Работа посвящена обсуждению способов интерпретации результатов анализа текстов сетевых дискуссий, представленных в виде статистически значимых отклонений («выбросов») анализируемых численных показателей от средних значений для нескольких лет наблюдения. Наличие выбросов предложено рассматривать в качестве маркера превышения естественной изменчивости диагностируемых показателей, что может свидетельствовать о влиянии на текстовую деятельность особых психологических состояний авторов, соотносимых с их реакцией на события различного рода, имеющие социальную значимость. Характеризующие реакцию участников сетевой коммуникации лексические и грамматические особенности текстов определялись с помощью инструмента анализа TITANIS на материале корпусов сетевых дискуссий с фиксированной тематикой и фоновом. Предложено несколько способов представления и интерпретации паттернов выбросов анализируемых численных показателей в их статике и динамике, позволяющих составить представление о выраженности и эмоциональной направленности отношения коммуникантов к предмету сетевого обсуждения.
интеллектуальный анализ текста, сетевые дискуссии, социально значимые события, статистический выброс, эмоциональная реакция.
DOI: 10.14357/20790279250307
EDN: PFCGYP
Стр. 68-79.
Литература
1. Левин К. Динамическая психология: избранныетруды. 2001.
2. Xing L. et al. A survey on social network’s anomalous behavior detection //Complex & Intelligent Systems. 2024;10(4):5917-5932.
3. Lunawat S., Rao J., Patil P. A Comprehensive Survey on Anomaly Detection in Social Media Networks: Challenges, Methods, and Future Directions //2024 4th International Conference on Sustainable Expert Systems (ICSES). IEEE. 2024. P. 363-370.
4. Alam S., Faisal M. A comprehensive review: Anomaly detection techniques on social networking and its applications //Advances in Science, Engineering and Technology. 2025. P. 303-309.
5. Khan W. An exhaustive review on state-ofthe-art techniques for anomaly detection on attributed networks //Turkish Journal of Computer and Mathematics Education (TURCOMAT). 2021;12(10):6707-6722.
6. Hassanzadeh R., Nayak R., Stebila D.Analyzing the effectiveness of graph metrics for anomaly detection in online social networks //International conference on web information systems engineering. – Berlin, Heidelberg : Springer Berlin Heidelberg. 2012. P.624-630.
7. Anand K., Kumar J., Anand K.Anomaly detection in online social network: A survey //2017 International conference on inventive communication and computational technologies (ICICCT). IEEE. 2017. P. 456-459.
8. Blázquez-García A. et al. A review on outlier/anomaly detection in time series data //ACM computing surveys (CSUR). 2021;54(3):1-33.
9. Aggarwal C.C. An introduction to outlier analysis //Outlier analysis. Cham: Springer International Publishing. 2016. P. 1-34.
10. MyStem. URL: https://yandex.ru/dev/mystem [Дата обращения 07.08.2025].
11. Smirnov I., Stankevich M., Kuznetsova Y., Suvorova M., Larionov D., Nikitina E., Savelov M., Grigoriev O. TITANIS: A Tool for Intelligent Text Analysis in Social Media //Artificial Intelligence: 19th Russian Conference, RCAI 2021, Taganrog, Russia, October 11–16, 2021, Proceedings 19. – Springer International Publishing. 2021. P. 232-247. https://doi.org/10.1007/978-3-030-86855-0_16
