Данная статья продолжает цикл исследований цифровой тени российских международных мегапроектов строительства объектов атомной генерации за рубежом (на примере Венгрии и Финляндии). Исследование тональности публикаций электронных СМИ, накапливающихся в цифровой тени, необходимо для определения уровня общественной приемлемости атомной энергетики. Для данного исследования использовался подход, включающий в себя следующие шаги: сбор новостных сообщений, посвященных атомной энергетике, в электронных СМИ каждой из стран; предобработка данных; построение имитационной модели для конкретной страны для вычисления вероятности тональности новостной публикации в электронных СМИ на произвольную тему; определение тональности собранных сообщений и вычисление эмпирической вероятности; сравнительный анализ математической и эмпирической вероятностей для определения внешнего информационного влияния; сегментация публикаций и авторов на выделенные группы. Вероятностная имитационная модель строилась методом Монте-Карло на примере Венгрии. Определение тональности новостных сообщений осуществлялось сверточными нейронными сетями CNN, которые хорошо зарекомендовали себя для решения подобных задач. Для сегментации использовался метод двойной ансамблевой кластеризации с изменяющейся метрикой расстояния. В результате сравнительного анализа математической и полученной эмпирической вероятностей в центральных венгерских электронных СМИ внешнее информационное влияние выявлено не было.
This article continues the cycle of research on the digital shadow of Russian international megaprojects for the construction of nuclear generation facilities abroad (on the example of Hungary and Finland). The study of the tonality of electronic media publications accumulating in the digital shadow is necessary to determine the level of public acceptability of nuclear energy. For this study, an approach was used that includes the following steps: collecting news reports on nuclear energy in the electronic media of each country; data preprocessing; building a simulation model for a specific country to calculate the probability of the tonality of a news publication in electronic media on an arbitrary topic; determining the tonality of collected messages and calculating empirical probability; comparative analysis of mathematical and empirical probabilities to determine external information influence; segmentation of publications and authors into selected groups. A probabilistic simulation model was built using the Monte Carlo method on the example of Hungary. The determination of the tonality of news reports was carried out by CNN convolutional neural networks, which have proven themselves well for solving such problems. For segmentation, the method of double ensemble clustering with a variable distance metric was used. As a result of a comparative analysis of mathematical and empirical probabilities obtained in the central Hungarian electronic media, no external informational influence was revealed.
1. Ковтун Д.А., Коптелов М.В., Гусева А.И. Управление информационными рисками с помощью информационно-семантического поля в международных проектах атомной энергетики // Современные наукоемкие технологии. 2019. № 11. С. 66–71.
2. Guseva A.I., Matrosova E., Tikhomirova A., Kovtun D. Assessment of the Public Acceptance of the Nuclear Power Plant Construction Plan on the Territory of Foreign Country. Procedia Computer Science. 2021. Vol. 190. P. 301–311.
3. Bergs T., Gierlings S., Auerbacha T., Klink A., Schrakneppera D., Augspurgera T. The concept of the Digital Twin and Digital Shadow in Manufacturing. Procedia CIRP 101. 2021. Р. 81–84.
4. Ткачева А.В. Цифровой след и цифровая тень потребителя: сущность, формирование и использование // Приоритетные векторы развития промышленности и сельского хозяйства: материалы III Международной научно-практической конференции. Макеевка, 2020. С. 279–285.
5. Бояркина Л.А., Бояркин В.В. Цифровой след и цифровая тень как производные персональных данных // Сборники конференций НИЦ Социосфера. 2016. № 62. С. 78–81.
6. Матросова Е.В., Тихомирова А.Н., Киреев В.С., Гусева А.И. Оценка уровня знаний об атомной промышленности в Белоруссии, Венгрии, Турции и Финляндии // Фундаментальные исследования. 2021. № 12 (1). С. 180–185.
7. Майорова Е.В. О сентимент-анализе и перспективах его применения // Социальные и гуманитарные науки. Отечественная и зарубежная литература. Серия 6: Языкознание. Реферативный журнал. 2020. № 4. С. 78–86.
8. Гималетдинова Г.К., Довтаева Э.Х. Сентимент-анализ читательского комментария: автоматизированная VS ручная обработка текста // Ученые записки Казанского университета. Серия: Гуманитарные науки. 2021. Т. 163. № 1. С. 65–80.
9. Куницына Н.Н., Метель Ю.А. Применение метода интеллектуального текстового анализа в оценке уровня удовлетворенности клиентов коммерческих банков // Вестник Саратовского государственного социально-экономического университета. 2018. № 2 (71). С. 149–155.
10. Андросов А.Ю., Бородащенко А.Ю., Леонидова К.С. Алгоритм определения тональности публикаций СМИ к должностным лицам государственных органов // Известия Тульского государственного университета. Технические науки. 2020. № 2. С. 47–53.
11. Золина Е.В., Гамова Н.А. Наивный классификатор Байеса для решения задачи сентимент-анализа тестов // Шаг в науку. 2019. № 4. С. 140–142.
12. Романов А.С., Васильева М.И., Куртукова А.В., Мещеряков Р.В. Анализ тональности текста с использованием методов машинного обучения // R. Piotrowski’s Readings in Language Engineering and Applied Linguistics. Proceedings. Сер. “CEUR-WS Workshop Proceedings” St. Petersburg Institute for Informatics and Automation of the Russian Academy of Sciences, Herzen State Pedagogical University of Russia, 2018. Р. 86–95.
13. Черкасов А.Н., Туркин Е.А. Выбор оптимальной архитектуры искусственной нейронной сети для задачи классификации текстов // Вестник Адыгейского государственного университета. Серия 4: Естественно-математические и технические науки. 2021. № 1 (276). С. 62–66.
14. Kuznetsov I.A., Koptelov M.V., Kovtun D.A. and Guseva A.I. A method for reducing the impact of information risks at numerous stages of a megaproject life cycle based on a semantic information field. Procedia Computer Science. 2021. Vol. 190. P. 500–507.
15. Гильванова Г.А. Анализ риска инновационного проекта методом имитационного моделирования (метод Монте-Карло) // Science Time. 2015. № 12 (24). С. 157–161.
16. Кузикова Д.С., Якушев А.А. Метод Монте-Карло в экономических исследованиях // Тенденции развития науки и образования. 2018. № 34–3. С. 41–45.