Как мы уже упоминали, 18 федеральных ведомств не представлены ни в одной социальной сети, из них 6 Федеральных служб и 12 Федеральных агентств. Важно отметить, что все Министерства имеют аккаунт хотя бы в одной социальной сети.

Таким образом, мы изучили представленность федеральных органов исполнительной власти в социальных сетях. Мы выяснили, что три самых распространенных социальных сети для размещения аккаунтов являются Facebook, Twitter, Instagram; больше всего федеральных ведомств насчитывают лишь три аккаунта в социальных сетях; а также 18 представителей федеральных органов исполнительной власти вовсе не имеют аккаунты ни в одной социальной сети.

2.2 Характеристика аккаунтов федеральных органов исполнительной власти в социальной сети Twitter

Мы выяснили, что Twitter является второй по распространенности социальной сетью, в которых разместили свои аккаунты представители федеральных органов исполнительной власти. Для исследования форм и возможностей взаимодействия граждан и органов государственной власти в социальных сетях мы выбрали именно Twitter. Особенностями данной социальной сети являются несколько важных пунктов, которые привели нас к этому выбору. Twitter был использован для данного исследования, потому что платформа, в отличие от Facebook - самой распространенной социальной сетью среди федеральных ведомств, по нашему распределению, позволяет пользователям не только делиться своей информацией с подписчиками (публиковать новости, мнения и прочее), но также имеет возможность легко «транслировать» информацию от других, таким образом расширяя их собственную и чужую досягаемость. Twitter - один из многих социальных сетей, который позволяет пользователям создавать цифровые сети влияния, а благодаря интерфейсу этой социальной сети появляется возможность анализировать степень интеракции аккаунта с читателями (пользователями), важность и даже репутацию аккаунта среди пользователей.

Пользователи Twitter могут следить за пользователями Twitter, выполнив поиск по имени пользователя, которое обычно указывается с помощью знака «@», этот же инструмент они могут использовать, чтобы написать ответ на «твит» - короткое сообщение, публикуемое пользователем Twitter. Соответственно, мы можем посчитать, сколько раз читатели ответили (прокомментировали) твиты определенного пользователя, что даст возможность делать выводы о степени интеракции читателя и пользователя, а также открыто увидеть обращения читателя, возможно, его мнение или вопрос к пользователю. Например, специалисты по маркетингу часто используют анализ настроений или анализ тональности ответов и упоминаний аккаунта, чтобы оценить, как потребители относятся к определенным продуктам. Еще одной важной функциональной особенностью Twitter является возможность ответить на такое упоминание, это инструмент «Reply». Количественное выражение применения данной функции поможет определить степень и частоту обратной связи от пользователя к читателю. Данная форма интеракции может быть сравнима и с открытым диалогом, и обращением, и неким отзывом и называется «Mention» (Boiy & Moens, 2009).

В свою очередь Paltoglou и Thelwall (2012) выходят за рамки этого анализа в пользу более неформальных взаимодействий, которые регулярно внедряются большинством людей на сайтах социальных сетей. Речь идет о реакциях, которые оставляют читатели в аккаунте пользователя, что является еще одной формой взаимодействия. Это лайки (отметка «Мне нравится»/ «Favorite») и ретвит (отметка «Поделиться»/ «Retweet»). Приобретая количественную форму данные характеристики могут показать особенности взаимодействия читателя и пользователя, определить, какой контент пользуется вниманием общественности, а какой нет, таким образом понять регулярные, повседневные взаимодействия между государственными органами и гражданами через сайты социальных сетей.

Также благодаря собираемой Twitter'ом статистикой мы можем увидеть число твитов в аккаунте, его читателей («Followers»), что может помочь сделать вывод об активности аккаунта, его востребованности и «нужности» среди аудитории.

Таким образом, данные особенности социальной сети Twitter могут охарактеризовать аккаунт с разных сторон и позволят сделать несколько важных для этого исследования выводов и формах и особенностях взаимодействия власти и граждан (пользователей и читателей). Для сбора данных об активности аккаунтах представителей федеральных органов исполнительной власти мы использовали сервис Twitonomy, а также Twitter API, который дает статус разработчика социальной сети и позволяет собирать и анализировать разнообразные данные о пользователе. Для того, чтобы иметь возможность не только составить портрет каждого аккаунта федерального ведомства, но и провести измерения для формулирования необходимых выводов, мы собрали данные в таблицу (Приложение Б).

Для составления характеристики аккаунтов каждого из 39 федеральных ведомств, представленных в Twitter, были собраны следующие данные:

- Количество твитов (коротких сообщений) за весь период существования аккаунта - «Tweets»;

- Количество читателей (подписчиков) за весь период существования аккаунта - «Followers»;

- Дата регистрации аккаунта в Twitter - «Joined Twitter»;

- Средняя частота написания твита в день - «Tweets per day»;

- Количества упоминаний аккаунта другими пользователями - «Mentions»;

- Количетсво ответов аккаунта на упоминания других пользователей - «Replies», а также в процентном соотношении - «% of tweets being replied»;

- Количество твитов, которыми делились пользователи - «Tweets retweeted»;

- Количество твитов, которые пользователи отмечали как понравившиеся- «Tweets favorited».

Данные характеристики при дальнейшем анализе могут дать нам представление об активности, формах и степени взаимодействия аккаунта с другими пользователями.

Рассмотрим показатели активности аккаунта. Аккаунтом с самым большим количеством твитов является аккаунт МИД России с 78.094 твитами за весь период существования аккаунта (с февраля 2011 года) или 81.97 твитами в день. Однако, стоит отметить, что около 86% публикуемых сообщений в этом аккаунте являются ретвитами сообщений других пользователей. Это объясняет значительный разрыв со следующим по количеству твитов аккаунтом ФАС России с 25667 сообщений за весь период существования аккаунта (с апреля 2010 года). Аккаунтом с самым маленьким количеством твитов стал аккаунт Ространснадзор: данный пользователь насчитывает лишь 42 твита с июля 2012 года, что может говорить о лишь формальном характере использования данной социальной сети этим ведомством (см. рисунок 5.2).

Рисунок 5.2 Распределение аккаунтов ФОИВ по количеству твитов

Источник: составлено автором

Следующая характеристика активности аккаунта -- это количество читателей аккаунта, она дает нам понять, сколько человек подписано на данный аккаунт. Самым читаемым аккаунтом также стал аккаунт МИД России - 1.161.225 подписчиков. И так же заметен значительный разрыв со следующим по количество читателей аккаунтом - МЧС России (752.102 подписчиков). Самым непопулярным среди пользователей Twitter стал аккаунт Росаккредитации с 147 читателями (см. рисунок 6.2).

Рисунок 6.2 Распределение аккаунтов ФОИВ по читателям

Источник: составлено автором

Еще одной важной характеристикой является показатель упоминаний аккаунта, который обозначает комментарии и обращения к конкретному пользователю. Например, твит «@mvd_official Вы - молодцы!» будет обращен к аккаунту МЧС России от любого пользователя социальной сети Twitter и может являть собой вопрос, реакцию на новость или деятельность органа, мнение и прочее. По количеству подобных взаимодействий лидируют Минэнерго России, Минкульт России и Росавтодор. Аккаунт, который упоминается пользователями Twitter меньше всего, это Федеральное казначейство с 5 упоминаниями за весь период существования (с февраля 2012 года) и четыре аккаунта, где количество упоминаний равно нулю: ФСИН России, Ространснадзор, Россельхознадзор, Росморречфлот (см. рисунок 7.2).

Рисунок 7.2 Распределение аккаунтов ФОИВ по упоминаниям другими пользователями

Источник: составлено автором

Следующая характеристика активности и особенностей взаимодействия является количество ответов пользователя на твиты других пользователей, в том числе на упоминания - «Replies». Этот показатель говорит об активности двусторонней коммуникации между аккаунтом и читателем. В среднем только 4,105% твитов всех 39 аккаунтов ФОИВ являются ответами (реплаями) на упоминания других пользователей. Наибольшее количестве ответов мы видим в аккаунтах Минэнерго России, Росавтодор и Минкульт России. Также в восьми аккаунтах (Росрыболовство, Росаккредитация, Росмолодежь, Федеральное казначейство, ФСИН России, Ространснадзор, Россельхознадзор, Росморречфлот) сводится вовсе к нулю (см. рисунок 8.2).

Рисунок 8.2 Распределение аккаунтов ФОИВ по ответам на упоминания другими пользователями

Источник: составлено автором

Показатель количества твитов, которыми поделились другие пользователи (ретвитов) также характеризует степень взаимодействия аккаунта с читателями, степень их вовлеченности. По данному показателю лидируют три аккаунта федеральных ведомств (МЧС России, Минпромторг России и Минкульт России); аккаунтом с наименьшим количеством ретвитов стал Ространснадзор (см. рисунок 9.2).

Рисунок 9.2 Распределение аккаунтов ФОИВ по твитам, которыми поделились другие пользователи

Источник: составлено автором

Последний показатель, который характеризует активность аккаунта в Twitter - число твитов, понравившихся пользователям («Favorites»). Лидерами в данном показатели стали МЧС России, Минпромторг России, Минэнерго России - в этих аккаунтах мы наблюдаем наибольшее количество твитов, которые были отмечены как понравившиеся. Аккаунт с наименьшим количеством таких твитов является Ространснадзор (см. рисунок 10.2).

Рисунок 10.2 Распределение аккаунтов ФОИВ по твитам, которые понравились другим пользователям

Источник: составлено автором

Проведя описательный анализ аккаунтов ФОИВ в Twitter по нескольким показателям, мы можем проверить, есть ли связь между тем или иным характеристиками. Средствами программы Excel мы провели корреляционный анализ между несколькими характеристиками.

Коэффициент корреляции между числом твитов и подписчиков, равный 0,870422886, говорит о наличии тесной связи между данными показателями. Построим распределение на графике scatter plot для визуализации связи. Восходящая линия тренда также свидетельствует о наличии связи между данными характеристиками (см. рисунок 11.2).

Рисунок 11.2 диаграмма рассеяния подписчиков и твитов с линией тренда

Источник: составлено автором

Также определим наличие связи между показателями «Mentions» и «Replies», которая свидетельствует о корреляции между количеством упоминаний аккаунта и ответов. Коэффициент корреляции между числом твитов и подписчиков, равный 0,85199492, говорит о наличии тесной связи между данными показателями. Построим распределение на графике scatter plot для визуализации связи. Восходящая линия тренда также свидетельствует о наличии связи между данными характеристиками (см. рисунок 12.2).

Рисунок 12.2 диаграмма рассеяния упоминаний и ответов с линией тренда

Источник: составлено автором

Таким образом, средствами Twitonomy и Twitter API мы установили, что аккаунты МИД России, ФАС России, МЧС России, Минэнерго России, Минкульт России и Росавтодор и Минпромторг России обладают высокими показателями активности и взаимодействия с пользователями. Мы определили наличие тесной связи между показателями количества твитов и подписчиков, а также числом упоминаний и ответов, что в том числе создает среду двусторонней коммуникации между властью и гражданином в интернет пространстве.

3. Методология исследования: анализ взаимодействия граждан и органов государственной власти в социальных сетях

3.1 Сентимент-анализ аккаунтов федеральных органов исполнительной власти в социальной сети Twitter

Мы изучили теоретические основы коммуникации граждан и органов власти в социальных сетях, взгляды научного сообщества на данный вопрос, рассмотрели и охарактеризовали с разных сторон активность и среду для двустороннего взаимодействия граждан и представителей государства в аккаунтах ФОИВ в социальной сети Twitter. Перейдем к сентимент-анализу (анализ тональности текста) данных аккаунтов.

Анализ тональности текста представляет собой систематический компьютерный анализ письменных текстовых или речевых отрывков для выявления отношения автора к конкретным личностям или темам. Положительные и отрицательные, а также сильные и слабые эмоции часто оцениваются при проведении анализа тональности. Платформы социальных сетей являются подходящими областями для изучения эмоциональных состояний пользователя, поскольку язык и изображения могут быть соединены для передачи тона - эмоции. В сегодняшних сообщениях смайлики, которые отображают эмоции (?), являются популярными сокращениями, чтобы помочь людям вывести тон, что, по общему признанию, может быть непростой задачей, когда общение происходит асинхронно, например, в социальных сетях, электронной почте и текстовых сообщениях. Знаки пунктуации, такие как восклицательные знаки, также могут являться индикатором положительного тона. Тем не менее исследователи все еще сталкиваются со сложностями определения оптимального способа определения эмоциональной окрашенности текста, так как контекст диалога в среде социальных сетей в дополнение к контенту важен (Madden, Ruthven, & McMenemy, 2013). Однко есть много способов сделать сентимент-анализ.

Многие подходы используют одну и ту же общую идею использования словаря слов, связанных с положительными или отрицательными эмоциями и дальнейшим сопоставлением исследуемого текста с данными словами. В настоящее время есть возможность использовать существующий словарь, либо использовать методы машинного обучения.

Модели машинного обучения часто представлены с множеством случаев, оценивающих полярность на основе начального кодирования (тестового набора слов). Таким образом, кодировщики (во множественном количестве во избежание субъективности в оценке текста) вручную присваивают эмоцию слову (положительная, нейтральная, отрицательная), а затем алгоритм программы начинает работать, как только «узнает», какие слова напоминают эти положительные и отрицательные эмоции. Так определяется общая тональность текста. Модели машинного обучения обучаются изучать уникальные слова, поэтому такие распространенные слова, как «и», «это» и «они», исключаются из анализа, как и слова приходят в начальную форму. Для этого создается и применяется список стоп-слов, а также производится лемматизация текста.

Сентимент-анализ традиционно применяется в маркетинге и продажах, чтобы, например, оценить отзывы потребителя. Однако с вхождением интернета и диалога онлайн в сферу государственного управления данный анализ может применяться для анализа тональности коммуникации власти и гражданина. Сбор данных в социальных сетях может дать представителям государственной власти представление о восприятии и настроении сообщества, которое невозможно собрать с помощью традиционных методов (например, опросов по телефону или по почте) по ряду причин, включая чрезмерную стоимость и ограниченный охват традиционных методы. Сентимент-анализ твитов также дает уникальную возможность провести его в большей точностью из-за ограниченного количества знаков для каждого сообщения. В данном контексте интересна коммуникация между читателем и пользователем аккаунта (то есть Replies и Mentions), так как мы предполагаем, что общая тональность твитов от аккаунта федерального ведомства будет нейтральным, в соответствии с желанием распространять информацию и новостным характером публикуемого контента.

Мы провели сентимент-анализ аккаунтов ФОИВ в твиттере посредством программы R. Первым этапом проведения данного исследования был сбор данных с использованием Twitter API с помощью функции GET statuses/mentions_timeline. Данная функция вызывает упоминания определенного аккаунта для дальнейшего качественного или количественного анализа.

Выгрузив упоминания всех аккаунтов ФОИВ (39 профилей), мы собрали их в один датасет, отфильтровали ретвиты, чтобы анализировать только упоминания в обращениях, вопросах, мнениях, то есть оригинальных твитах пользователей Twitter и читателей данных аккаунтов. Датасет состоит из всех реплаев с упоминанием аккаунта ФОИВ, написанных на русском языке. Общее количество данных сообщений, распределенных по строкам в датасете, составило 2.795 твитов.

Далее мы загрузили датасет, чтобы начать сентимент-анализ в R. Первым этапом является лемматизация и токенизация текста (препроцессинг). С помощью оператора text.lem мы проводим лемматизацию текста, то есть приводим слова в форму единственного числа, именительного падежа, мужского рода (алгоритм не должен разделять слова «красивая» и «красивый»). В процессе токенизации с помощью оператора unnest_tokens мы разделяем текст на отдельные слова для дальнейшего сравнения с тональным словарем. Мы разбили каждую строку текста так, чтобы в каждой строке нового фрейма данных был один токен (слово). Далее необходимо запустить функцию stopwords, чтобы вызвать список стоп-слов для очистки текста. Данный этап нужен для получения более точного результата при анализе текста.

Когда все этапы препроцессинга текста завершены, перейдем к сентимент-анализу с помощью тонального словаря. Мы используем тональный словарь русского языка: слова русского языка, снабжённые метками полярности и силы эмоционально-оценочного заряда. Окрашенность текста определяется как позитивная, нейтральная или негативная, задавая значения value больше 1 для позитивного тона, value от -1 до 1 для нейтрального тона, value меньше -1 для негативного тона. Далее с помощью оператора sentiment каждое слово каждого упоминания каждого аккаунта ФОИВ в Twitter пользователями сравнивается со словами тонального словаря, чтобы определить его окрашенность.

В качестве результата сентимент-анализа мы получаем соотношение трех тональностей в упоминаниях аккаунтов ФОИВ. В результате проведения анализа мы получили такое соотношение: 197 упоминаний с негативной тональностью, 541 упоминаний с нейтральной тональностью, 56 с позитивной тональностью (см. рисунок 13.3).

Рисунок 13.2 Результаты сентимент-анализа упоминаний аккаунтов ФОИВ в Twitter

Источник: составлено автором

Таким образом, после проведения анализа тональности твитов-упоминаний аккаунтов ФОИВ в Twitter мы увидели значительное преобладание нейтральных твитов, при этом важно отметить, что упоминаний с негативным тоном обнаружено в 3,

Заключение

Таким образом, в данном исследовании были рассмотрены понятия электронного правительства, различные подходы к этой концепции, которые изменялись со временем и этапами развития технологий. В течение нескольких лет электронное правительство прошло путь от электронного документооборота и осуществления государственных услуг до целостной группы принципов, следование которым призвано обеспечить развитие гражданской инициативы, вовлечения населения в государственную деятельность, и, что самое главное, активное взаимодействие человека и государства. Были освящены подходы к осуществлению двустороннего взаимодействия населения и граждан, которые включают вовлечение, обратную связь и ответные действия уполномоченных органов посредством интернет-сервисов, объединенных методикой проектирования сетевых взаимодействий Web 2.0.

Также нами были выделены основные инструменты имплементации концепции Электронного правительства и особенности их применения в иностранных государствах. Спектр данных инструментов является очень разнообразным, однако особое внимание как органов государственной власти, так и исследователей, уделяется именно социальным сетям. Мы изучили зарубежные практики использования социальных сетей правительствами в качестве средств достижения активного взаимодействия граждан и органов государственной власти.

В том числе мы изучили представленность федеральных органов исполнительной власти в социальных сетях. Мы выяснили, что три самых распространенных социальных сети для размещения аккаунтов являются Facebook, Twitter, Instagram; больше всего федеральных ведомств насчитывают лишь три аккаунта в социальных сетях; а также 18 представителей федеральных органов исполнительной власти вовсе не имеют аккаунты ни в одной социальной сети.

Средствами Twitonomy и Twitter API мы установили, что аккаунты МИД России, ФАС России, МЧС России, Минэнерго России, Минкульт России и Росавтодор и Минпромторг России обладают высокими показателями активности и взаимодействия с пользователями. Мы определили наличие тесной связи между показателями количества твитов и подписчиков, а также числом упоминаний и ответов, что в том числе создает среду двусторонней коммуникации между властью и гражданином в интернет пространстве. Данные результаты могут говорить о том, что повышение реальной активности пользователей и вовлеченность граждан в деятельность ФОИВ через социальные сети может быть достигнута повышением активности ведения аккаунтов и поддержания двусторонней коммуникации с пользователями.

Таким образом, после проведения анализа тональности твитов-упоминаний аккаунтов ФОИВ в Twitter мы увидели значительное преобладание нейтральных твитов, при этом важно отметить, что упоминаний с негативным тоном обнаружено в 3,5 раза больше, чем упоминаний с позитивным тоном. Данные результаты могут говорить о готовности граждан выходить на диалог с властью в режиме онлайн, в тех сервисах, которыми они пользуются каждый день: социальных сетях.

Список использованных источников и литературы

1. Bryabrina T.V. Experience Content Analysis of Suicide Comments on the Internet in Persons with Various Degrees of Suicidal Activity / T. V. Bryabrina, A. I. Gibert, A. V. Shtrakhova // Bull. South Ural State Univ. Ser. “Psychology” - 2016. Т. 9 - № 3 - 35-49с.

2. Воронина И.Е. Анализ Эмоциональной Окраски Сообщений В Социальных Сетях (На Примере Сети «?Вконтакте?») / И. Е. Воронина, В. А. Гончаров // КОМПЬЮТЕРНАЯ ЛИНГВИСТИКА И ОБРАБОТКА ЕСТЕСТВЕННОГО ЯЗЫКА - 2015. 151-158с.

3. Голубева А. Электронное правительство: введение в проблему / А. Голубева // Вестник Санкт-Петербургского Университета - 2005. Т. 2 - № 1 16 - 120-139с.

4. Днепровская Н.В. Цифровая трансформация взаимодействия органов государственной власти и граждан * Введение В настоящее время мы наблюдаем новый этап в развитии информационных и коммуникационных технологий ( ИКТ ), связанный с цифровыми технологиями искусственного интелле / Н. В. Днепровская, Д. Наталья // Государственное управление. Электронный вестник Выпуск № 67. 2018. Т. 85 - № 7 - 41-52с.

5. Дятлов С. Электронное правительство как организационная форма реализации интеллектуально-информационного капитала на макроуровне / С. Дятлов // Методология, теория и методика экономики образования - 2013. 56-62с.

6. Ирхин Ю.В. ЭЛЕКТРОННОЕ ПРАВИТЕЛЬСТВО» КАК ФОРМА ИНТЕРАКТИВНОЙ КОММУНИКАЦИИ МЕЖДУ ОРГАНАМИ ВЛАСТИ И ГРАЖДАНАМИ / Ю. В. Ирхин, Э. Правительство // Исследование практик - 2009. 160-174с.

7. Парфенчик А.А. Использование социальных сетей в государственном управлении / А. А. Парфенчик // Вопросы государственного и муниципального управления - 2017. Т. 2 - 186-200с.

8. Системный проект электронного правительства Российской Федерации / -, 2016.

9. Черемисова И. Контент-Анализ Страниц Активных Пользователей Социальной Сети «Вконтакте» / И. Черемисова // Вестник Волгоградского Государственного Университета. 2016. Т. 2 - № 2 (16).

10. Чижик А.В. Факторы формирования социального настроения на основе анализа эмоциональной окраски постов в русскоязычном Twitter / А. В. Чижик, С. Петербургский // Новые информационные технологии в автоматизированных системах - 2016. 61-64с.

11. Al-Hakim L.Global e-government: Theory, applications and benchmarking / L. Al-Hakim -, 2006.- 1-383c.

12. Andersen K.V. E-government maturity models: Extension of the Layne and Lee model / K. V. Andersen, H. Z. Henriksen // Gov. Inf. Q. 2006. Т. 23 - № 2 - 236-248с.

13. Atlas F. ПСИХОЛИНГВИСТИЧЕСКИЙ АНАЛИЗ МЕДИАКОНТЕНТА В МУЛЬТИМОДАЛЬНОМ АСПЕКТЕ: ПРОТЕСТНЫЕ КОММУНИКАЦИИ & БОЛЬШИЕ ДАННЫЕ / F. Atlas // Вопросы психолингвистики - 2018. Т. 2 - № 36 - 99-117с.

14. Bonsуn E. LOCAL E-GOVERNMENT 2.0: SOCIAL MEDIA AND CORPORATE TRANSPARENCY IN MUNICIPALITIES / E. Bonsуn // J. Chem. Inf. Model. 2013. Т. 53 - № 9 - 1689-1699с.

15. Bryer T.A. Social Media and Public Administration / T. A. Bryer, S. M. Zavattaro // Adm. Theory Prax. 2011. Т. 33 - № 3 - 325-340с.

16. Dmitrieva N. Communications in social networks: results of the monitoring of openness of federal bodies of the executive power / N. Dmitrieva // Public Adm. issues - 2015. № 2 - 123-146с.

17. Duюu A. Community participation for an open public administration: Empirical measurements and conceptual framework design / A. Duюu, M. Diaconu // Cogent Bus. Manag. 2017. Т. 4 - № 1.

18. Filippova V.A. Твиттер как инструмент формирования политической повестки дня в россии 2010-2013 годов: зарождение интернет-элиты / V. A. Filippova // Вестник РУДН, серия Вопросы образования языки и специальность - 2014. Т. 9 - № 4 - 182-195с.

19. Grцnlund Е. Introducing e-Gov: History, Definitions, and Issues / Е. Grцnlund, T. A. Horan // Commun. Assoc. Inf. Syst. 2005. Т. 15 - № June.

20. Heeks R. Analyzing e-government research: Perspectives, philosophies, theories, methods, and practice / R. Heeks, S. Bailur // Gov. Inf. Q. 2007. Т. 24 - № 2 - 243-265с.

21. Hui G. Creating public value in e-government: A public-private-citizen collaboration framework in Web 2.0 / G. Hui, M. R. Hayllar // Aust. J. Public Adm. 2010. Т. 69 - № SUPPL. 1 - 120-131с.

22. Khasawneh R.T. Citizens' attitudes towards e-government presence on social networks (e-government 2.0): An empirical study / R. T. Khasawneh, M. M. Tarawneh // 2016 7th Int. Conf. Inf. Commun. Syst. ICICS 2016 - 2016. 45-49с.

23. Kim S. Citizen Participation, Process, and Transparency in Local Government: An Exploratory Study / S. Kim, J. Lee // Policy Stud. J. 2019. Т. 47 - № 4 - 1020-1041с.

24. Layne K. Developing fully functional E-government: A four stage model / K. Layne, J. Lee // Gov. Inf. Q. 2001. Т. 18 - № 2 - 122-136с.

25. Lev-On A. Local engagement online: Municipal Facebook pages as hubs of interaction / A. Lev-On, N. Steinfeld // Gov. Inf. Q. 2015. Т. 32 - № 3 - 299-307с.

26. Lisenkova A.A. Social networks as a factor of active influence on formation of the values of young people / A. A. Lisenkova, A. Y. Melnikova // Lib. Arts Russ. гуманитарный журналRossijskij Gumanit. ћurnalRossijskij Gumanit. ZhurnalRossiiskii Gumanit. Zhurnal - 2017. Т. 6 - № 4 - 322с.

27. Mergel I. A Three-Stage Adoption Process for Social Media Use in Government / I. Mergel, S. I. Bretschneider // Public Adm. Rev. 2013. Т. 73 - № 3 - 390-400с.

28. No TitleЧЯфлес & Фуюсфуйл / // Undang. Republik Indones. Nomor 20 Tahun 2003 Tentang Sist. Pendidik. Nas. 2003.

29. Piotrowski S.J. Citizen attitudes toward transparency in local government / S. J. Piotrowski, G. G. Van Ryzin // Am. Rev. Public Adm. 2007. Т. 37 - № 3 - 306-323с.

30. Scholl H.J. Introduction to the Minitrack on Digital Government Theory: Development, Integration, and Application / H. J. Scholl, L. Carter, J. Bertot // Proc. 52nd Hawaii Int. Conf. Syst. Sci. 2019. 2922с.

31. Sobaci M.Z. The use of twitter by mayors in Turkey: Tweets for better public services? / M. Z. Sobaci, N. Karkin // Gov. Inf. Q. 2013. Т. 30 - № 4 - 417-425с.

32. Wagenaar H. Governance, complexity, and democratic participation: How citizens and public officials harness the complexities of neighborhood decline / H. Wagenaar // Am. Rev. Public Adm. 2007. Т. 37 - № 1 - 17-50с.

33. Yildiz M. E-government research: Reviewing the literature, limitations, and ways forward / M. Yildiz // Gov. Inf. Q. 2007. Т. 24 - № 3 - 646-665с.

34. Zavattaro S.M. A sentiment analysis of U.S. local government tweets: The connection between tone and citizen involvement / S. M. Zavattaro, P. E. French, S. D. Mohanty // Gov. Inf. Q. 2015. Т. 32 - № 3 - 333-341с.

35. Zavattaro S.M. Social Media in Public Administration's Future: A Response to Farazmand / S. M. Zavattaro // Adm. Soc. 2013. Т. 45 - № 2 - 242-255с.

Приложения

Приложение А

Агрегированная таблица аккаунтов ФОИВ в социальных сетях

Приложение Б

Характеристика активности и особенностей взаимодействия с подписчиками в аккаунтах ФОИВ в Twitter

Размещено на Allbest.ru