аналитики и спе-
циалисты по машинному обучению. Безусловно, важна роль психологов. Именно
они ставят задачи и ориентируются на свои знания о поведении человека. Но
междисциплинарное сотрудничество означает, что психологам необходимо разви-

206 Вестник СПбГУ. Психология и педагогика. 2017. Т. 7. Вып. 3
вать (хотя бы на начальном уровне) компетенции вобласти лингвистики и ком-
пьютерной лингвистики, подходов кработе сбольшими массивами данных, основ
илогики машинного обучения. Тогда работа таких команд обещает чрезвычайно
продуктивное сотрудничество.
Литература
1. Miniwatts Marketing Group. World Internet usage and population statistics: June, 302017//Internet
World Stats. 2017. URL: http://www.internetworldstats.com/stats.htm (дата обращения: 01.08.2017).
2. Mander J., McGrath F. GWI Social Summary Q12017 // GlobalWebIndex. 2017. URL: https://www.
globalwebindex.net (дата обращения: 10.08.2017).
3. Facebook Inc. Company Info //Facebook Newsroom. URL: https://newsroom..com/company-
info/ (дата обращения: 10.08.2017).
4. Statista Inc. Facebook users worldwide 2008–2017. 2017. URL: https://www.statista.com/statistics/
264810/number-of-monthly-active-facebook-users-worldwide/ (дата обращения: 10.08.2017).
5. ВКонтакте. Окомпании. URL: https://vk.com/about (дата обращения: 12.08.2017).
6. Интерфакс-Украина. «Одноклассники» в2016году увеличили количество пользователей на
10 %. 2017. URL: http://interfax.com.ua/news/economic/396363.html (дата обращения: 05.08.2017).
7. DMR. 5 amazing Qzone stats and facts (February 2017). URL: http://expandedramblings.com/
index.php/business-directory/19888/qzone/ (дата обращения: 10.08.2017).
8. DRM. 61amazing Weibo statistics and facts (March 2017). URL: http://expandedramblings.com/
index.php/weibo-user-statistics/(дата обращения: 10.08.2017).
9. Statista Inc. Instagram: number of monthly active users 2013–2017. 2017. URL: https://www.statista.
com/statistics/253577/number-of-monthly-active-instagram-users/ (дата обращения: 10.08.2017).
10. Statista Inc. Twitter: number of monthly active users 2010–2017. 2017. URL: https://www.statista.
com/statistics/282087/number-of-monthly-active-twitter-users/ (дата обращения: 10.08.2017).
11. Mander J. Daily time spent on social networks rises to over 2hours // GlobalWebIndex. 2017. URL:
http://blog.globalwebindex.net/chart-of-the-day/daily-time-spent-on-social-networks/ (дата обращения:
12.08.2017).
12. Исследовательский холдинг Ромир. Социально-сетевая жизнь. 2015. URL: http://romir.ru/
studies/670_1432155600/ (дата обращения: 21.08.2017).
13. Bogolyubova O., Tikhonov R., Ivanov V., Panicheva P., Ledovaya Y. Violence exposure, posttraumatic
stress, and subjective well-being in a sample of Russian adults //Journal of Interpersonal Violence. 2017.
URL: https://doi.org/10.1177/0886260517698279 (дата обращения: 21.08.2017).
14. Panicheva P., Ledovaya Y., Bogolyubova O. Lexical, Morphological and semantic correlates of the
Dark Triad personality traits in Russian Facebook texts //Conference Paper. AINL FRUCT 2016. Saint-
Petersburg, Russia. 2016. URL: http://ainlconf.ru/2016/materials (дата обращения: 21.08.2017).
15. Gosling S. D., Mason W. Internet Research in Psychology //Annual Review of Psychology. 2015.
Vol.66. P. 877–902.
16. Dunbar R. I. M., Arnaboldi V., Conti M., Passarella A. e structure of online social networks mirrors
those in the oine world //Social Networks. 2015. Vol. 43. P. 39–47.
17. Tifentale A., Manovich L. Selecity: Exploring Photography and Self-Fashioning in Social Media //
Postdigital Aesthetics. London: Palgrave Macmillan UK, 2015. P. 109–122.
18. Gonzales A. L., Hancock J. T. Mirror, Mirror on my facebook wall: eects of exposure to Facebook on
self-esteem // Cyberpsychol Behav Soc Netw.2011. Vol. 14, N1–2. P. 79–83.
19. Kim J., Lee J.-E. R. e Facebook Paths to Happiness: Eects of the Number of Facebook Friends
and Self-Presentation on Subjective Well-Being // Cyberpsychol Behav Soc Netw. 2011. Vol. 14, N 6.
P. 359–364.
20. Kross E. et al. Facebook Use Predicts Declines in Subjective Well-Being in Young Adults //PLoS
One. 2013. Vol. 8, N8. P. e69841.
21. Ryan T., Chester A, Reece J., Xenos S. e uses and abuses of Facebook: A review of Facebook
addiction //Journal of Behavioral Addictions. 2014. Vol. 3, N3. P. 133–148.
22. Butakov N., Petrov M., Radice A. Multitenant Approach to Crawling of Online Social Networks //
Procedia Computer Science. 2016. Vol. 101. P. 115–124.
23. Ледовая Я. А., Тихонов Р. В., Боголюбова О. Н., Казенная Е. В., Сорокина Ю. Л. Отчужде-

Вестник СПбГУ. Психология и педагогика. 2017. Т. 7. Вып. 3 207
ние моральной ответственности: психологический конструкт иметоды его измерения //Вестник
С.-Петерб. ун-та. Серия16. Психология ипедагогика. 2016. Т. 16, №4. С. 23–39.
24. Kosinski M. et al. Facebook as a research tool for the social sciences: opportunities, challenges,
ethical considerations, and practical guidelines //Am Psychology. 2015. Vol. 70, N6. P. 543–556.
25. Kern M. L. et al. Gaining insights from social media language: Methodologies and challenges //
Psychology Methods. 2016. Vol. 21, N4. P. 507–525.
26. Inkster B., Stillwell D., Kosinski M., Jones P. A decade into Facebook: where is psychiatry in the digital
age? //e Lancet Psychiatry. 2016. Vol. 3, N11. P. 1087–1090.
27. Azar B. Are your ndings “WEIRD”? //Monitor on Psychology. 2010. Vol. 41, N5. P. 11.
28. Gosling S. D., Sandy C. J., John O. P., Potter J. Wired but not WEIRD: e promise of the Internet in
reaching more diverse samples //Behavioral and Brain Sciences. 2010. Vol. 33, N2–3. P. 94–95.
29. Batterham P. J. Recruitment of mental health survey participants using Internet advertising: content,
characteristics and cost eectiveness //International journal of methods in psychiatric research. 2014.
Vol. 23, N2. P. 184–191.
30. Richiardi L., Pivetta E., Merletti F. Recruiting Study Participants rough Facebook //Epidemiology.
2012. Vol. 23, N1. P. 175.
31. Schwartz H. A., Ungar L. H. Data-Driven Content Analysis of Social Media //e ANNALS of
theAmerican Academy of Political andSocialScience. 2015. Vol. 659, N1. P. 78–94.
32. Panicheva P., Mirzagitova A., Ledovaya Y. Semantic Feature Aggregation for Gender Identication
in Russian Facebook //Proceedings of the AINL. 2017. (In press).
33. Moskvichev A., Menshov S., Dubova M., Filchenkov A. Using Linguistic Activity In Social Networks
To Predict and Interpret Dark Psychological Traits //Proceedings of the AINL. 2017. (In press)
34. Casler K., Bickel L., Hackett E. Separate but equal? A comparison of participants and data gathered
via Amazon’s MTurk, social media, and face-to-face behavioral testing //Computers in Human Behavior.
2013. Vol. 29, N6. P. 2156–2160.
35. Ramsey S. R., ompson K. L., McKenzie M., Rosenbaum A. Psychological research in the internet
age: e quality of web-based data //Computers in Human Behavior. 2016. Vol. 58. P. 354–360.
36. Одайник А. С., Четвериков А. А. Проведение экспериментальных психологических исследо-
ваний всети Интернет //Психология XXI века: Мат-лы Междунар. науч.-практ. конф. молодых уче-
ных «Психология XXIвека». 21–23апреля 2011г., Санкт-Петербург /под ред. О. Ю. Щелковой. СПб.:
Изд-во СПбГУ, 2011. С. 85–87.
37. British Psychological Society. Ethics Guidelines for Internet-mediated Research. 2017. URL: http://
www.bps.org.uk/publications/policy-and-guidelines/research-guidelines-policy-documents/research-
guidelines-poli (дата обращения: 20.07.2017).
38. Боголюбова О. Н., Ледовая. Я. А., Чурилова А. Г. Репрезентации психологического дистресса
всети «Инстаграм» //Ананьевские чтения— 2016. Психология: вчера, сегодня, завтра: Мат-лы меж-
дунар. науч. конф. 25–29октября 2016г.: В 2т. /под ред. А. В. Шаболаса идр. СПб.: Айсинг, 2016. Т. 2.
C. 125–126.
39. Padrez K. A. et al. Linking social media and medical record data: a study of adults presenting to an
academic, urban emergency department //BMJ quality & safety. 2016. Vol. 25, N6. P. 414–423.
40. Penn Positive Psychology Center. World well-being project. URL: http://wwbp.org/about.html
(дата обращения: 22.08.2017).
41. John Templeton Foundation. Grant Database. 2017. URL: https://www.templeton.org/grants/grant-
database (дата обращения: 22.08.2017).
42. Gnip Inc. Enterprise access to Twitter data. URL: https://gnip.com/sources/twitter/(дата обраще-
ния: 22.08.2017).
43. Preotiuc-Pietro D., Carpenter J., Giorgi S., Ungar L. Studying the Dark Triad of personality through
Twitter behavior // Proceedings of the 25th ACM International on Conference on Information and
Knowledge Management— CIKM ’16. New York. New York: ACM Press, 2016. P. 761–770.
44. Park G. et al. Women are Warmer but No Less Assertive than Men: Gender and Language on
Facebook //PLOS ONE. 2016. Vol. 11, N5. P. e0155885.
45. Diener E., Emmons R. A., Larsen R. J., Grin S. e Satisfaction With Life Scale // Journal of
Personality Assessment. 1985. Vol. 49, N1. P. 71–75.
46. Schwartz H. A. et al. Predicting individual well-being through the language of social media //
Biocomputing 2016: Proceedings of the Pacic Symposium. 2016. P. 516–527.
47. Kosinski M., Stillwell D., Graepel T. Private traits and attributes are predictable from digital records of
human behavior //Proceedings of the National Academy of Sciences (PNAS). 2013. Vol. 110, N15. P. 5802–
5805.

208 Вестник СПбГУ. Психология и педагогика. 2017. Т. 7. Вып. 3
Для цитирования: Ледовая Я. А., Тихонов Р. В., Боголюбова О. Н. Социальные сети как новая среда
для междисциплинарных исследований поведения человека // Вестник СПбГУ. Психология и педагоги-
ка. 2017. Т.7. Вып.3. С.193–210. https://doi.org/10.21638/11701/spbu16.2017.301
References
1. Miniwatts Marketing Group. World Internet usage and population statistics: June, 302017. Internet
World Stats. 2017. Available at: http://www.internetworldstats.com/stats.htm (accessed: 01.08.2017).
2. Mander J., McGrath F. GWI Social Summary Q12017. GlobalWebIndex. 2017. Available at: https://
www.globalwebindex.net (accessed: 10.08.2017).
3. Facebook Inc. Company Info. Facebook Newsroom. Available at: https://newsroom..com/company-
info/(accessed: 10.08.2017).
4. Statista Inc. Facebook users worldwide 2008–2017. 2017. Available at: https://www.statista.com/sta-
tistics/264810/number-of-monthly-active-facebook-users-worldwide/ (accessed: 10.08.2017).
5. VKontakte. O kompanii [VK.com: About us]. Available at: https://vk.com/about (accessed:
12.08.2017). (In Russian)
6. Interfaks-Ukraina. “Odnoklassniki” v 2016godu uvelichili kolichestvo pol’zovatelei na 10% [“Odno-
klassniki” increased in 2016the number of users by 10 %]. 2017. Available at: http://interfax.com.ua/news/
economic/396363.html (accessed: 05.08.2017). (In Russian)
7. DMR. 5 amazing Qzone stats and facts (February 2017). Available at: http://expandedramblings.
com/index.php/business-directory/19888/qzone/(accessed: 10.08.2017).
8. DRM. 61amazing Weibo statistics and facts (March 2017). Available at: http://expandedramblings.
com/index.php/weibo-user-statistics/ (accessed: 10.08.2017).
9. Statista Inc. Instagram: number of monthly active users 2013–2017. 2017. Available at: https://www.
statista.com/statistics/253577/number-of-monthly-active-instagram-users/ (accessed: 10.08.2017).
10. Statista Inc. Twitter: number of monthly active users 2010–2017. 2017. Available at: https://www.
statista.com/statistics/282087/number-of-monthly-active-twitter-users/ (accessed: 10.08.2017).
11. Mander J. Daily time spent on social networks rises to over 2hours. GlobalWebIndex. 2017. Avail-
able at: http://blog.globalwebindex.net/chart-of-the-day/daily-time-spent-on-social-networks/ (accessed:
12.08.2017).
12. Research holding Romir. Sotsial’no-setevaya zhizn’ [Life in social networks]. 2015. Available at: http://
romir.ru/studies/670_1432155600/(accessed: 21.08.2017). (In Russian)
13. Bogolyubova O., Tikhonov R., Ivanov V., Panicheva P., Ledovaya Y. Violence exposure, posttrau-
matic stress, and subjective well-being in a sample of Russian adults. Journal of Interpersonal Violence, 2017.
Available at: https://doi.org/10.1177/0886260517698279 (accessed: 21.08.2017).
14. Panicheva P., Ledovaya Y., Bogolyubova O. Lexical, Morphological and semantic correlates of the
Dark Triad personality traits in Russian Facebook texts. Conference Paper. AINL FRUCT 2016. Saint-Peters-
burg, Russia. 2016. Available at: http://ainlconf.ru/2016/materials (accessed: 21.08.2017).
15. Gosling S. D., Mason W. Internet Research in Psychology. Annual ReviewofPsychology, 2015, vol.66,
pp.877–902.
16. Dunbar R. I. M., Arnaboldi V., Conti M., Passarella A. e structure of online social networks mir-
rors those in the oine world. Social Networks, 2015, vol. 43. pp. 39–47.
17. Tifentale A., Manovich L. Selecity: Exploring Photography and Self-Fashioning in Social Media.
Postdigital Aesthetics. London, Palgrave Macmillan UK, 2015, pp. 109–122.
18. Gonzales A. L., Hancock J. T. Mirror, Mirror on my facebook wall: eects of exposure to Facebook
on self-esteem. Cyberpsychol Behav Soc Netw., 2011, vol. 14, no.1–2, pp.79–83.
19. Kim J., Lee J.-E. R. e Facebook Paths to Happiness: Eects of the Number of Facebook Friends and
Self-Presentation on Subjective Well-Being. Cyberpsychol Behav Soc Netw., 2011, vol. 14, no.6, pp.359–364.
20. Kross E. et al. Facebook Use Predicts Declines in Subjective Well-Being in Young Adults. PLoS One,
2013, vol. 8, no.8, p. e69841.
21. Ryan T., Chester A., Reece J., Xenos S. e uses and abuses of Facebook: A review of Facebook ad-
diction. Journal of Behavioral Addictions, 2014, vol. 3, no.3, pp.133–148.
22. Butakov N., Petrov M., Radice A. Multitenant Approach to Crawling of Online Social Networks.
Procedia Computer Science, 2016, vol. 101, pp.115–124.
23. Ledovaya Y. A. et al. Otchuzhdenie moral’noi otvetstvennosti: psikhologicheskii konstrukt i metody
ego izmereniya [Moral disengagement: the psychological construct and its measurement]. Vestnik of St.Pe-
tersburg University. Series 16, 2016, vol.16, no.4, pp.23–39. (In Russian)

Вестник СПбГУ. Психология и педагогика. 2017. Т. 7. Вып. 3 209
24. Kosinski M. et al. Facebook as a research tool for the social sciences: opportunities, challenges, ethi-
cal considerations, and practical guidelines. Am Psychology, 2015, vol. 70, no.6, pp.543–556.
25. Kern M. L. et al. Gaining insights from social media language: Methodologies and challenges. Psy-
chology Methods, 2016, vol. 21, no.4, pp.507–525.
26. Inkster B., Stillwell D., Kosinski M., Jones P. A decade into Facebook: where is psychiatry in the
digital age? e Lancet Psychiatry, 2016, vol. 3, no.11, pp.1087–1090.
27. Azar B. Are your ndings “WEIRD”? Monitor on Psychology, 2010, vol. 41, no. 5, p. 11.
28. Gosling S. D., Sandy C. J., John O. P., Potter J. Wired but not WEIRD: e promise of the Internet in
reaching more diverse samples. Behavioral and Brain Sciences, 2010, vol. 33, no. 2–3, pp. 94–95.
29. Batterham P. J. Recruitment of mental health survey participants using Internet advertising: content,
characteristics and cost eectiveness. International journal of methods in psychiatric research, 2014, vol. 23,
no. 2, pp. 184–191.
30. Richiardi L., Pivetta E., Merletti F. Recruiting Study Participants rough Facebook. Epidemiology,
2012, vol. 23, no. 1, p. 175.
31. Schwartz H. A., Ungar L. H. Data-Driven Content Analysis of Social Media. e ANNALS of
theAmerican Academy of Political andSocialScience, 2015, vol. 659, no. 1, pp. 78–94.
32. Panicheva P., Mirzagitova A., Ledovaya Y. Semantic Feature Aggregation for Gender Identication
in Russian Facebook. Proceedings of the AINL 2017. (In press).
33. Moskvichev A., Menshov S., Dubova M., Filchenkov A. Using Linguistic Activity In Social Networks
To Predict and Interpret Dark Psychological Traits. Proceedings of the AINL 2017. (In press).
34. Casler K., Bickel L., Hackett E. Separate but equal? A comparison of participants and data gath-
ered via Amazon’s MTurk, social media, and face-to-face behavioral testing. Computers in Human Behavior,
2013, vol. 29, no. 6, pp. 2156–2160.
35. Ramsey S. R., ompson K. L., McKenzie M., Rosenbaum A. Psychological research in the internet
age: e quality of web-based data. Computers in Human Behavior, 2016, vol. 58, pp. 354–360.
36. Odainik A. S., Chetverikov A. A. Provedenie eksperimental’nykh psikhologicheskikh issledovanii
v seti internet [Conducting experimental psychological research in the internet]. Psikhologiya XXI veka:
Materialy Mezhdunarodnoi nauchno-prakticheskoi konferentsii molodykh uchenykh [Psychology of XXI cen-
tury: Proceedings of international scientic-practical conference of young researchers]. Ed. by O. Y. Shchelkova.
St. Petersburg, St. Petersburg University Press, 2011, pp. 85–87. (In Russian)
37. British Psychological Society. Ethics Guidelines for Internet-mediated Research. 2017. Available at:
http://www.bps.org.uk/publications/policy-and-guidelines/research-guidelines-policy-documents/re-
search-guidelines-poli (accessed: 20.07.2017).
38. Bogolyubova O. N., Ledovaya. Y. A., Churilova A. G. Reprezentatsii psikhologicheskogo distressa v
seti “Instagram” [Representations of psychological distress in Instagram]. Anan’evskie chteniya— 2016: Psik-
hologiya: vchera, segodnya, zavtra: materialy mezhdunarodnoi nauchnoi konferentsii [Ananyev readings —
2016: Psychology of yesterday, today, tomorrow: Proceedings of the international scientic conference]. Eds
Shabolas A. V. et al. St. Petersburg, Aising Publ., 2016, vol. 2, pp. 125–126. (In Russian)
39. Padrez K. A. et al. Linking social media and medical record data: a study of adults presenting to an
academic, urban emergency department. BMJ quality & safety, 2016, vol. 25, no. 6, pp. 414–423.
40. Penn Positive Psychology Center. World well-being project. Available at: http://wwbp.org/about.html
(accessed: 22.08.2017).
41. John Templeton Foundation. Grant Database. 2017. Available at: https://www.templeton.org/grants/
grant-database (accessed: 22.08.2017).
42. Gnip Inc. Enterprise access to Twitter data. Available at: https://gnip.com/sources/twitter/(accessed:
22.08.2017).
43. Preotiuc-Pietro D., Carpenter J., Giorgi S., Ungar L. Studying the Dark Triad of personality through
Twitter behavior. Proceedings of the 25th ACM International on Conference on Information and Knowledge
Management— CIKM ’16, New York. New York, ACM Press, 2016, pp. 761–770.
44. Park G. et al. Women are Warmer but No Less Assertive than Men: Gender and Language on Face-
book. PLOS ONE, 2016, vol. 11, no. 5, p. e0155885.
45. Diener E., Emmons R. A., Larsen R. J., Grin S. e Satisfaction With Life Scale. Journal of Personal-
ity Assessment, 1985, vol. 49, no. 1. pp. 71–75.
46. Schwartz H. A. et al. Predicting individual well-being through the language of social media. Biocom-
puting 2016: Proceedings of the Pacic Symposium, 2016, pp. 516–527.
47. Kosinski M., Stillwell D., Graepel T. Private traits and attributes are predictable from digital re-
cords of human behavior. Proceedings of the National Academy of Sciences (PNAS), 2013, vol. 110, no. 15,
pp.5802–5805.

210 Вестник СПбГУ. Психология и педагогика. 2017. Т. 7. Вып. 3
For citation: Ledovaya Y. A., Tikhonov R. V., Bogolyubova O. N. Social networks as a new environment
for interdisciplinary studies of human behavior. Vestnik SPbSU. Psychology and Education, 2017, vol.7, issue3,
pp.193–210. https://doi.org/10.21638/11701/spbu16.2017.301
Статья поступила вредакцию 23августа 2017г.
Статья принята кпубликации 7сентября 2017г.