Публикации

This book constitutes the proceedings of the 5th International Conference on Analysis of Images, Social Networks and Texts, AIST 2016, held in Yekaterinburg, Russia, in April 2016. The 23 full papers, 7 short papers, and 3 industrial papers were carefully reviewed and selected from 142 submissions. The papers are organized in topical sections on machine learning and data analysis; social networks; natural language processing; analysis of images and video.

The advent of personalized medicine and wide-scale drug tests has led to the development of methods intended to automatically mine and extract information regarding drug reactions from user reviews. For medical purposes, it is often important to know demographic information on the authors of these reviews; however, existing studies usually either presuppose that this information is available or disregard the issue. We study automatic mining of demographic information from user-generated texts, comparing modern natural language processing techniques, including extensions of topic models and deep neural networks, for this problem on datasets mined from health-related web sites.

Способность социальных медиа быстро распространять суждения пользователей об этничности и влиять на офлайновые этнические отношения создает потребность в методах автоматического мониторинга онлайн-контента, связанного с этнической принадлежностью. В этом исследовании мы измерили общий объем обсуждений в русскоязычных социальных медиа, связанных с этнической принадлежностью, и разработали подход, который автоматически определяразличные аспекты отношения к этим этническим группам. Для этого был создан обширный список этнонимов и связанных с ними биграмм, которые охватывают 97 постсоветских этнических групп, и собраны все тексты русскоязычных социальных медиа, содержащие хотябы одно слово из списка и написанные за двухлетний период с 2014 года (N = 2660222 текста). Мы вручную разметили 7181 сообщение, на основе чего обучили ряд классификаторов распознавать различные аспекты отношеня авторов к этничностям и другие особенности текстов. Оценив ряд стандартных показателей качества, мы сделали вывод, что достигли хорошего качества определения межгрупповых конфликтов, положительных межгрупповых контактов и общих негативных и позитивных настроений. В то же время, точность предсказаний относительно принадлежности текстов к этнической тематике и общего отношения к этнической группе оказалась наименьшей. Также некоторые аспекты, такие как призывы к насилию в отношении этнической группы, оказались недостаточно представлены в закодированных данных, что не позволило успешно находить тексты с этими признаками.

Важная роль цифрового неравенства для препятствования развитию гражданского общества всё более признаётся многими исследователями. Различия в доступности и практике использования сайтов социальных сетей (SNS) можно рассматривать как основные проявления такого цифрового разрыва. В то время как SNS в принципе являются очень удобными пространствами для публичного обсуждения, отсутствие доступа или доминирование текстов повседневной социально-бытовой тематики может указывать на недостаточное развитие общественной сферы. В то же время различия в повестке дня между регионами могут сигнализировать о локальных проблемах этих регионов. В данном исследовании мы стремимся выяснить, существует ли региональный цифровой разрыв пользовании сайтами социальных сетей в России. Мы исходим из теории неравномерной модернизации России и используем данные из самого популярного сайта социальной сети «VK.com» для измерения цифрового неравенства. Анализируя данные активности пользователей из выборки в 77 000 пользователей и текстов от 36 000 пользователей, мы делаем вывод о том, что региональный уровень объясняет чрезвычайно небольшую долю различия в общем изменении поведенческих пользовательских данных. Заметным исключением является внимание к темам Ислама и Украины. Однако наши данные показывают, что исторически географическое проникновение «VK.com» исходило из регионов, которые считаются наиболее модернизированными к тем, которые считаются самыми традиционными. Этот вывод поддерживает теорию неравномерной модернизации, но также показывает, что цифровое неравенство со временем может меняться.