Исследуемый страновой уровень представлен следующими государствами: Алжир, Армения, Австралия, Азербайджан, Аргентина, Беларусь, Бразилия, Чили, Китай, Тайвань, Колумбия, Эквадор, Эстония, Грузия, Палестина, Германия, Гана, Индия, Ирак, Япония, Иордания, Южная Корея, Казахстан, Кувейт, Кыргызстан, Ливан, Ливия, Малайзия, Мексика, Марокко, Нидерланды, Нигерия, Пакистан, Перу, Филиппины, Польша, Катар, Румыния, Россия, Руанда, Сингапур, Словения, Испания, Швеция, Таиланд, Тринидад и Тобаго, Тунис, Турция, Украина, Египет, США, Уругвай, Узбекистан, Йемен, Зимбабве.

2.3 Переменные

Отклик. В качестве зависимой переменной в данной работе используется феномен патриотизма, который был определен, как способность и желание гражданина сражаться за свое государство, с которым гражданин чувствует единение, то есть является национальной составляющей государства. Данный подход к определению патриотизма в количественных работах частично прослеживается у Саниной Sanina A.G. Patriotism and Patriotic Education in Contemporary Russia // Sociological Research. 2017. Vol. 56. №1. P. 38-52., Хазела Willis-Esqueda C., Hazel R., Pedroza K. Patriotism and the impact on perceived threat and immigration attitudes // The Journal of Social Psychology. 2016. Vol. 157. №1. P. 114-125.: учитывают национальную составляющую, внешнюю угрозу и готовность воевать. Однако, несмотря на близость учитываемых переменных, авторы концептуализировали отклики иначе, отдавая предпочтение слепому патриотизму или рассматривая каждый элемент отдельно без создания агрегированной переменной.

Патриотизм описывается тремя переменными индивидуального уровня из базы данных `The World Values Survey' по 55 странам в период за 2010-2014 гг. (каждому государству присущ определенный год, взята последняя 6-ая волна исследований): `Willingness to fight for your country' (`V66'), `I see myself as part of the [country] nation' (`V214'), `How proud are you to be [Nationality]?' (`V211'). Все переменные являются категориальными.

Первая переменная (`V66') представлена в шкале от 1 до 2 (бинарная), где 1 - да, готов сражаться за свою страну, 2 - нет, не готов сражаться за свою страну. Всего по переменной 66818 наблюдений, по 1 категории, готовности сражаться, 45964 наблюдения, по 2 категории, неготовности сражаться, 20854 наблюдений.

Вторая переменная (`V214') представлена в шкале от 1 до 4, где 1 - очень гордиться тем, что является частью национальной составляющей, 2 - вполне горд, 3 - не очень горд, 4 - совсем не гордиться. Всего по переменной 66818 наблюдений, по первой категории - 38341 наблюдение, по второй категории - 25164 наблюдения, по третьей категории - 2585 наблюдений, по четвёртой - 728 наблюдений.

Третья переменная (`V211') представлена в шкале от 1 до 4, где 1 - полностью согласен, видит себя в качестве части национальной составляющей, 2 - согласен, 3 - не согласен, 4 - категорически не согласен. Всего по переменной 66818 наблюдений, по 1 категории - 41040 наблюдений, по 2 категории - 20199 наблюдений, по третьей категории - 4522 наблюдения, по четвертой - 1057 наблюдений.

Как мы видим, переменные достаточно вариабельны, в целом по каждой категории представлено достаточное количество наблюдений. Для получения агрегированной зависимой переменной была реализована попытка проведения метода главных компонент, однако размер объясненной дисперсии оказался слишком низким, как и сами веса при переменных. Кроме того, из-за небольшого количества переменных, отражающих отношение граждан к вопросу патриотизма, нам кажется невозможной реализация многоуровневого факторного анализа.

Ввиду чего был найден другой более простой способ по получению агрегированного зависимого фактора. Для его использования необходимо было вторую и третью переменные сделать бинарными. Это возможно с той точки зрения, что, во-первых, 1 и 2, 3 и 4 близки по смыслу (либо согласие, либо отрицание). Во-вторых, группы категорий близки по количеству наблюдений, то есть количеству людей, согласившихся с данной позицией.

После реализации слияния категорий для второй и третьей переменных се три переменные представлены в качестве бинарных, где 1 - это готовность индивида воевать за свою страну, чувствуя себя с государством и нацией единым целым и испытывая гордость за это, 0 - это неготовность индивида воевать за свою страну, не чувствуя себя с государством и нацией единым целым в условиях отсутствия гордости за национальную принадлежность.

Процедура получения агрегированного отклика была реализована по следующей формуле:

Патриотизм = 0.55*Готовность сражаться за свою страну + 0.25*Восприятие в качестве национальной составляющей + 0.2*Гордость за национальную принадлежность.

После реализации формулы на наших данных мы получили агрегированную зависимую переменную, где 1 - это готовность индивида воевать за свою страну, чувствуя себя с государством и нацией единым целым и испытывая гордость за это, 0 - это неготовность индивида воевать за свою страну, не чувствуя себя с государством и нацией единым целым в условиях отсутствия гордости за национальную принадлежность и языком, а также присутствуют промежуточные значения. Причем переменная получилась не категориальной, а дискретной с максимальным значением 1 и минимальным 0.

Процедура возможна в силу того, что, согласно предшествующим исследованиям, которые были описаны ранее, теория Карла Шмитта наиболее соответствует новым мировым реалиям в вопросе определения патриотизма, поэтому переменной, выражающей готовность граждан сражаться за свое государство, отдается большее предпочтение - больший вес в формуле. Переменная выражает наличие внешней угрозы: войны, терроризма или только их образа.

Другие переменные в умеренной смысле описывают мирные условия, ввиду чего они также были включены в создание агрегированного показателя, но с меньшими весами. Переменной, отражающей восприятие гражданами своей национальной идентичности, отдан чуть больший вес ввиду того, что данная переменная также интегрируется в теорию Карла Шмитта. Граждане ощущают себя в качестве единого организованного единства одной национальности. В модели зависимая переменная названа `Патриотизм'.

Независимые переменные первого уровня. Одними из основных влияющих факторов на патриотизм выступают переживания граждан о войне и терроризме, которые в большинстве формируются СМИ (особенно терроризмБодрийяр Ж. Дух терроризма // Современная литература URL: http://lit.lib.ru/k/kachalow_a/esprit_du_terrorisme.shtml (дата обращения: 29.03.2019). ; Куренной В. Война, терроризм и медиа // Прогнозис. 2006. №1. С. 276-312.), а также доверие граждан к СМИ.

Переживания граждан о войне измеряются показателем из базы данных `The World Values Survey' по 55 странам в период за 2010-2014 гг. (каждому государству присущ определенный год, взята последняя 6-ая волна исследований): `Worries: A war involving my country' (`V183'). Переменная является категориальной, представлена в шкале от 1 до 4, где 1 - да, индивид испытывает очень сильное волнение о возможном начале войны, 2 - волнует данный вопрос, 3 - не особо волнует, 4 - совсем не волнует. Всего по переменной 66818 наблюдений, по 1 категории - 28134, по 2 категории - 16081, по 3 категории - 12573, по 4 категории - 10030. В модели переживания граждан о войне названы 'Переживания о войне'.

Переживания граждан о терроризме измеряются показателем из базы данных `The World Values Survey' по 55 странам в период за 2010-2014 гг. (каждому государству присущ определенный год, взята последняя 6-ая волна исследований): `Worries: A terrorist attack' (`V184'). Переменная является категориальной, представлена в шкале от 1 до 4, где 1 - да, индивид испытывает очень сильное волнение о возможном террористическом акте, 2 - волнует данный вопрос, 3 - не особо волнует, 4 - совсем не волнует. Всего по переменной 66818 наблюдений, по 1 категории - 28662, по 2 категории - 15451, по 3 категории - 12921, по 4 категории - 9784. Переживания граждан о терроризме названы в модели 'Переживания о терроризме'. Схожие переменные были рассмотрены в таких работах, как Саниной Sanina A.G. Patriotism and Patriotic Education in Contemporary Russia // Sociological Research. 2017. Vol. 56. №1. P. 38-52., Хазела Willis-Esqueda C., Hazel R., Pedroza K. Patriotism and the impact on perceived threat and immigration attitudes // The Journal of Social Psychology. 2016. Vol. 157. №1. P. 114-125.. Однако в одной из них исследовалось обратное влияние патриотизма на вешнюю угрозу.

Доверие граждан к СМИ измеряется показателем из базы данных `The World Values Survey' по 55 странам в период за 2010-2014 гг. (каждому государству присущ определенный год, взята последняя 6-ая волна исследований): `Confidence: The press' (`V110'). Влияние фактора частично описано в работе Шивы Morsea A., Shive S. Patriotism in your portfolio // Journal of Financial Markets. 2011. №14. P. 411-440., где доказана положительная взаимосвязь информации и феномена патриотизма. Переменная является категориальной, представлена в шкале от 1 до 4, где 1 - да, индивид на высоком уровне доверяет СМИ, 2 - доверяет, 3 - не особо доверяет, 4 - совсем не доверяет. Всего по переменной 66818 наблюдений, по 1 категории - 28134, по 2 категории - 16081, по 3 категории - 12573, по 4 категории - 10030. В модели доверие граждан к СМИ названо 'Доверие к СМИ'.

Контрольные переменные. В качестве контрольных переменных выступят предикторы первого уровня, отражающие возраст и пол респондента.

Пол респондента описан переменной из базы данных `The World Values Survey' по 55 странам в период за 2010-2014 гг. (каждому государству присущ определенный год, взята последняя 6-ая волна исследований): `Sex' (`V240'). Переменная является бинарной, представлена в шкале от 1 до 2, где 1 - мужской пол респондента, 2 - женский пол респондента. Всего по предиктору 66818 наблюдений, по 1 категории - 32797 наблюдений, по 2 категории - 34021 наблюдение.

Возраст респондента описан переменной из базы данных `The World Values Survey' по 55 странам в период за 2010-2014 гг. (каждому государству присущ определенный год, взята последняя 6-ая волна исследований): `Age' (`V242'). Переменная является дискретной с минимальным значением - 16 лет, с максимальным - 99, средним - 41.48, средний отклонением - 16.307.

В модели переменные названы 'Пол', 'Возраст'. Переменные описаны группой авторов и использованы в их исследованиях патриотизма Ishio Y. Social Bases of American Patriotism // Current Sociology. 2010. Vol. 58. №1. P. 67-93. Ariely G. Evaluations of patriotism across countries, groups, and policy domains // Journal of Ethnic and Migration Studies. 2017. P. 1-20..

Независимые переменные странового уровня. Одним из основных влияющих факторов на патриотизм выступает внешняя угроза. Под внешней угрозой мы понимаем наличие внешних войн и террористических атак.

Война измерена в одном из элементов агрегированного показателя по `Global Peace Index' - `External conflicts fought'. Данные по каждому государству взяты согласно году его рассмотрения в базе данных `World Values Survey' за 6 волну 2010-2014 гг. Внешний конфликт определен в индексе, как количество, продолжительность и роль конфликта в другой стране. Переменная представляет собой дискретные величины, которые находятся в промежутке от 1 до 5, где 1 - наиболее мирные государства (отсутствуют внешний конфликты), 5 - наименее мирные государства (большое количество внешний конфликтов, значимой роль их и большая продолжительность), причем величины содержат не только целые значения. Внешние конфликты в модели названы 'Война'.

Терроризм измерен в одном из элементов агрегированного показателя по `Global Peace Index' - `Terrorism impact'. Данные по каждому государству взяты согласно году его рассмотрения в базе данных `World Values Survey' за 6 волну 2010-2014 гг. Терроризм в базе данных определен в качестве средневзвешенного показателя в период за пять лет (в частности и за год, который определен по базе индивидуальных показателей) по количеству убитых, раненых и размеру материального ущерба. Переменная представляет собой дискретные величины, которые находятся в промежутке от 1 до 5, где 1 - наиболее мирные государства (отсутствует влияние терроризма), 5 - наименее мирные государства (наибольшее влияние терроризма), причем величины содержат не только целые значения. В модели терроризм назван 'Терроризм'. Схожие переменные были рассмотрены в таких работах, как Саниной Sanina A.G. Patriotism and Patriotic Education in Contemporary Russia // Sociological Research. 2017. Vol. 56. №1. P. 38-52., Хазела Willis-Esqueda C., Hazel R., Pedroza K. Patriotism and the impact on perceived threat and immigration attitudes // The Journal of Social Psychology. 2016. Vol. 157. №1. P. 114-125.. Однако в одной из них исследовалось обратное влияние патриотизма на вешнюю угрозу.

Таким образом, в качестве основных переменных индивидуального уровня выступают доверие граждан к СМИ, переживания о войне и терроризме. Страновые переменные, отражающие реальную угрозу, представлены войной и терроризмом, а контрольные - возрастом и полом.



Глава 3. Индекс образа внешней угрозы

3.1 Описание и обоснование подхода к созданию основного индекса

Одним из основных влияющих факторов странового уровня на патриотизм является образ внешней угрозы, который определен в исследовании, как образы войны, терроризма и врага, являющего основой обоих конфликтов.

В качестве подхода к созданию переменной, отражающей образ внешней угрозы, было выбрано создание индекса, данные для которого собраны под актуальные год и страну (согласно году рассмотрения государства в базе данных `World Values Survey' за 6 волну 2010-2014 гг.) из `Twitter'. Страновая переменная является бинарной, где 1 - есть образ внешней угрозы, 0 - нет образа внешней угрозы. Индекс назван в модели назван 'Образ внешней угрозы'.

Алгоритм получения бинарного индекса можно охарактеризовать следующим образом:

1. Определяется перечень кодовых слов, которым можно описать внешнюю угрозу в медиапространстве (в новых медиаплатформах);

2. Для каждой исследуемой страны (всего их 55) подбирается актуальный язык использования в новых медиаплатформах;

3. Перечень кодовых слов переводится на каждый из актуальных языков перевода;

4. Выбирается медиаплатформа для сбора данных;

5. Создается алгоритм, способный собрать первичные данные с выбранной медиаплатформы с указанием года, слов на определенном языке и страновой локации;

6. С помощью алгоритма данные собираются и сохраняются в единую базу данных;

7. На небольшой части собранных первичных данных проставляются метки, характеризующие ту или иную запись в качестве внутренней угрозы (или спама) и внешней угрозы;

8. Выбирается модель с учителем для обучения основных данных на части данных с метками;

9. Производится классификация данных с получением меченых данных для всей базы;

10. Оставляется только та часть данных, которая характеризуется внешней угрозой;

11. Реализуется подсчет количества записей по всем словам в течение года для каждой исследуемой страны;

12. Данные для каждой исследуемой страны шкалируются по 100-балльной системе;

13. Выбирается порог в шкале для определения того, есть в государстве образ внешней угрозы или нет;

14. Минимальный порог применяется, результат реализации которого - бинарный индекс образа внешней угрозы для каждой исследуемой страны.

Данный алгоритм актуален ввиду того, что получение первичных данных для оценки образа того или иной явления часто реализуется посредством сбора данных с новых медиаплатформAroraa A., Dwivedid Y. Measuring social media influencer index- insights from facebook, Twitter and Instagram // Journal of Retailing and Consumer Services. 2019. Vol. 49. P. 86-101. Moreno M., Christakis D. Evaluating College Students' Displayed Alcohol References on Facebook and Twitter // Journal of Adolescent Health. 2016. Vol. 58. № 5. P. 527-532., в том числе для изучения политических выражений людей на Facebook и Twitter Yu R.P. The relationship between passive and active non-political social media use and political expression on Facebook and Twitter // Computers in Human Behavior. 2016. Vol. 58. P. 413-420.. А классификация первичных данных с метками эффективно реализуется не только в политической, но и во многих других сферахRodriguez-Galianoa V., Ghimireb B., Roganb J., Chica-Olmoa M., Rigol-Sanchez J. An assessment of the effectiveness of a random forest classifier for land-cover classification // ISPRS Journal of Photogrammetry and Remote Sensing. 2012. Vol. 67. P. 93-104. Ellis K., Kerr J., Godbole S., Lanckriet G.,Wing D. and Marshall S. A random forest classifier for the prediction of energy expenditure and type of physical activity from wrist and hip accelerometers // Physiological Measurement. 2014. Vol. 35. № 11. зачастую на основе текстовых данных Fun H. Land-cover mapping in the Nujiang Grand Canyon: integrating spectral, textural, and topographic data in a random forest classifier // International Journal of Remote Sensing. 2012. №23. P. 7545-7567. ; Zhang H., Li Q., Liu J., Du X., Dong T., McNairn H., Champagne C., Liu M. & Shang J. Object-based crop classification using multi-temporal SPOT-5 imagery and textural features with a Random Forest classifier // Geocarto International . 2018. Vol. 33. № 10. P. 1017-1035., с использованием географической локации Nelsonab E., Schootmanab M. Obtaining contextually relevant geographic data using Facebook recruitment in public health studies // Health & Place. 2019. Vol. 55. P. 37-42., результатом которых выступает бинарный индекс. В одном из исследований по созданию инструмента для повышения безопасности медиаплатформы используется схожий подход: текстовые данные отслеживаются в режиме реального времени и классифицируются на безопасные и небезопасные с дальнейшим определением вида страницы (безопасная или небезопасная) Liew S., Sharum M. An effective security alert mechanism for real-time phishing tweet detection on Twitter // Computers & Security. 2019. Vol. 83. P. 201-207..

3.2 Получение первичных данных из Twitter на основе парсинга данных

Получение первичных данных с использованием `Twitter' включает в себя последовательную реализацию первых 6 пунктов основного алгоритма получения индекса образа внешней угрозы, среди которых: определение перечня кодовых слов, которыми можно описать внешнюю угрозу в медиапространстве, подбор актуального язык использования в новых медиаплатформах для каждого государства, перевод перечня кодовых слов на полученные языки, выбор медиаплатформы для сбора данных, создание алгоритма, способного собрать первичные данные с выбранной медиаплатформы с указанием года, слов на определенном языке и страновой локации, и получение первичных данных после реализации алгоритма.

Перечень кодовых слов, описывающий внешнюю угрозу в новых медиапространствах, включает в себя следующие слова и словосочетания: война Rincon B.L. Media, militarism and mythologies of the state: The Latino soldier in World War I I fi lms // Latino Studies. 2011. №9. P. 283-299. Куренной В. Война, терроризм и медиа // Прогнозис. 2006. №1. С. 276-312. Ribeiro B., Hartley S., Nerlich B., Jaspal R. Media coverage of the Zika crisis in Brazil: The construction of a `war' frame that masked social and gender inequalities // Social Science & Medicine. 2018. Vol. 200. P. 137-144., конфликт Ariely G. Evaluations of patriotism across countries, groups, and policy domains // Journal of Ethnic and Migration Studies. 2017. P. 1-20., военный конфликт Там же., терроризм Куренной В. Война, терроризм и медиа // Прогнозис. 2006. №1. С. 276-312., террористический акт Wagner U., Becker J. European Sociological Review // European Sociological Review. 2010. Vol. 28. №3. P. 319-322., враг War And Social Distress: Images of the Enemy // Journal of Social Distress and the Homeless. 2004. Vol. 13. № 1-2. P. 71-102., внешний враг Menzel U. Central Europe and its enemy image of Russia // International Journal of Political Economy. 1996. Vol. 26. № 3. P. 69-80., внешняя угроза Ariely G. Evaluations of patriotism across countries, groups, and policy domains // Journal of Ethnic and Migration Studies. 2017. P. 1-20. Papastephanou M. Patriotism and Pride beyond Richard Rorty and Martha Nussbaum // INTERNATIONAL JOURNAL OF PHILOSOPHICAL STUDIES. 2017. Vol. 25. №4. P. 484-503 Rincon B.L. Media, militarism and mythologies of the state: The Latino soldier in World War I I fi lms // Latino Studies. 2011. №9. P. 283-299., террористические действия Slotterback C.S. Terrorism, Altruism, and Patriotism: An Examination of Children's Letters to Santa Claus, 1998-2002 // Current Psychology: Developmental Learning Personality. 2006. Vol. 25. №2. P. 144-153., террористическая атака Там же., террорист Куренной В. Война, терроризм и медиа // Прогнозис. 2006. №1. С. 276-312., иммигранты Willis-Esqueda C., Hazel Delgado R., Pedroza K. Patriotism and the impact on perceived threat and immigration attitudes // The Journal of Social Psychology. 2016. Vol. 157. №1. P. 114-125., холодная война Bayulgena O., Arbatli E. Cold War redux in US-Russia relations? The effects of US media framing and public opinion of the 2008 Russia-Georgia war // Communist and Post-Communist Studies. 2013. Vol. 46. №4. P. 513-527. Ciutг F., Klinke I. Lost in conceptualization: Reading the “new Cold War” with critical geopolitics // Political Geography. 2010. Vol. 29 №6. P. 323-332. Browning C.S. Geostrategies, geopolitics and ontological security in the Eastern neighbourhood: The European Union and the `new Cold War' // Political Geography. 2018. Vol. 62. P. 106-115., внешние конфликты Menzel U. Central Europe and its enemy image of Russia // International Journal of Political Economy. 1996. Vol. 26. № 3. P. 69-80., угроза Ariely G. Evaluations of patriotism across countries, groups, and policy domains // Journal of Ethnic and Migration Studies. 2017. P. 1-20.. Каждое слово или словосочетание подкреплено их использованием в англоязычной научной литературе (основной язык научного сообщества) Tychinin D., Kamnev A. Scientific Globish versus scientific English // Trends in Microbiology. 2013. Vol. 21. № 10. P. 504-505..

После определения того, что есть образ внешней угрозы, какими словами и словосочетаниями его можно описать в медиапространстве, необходимо перевести данный перечень кодовых слов на актуальные языки исследуемых государств.

Актуальность языка определяется согласно следующим критериям. Во-первых, основным блоком языков выступает список официальных языков ООН Официальные языки ООН // Организация Объединенных Наций URL: https://www.un.org/ru/sections/about-un/official-languages/ (дата обращения: 29.03.2019).. Для стран, которые включили данные языки в качестве государственных языков или которые активно их используют (большая часть населения на них говорит), был определен один из официальных языков ООН (таких стран большинство). Во-вторых, для оставшейся части стан был определен государственный язык или язык большинства населения. В-третьих, исключением выступили арабоязычные страны, которые в меньшей степени используют арабский язык в медиапространстве (особенно в постах на `Twitter', `Facebook' Bruns A., Highfield T., Burgess J. The Arab Spring and Social Media Audiences: English and Arabic Twitter Users and Their Networks // American Behavioral Scientist. 2013. Vol. 57. № 7. и при поиске в `Google'). Такой результат был доказан не только научными трудами, но и при первых реализациях алгоритма для арабоязычных стран: почти не было данных по указанным странам.

После подбора языка мы получили следующие языковые группы 55 исследуемых стран. Англоязычные: Гана, Индия, Малайзия, Нигерия, Пакистан, Филиппины, Руанда, Сингапур, Тринидад и Тобаго, США, Зимбабве. Арабоязычные, для которых язык перевода был выбран английский: Алжир, Египет, Ирак, Иордания, Кувейт, Ливан, Ливия, Марокко, Палестина, Катар, Тунис, Йемен. Испаноязычные: Аргентина, Бразилия, Колумбия, Чили, Эквадор, Мексика, Перу, Испания, Уругвай. Русскоязычные: Беларусь, Эстония, Казахстан, Россия, Украина, Узбекистан. Китайскоязычные: Китай, Тайвань.

Для остальных стран язык перевода был уникальным: в языковой группе только одна страна. Для Азербайджана был определен азербайджанский, для Армении - армянский, для Южной Кореи - корейский, для Германии - немецкий, для Нидерланд - нидерландский, для Польши - польский, для Румынии - румынский, для Японии - японский, для Таиланда - тайский, для Турции - турецкий, для Грузии - грузинский. Для каждой страны реализуется перевод перечня кодовых слов на актуальный язык.

В качестве основной медиаплатформы был выбран `Twitter', который представляет собой медиаплатформу, где каждый пользователь может оставлять текстовые твиты, твиты с картинками и другими сопровождениями. `Twitter' был выбран по следующим причинам. Во-первых, он часто используется для сбора первичной информации про пользователей по всему миру в научном сообществе Цztьrka N., Ayvazb S. Sentiment analysis on Twitter: A text mining approach to the Syrian refugee crisis // Telematics and Informatics. 2018. Vol. 35. № 1. P. 136-147. Das S., Elgarte Z. Research Article Extracting patterns from Twitter to promote biking // IATSS Research. 2019. Vol. 43. № 1. P. 51-59. Resce G., Maynard D. What matters most to people around the world? Retrieving Better Life Index priorities on Twitter // Technological Forecasting and Social Change. 2018. Vol. 137. P. 61-75., в отличие от `ВКонтакте'. Во-вторых, имеет много текстовых твитов со ссылкой на другой медиа-источник и без нее, в отличие от `Instagram'. В-третьих, `Twitter' имеет не такие строгие ограничения Rate Limiting // Twitter URL: https://developer.twitter.com/en/docs/basics/rate-limiting.html (дата обращения: 29.03.2019)., как `Facebook' Rate Limiting on the Graph API // Facebook URL: https://developers.facebook.com/docs/graph-api/overview/rate-limiting/ (дата обращения: 29.03.2019)., по сбору данных. За более короткий срок можно получить большее количество данных. В-четвертых, на основе собранных данных из `Twitter' можно провести классификацию и более точно определить, какие твиты отражают внешнюю угрозу. По этой причине в качестве основного источника первичных данных не был выбран `Google Trends': можем скачать только популярность слов и словосочетаний без контекста и возможности дальнейшей классификации подобных данных.

В качестве инструмента по сбору первичных данных из `Twitter' был выбран парсер, имитирующий человеческое поведение в социальной сети, без использования API `Twitter'. Данный метод позволил обойти ограничения `Twitter' и ускорить процесс сбора текстовых данных. Однако для `Facebook' такой метод бы не подошел: там более жесткая система по скачиванию данных даже с использованием имитации действия человека. Основой метода послужило решение, предложенное одним из авторов на `Github' Twitter Scraping // GitHub URL: https://github.com/bpb27/twitter_scraping/blob/master/scrape.py (дата обращения: 29.03.2019).. Такого рода метод работает следующим образом:

1. Формируется url-адрес `Twitter' определенного аккаунта;

2. Определяется задержка в получении доступа к странице и скачиванию текстовых данных. Обычно задержка составляет от 0.5 секунды до 1 секунды, тем самым имитируя, как человек переходит от одной странички к другой или как пролистывает контент на одной страничке;

3. Имитируется пролистывание странички вниз для получения большего количества твитов;

4. Определяется тег в html-коде странички для нужного текста;

5. По тегу сохраняется вся необходимая текстовая информация.

Метод был модифицирован под задачи исследования и включил следующие технические изменения. Во-первых, в качестве первого пункта были сформированы url-адреса `Twitter', которые были результатом расширенного поиска для конкретной страновой локации в определенный год по одному из кодовых слов на актуальном языке. Во-вторых, на втором этапе была поставлена задержка в 0.5 секунд. В-третьих, изменены тег для выбора текстовых данных и формат сохранения данных (в обычный.xlsx формат).

Таким образом, после реализации описанного метода мы получили неочищенные и не отклассифицированные твиты по 55 странам в течение определенного актуального для страны года (2010-2014 гг.) по всем 15 словам и словосочетаниям из перечня кодовых слов.

3.3 Классификация первичных данных посредством Random Forest Classifier

Текстовые данные, полученные на основании реализации метода по парсингу данных из `Twitter', представляют собой твиты, отражающие не только внешнюю угрозу, но и внутреннюю (и спам). Результат получился именно таким ввиду использования достаточно широких по значению слов из кодового списка. Например, война в твите может означать как внутреннюю, так и внешнюю, в зависимости от контекста. Кроме того, могут попадать твиты с использованием слова война, но не относящиеся к внутренней и внешней угрозе, а скорее выступая в качестве рекламы. То же самое касается таких слов, как конфликт, терроризм, враг, террористические действия, террористическая атака, террорист, угроза. Спам может попадаться в твитах со всеми словами.

Для дальнейшего создания основного индекса применим метод по классификации полученных данных с сохранением текстовых данных, описывающих только внешнюю угрозу. В качестве метода по классификации данных был выбран `Random Forest Classifier'. Метод представляет собой классификатор с учителем (то есть при наличии данных с метками), обычно использующийся в машинном обучении. В основе метода лежит применение достаточно большого количества решающих деревьев, совокупная реализация которых дает высокое качество предсказания Ellis K., Kerr J., Godbole S., Lanckriet G.,Wing D. and Marshall S. A random forest classifier for the prediction of energy expenditure and type of physical activity from wrist and hip accelerometers // Physiological Measurement. 2014. Vol. 11. P. 602-609. Mьller A., Guido S. Introduction to Machine Learning with Python: A Guide for Data Scientists. O'Reilly Media, Inc, 2016. 400 p..

Метод будет применен к наиболее большой языковой группе - англоязычной - а затем результаты по ней будут усреднены и применены ко всем записям по всем другим языковым группам. Другими словами, будет получена доля записей, отражающая только внешнюю угрозу, для каждой англоязычной страны. Затем между всеми долями будет посчитано среднее арифметическое, и это значение будет применено ко всем остальным странам (точнее умножено на общее количество записей для каждой оставшейся страны).

`Random Forest Classifier' был выбран по следующим причинам. Во-первых, метод меньше подвержен переобучению и обладает достаточно высокой обобщающей способностью, в отличие от дерева решений Открытый курс машинного обучения. Тема 5. Композиции: бэггинг, случайный лес // Habr URL: https://habr.com/ru/company/ods/blog/324402/#sravnenie-s-derevom-resheniy-i-beggingom (дата обращения: 29.03.2019).. Таким образом, метод позволит наиболее точно предсказать, относится твит к внешней угрозе или внутренней (спаму), на разнообразном массиве данных. Во-вторых, в похожих исследованиях первичные данные `Twitter' также классифицировались `Random Forest Classifier'. Причем реализация была осуществлена в режиме реального времени для обеспечения наиболее высокого уровня безопасности `Twitter'-аккаунтов Liew S., Sharum M. An effective security alert mechanism for real-time phishing tweet detection on Twitter // Computers & Security. 2019. Vol. 83. P. 201-207.. В-третьих, данный метод активно используется для классификации текстовых данных Fun H. Land-cover mapping in the Nujiang Grand Canyon: integrating spectral, textural, and topographic data in a random forest classifier // International Journal of Remote Sensing. 2012. №23. P. 7545-7567. Zhang H., Li Q., Liu J., Du X., Dong T., McNairn H., Champagne C., Liu M. & Shang J. Object-based crop classification using multi-temporal SPOT-5 imagery and textural features with a Random Forest classifier // Geocarto International . 2018. Vol. 33. № 10. P. 1017-1035. во многих сферах Rodriguez-Galianoa V., Ghimireb B., Roganb J., Chica-Olmoa M., Rigol-Sanchez J. An assessment of the effectiveness of a random forest classifier for land-cover classification // ISPRS Journal of Photogrammetry and Remote Sensing. 2012. Vol. 67. P. 93-104. Ellis K., Kerr J., Godbole S., Lanckriet G.,Wing D. and Marshall S. A random forest classifier for the prediction of energy expenditure and type of physical activity from wrist and hip accelerometers // Physiological Measurement. 2014. Vol. 35. № 11. при достаточном объеме данных. В-четвертых, классификатор способен эффективно работать с достаточно малым объемом выборки A Random Forest Guided Tour // Normalesup.org URL: http://www.normalesup.org/~scornet/paper/test.pdf (дата обращения: 29.03.2019)..

Полученные данные содержат 91808 записей из `Twitter', из которых записей на английском языке - 41721. По мнению пользователей `Stack Overflow', минимальное количество наблюдений при использовании `Random Forest Classifier' должно превышать 20000 Minimum number of observation when performing Random Forest // Stack Overflow URL: https://stackoverflow.com/questions/17544498/minimum-number-of-observation-when-performing-random-forest (дата обращения: 29.03.2019).. Англоязычные страны были выбраны в качестве обучения ввиду того, что библиотеки по очитке данных наиболее адаптированы под английский язык (на языке `Python').

Каждая запись содержит не только слово или словосочетание из кодового списка, но и другие слова (контекст), пунктуацию и разные символы. Эффективнее подавать на вход классификатору только слова причем с одинаковым регистром (например, нижнем), чтобы одно и то же слово с маленькой буквой и большой не было задействовано дважды и чтобы исключить бессодержательные знаки (не влияющие на классификацию данных). Каждое слово классификатор будет воспринимать в качестве отдельной переменной, которая будет служить неким разграничителем текстового пространства на данные, описывающие внешнюю угрозу, и данные, описывающие все остальное (внутреннюю угрозу, спам и прочее).

После очистки данных и при наличии только слов с нижним регистром поставим метки для 300 записей из Twitter вручную (в зависимости от контекста) с использованием записей со всеми словами и словосочетаниями из кодовых слов. Обозначим 1 записи, отражающие внешнюю угрозу, 0 - все остальное.

Затем обучим классификатор на 200 записях и спрогнозируем значения. Точность около 98% - процент предсказанных значений, которые совпали с фактическим значением, то есть с нашими проставленными метками. Однако переобучения, то есть четкого запоминания данных, здесь нет, так как на тестовых данных (100 записей) процент точности - 60%.

Далее для улучшения качества предсказания меток реализуем поиск лучших параметров по сетке, среди которых размер случайных подмножетв объектов, которые необходимо учитывать при разбиении узла (могут иметь вид `auto', `sqrt', `log2'), и количество деревьев Random Forest Classifier // scikit learn URL: https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html (дата обращения: 29.03.2019). (в нашем случае заданы варианты 50, 100 и 150). Лучшими параметрами были определены `auto' и 100 деревьев. Точность при тестировании возросла до 0.63, что является умеренно высоким качеством предсказания.

Затем полученный классификатор с лучшими параметрами применим ко всем остальным записям для англоязычных стран. Посчитаем доли записей с внешней угрозой, применим каждую полученную долю к актуальному англоязычному государству. После посчитаем среднюю долю записей, отражающую только внешнюю угрозу, для всех англоязычных стран. Среднеарифметическая доля составила 0.75, данное значение умножим на количество записей для каждой не англоязычной страны.

Результатом применения классификатора стало общее количество записей из Twitter, отражающих только внешнюю угрозу, для каждой из 55 исследуемых стран (см. Рис. 1).

Рис. 1. Общее количество твитов по внешней угрозе

3.4 Создание основного индекса

После реализации классификации данные представляют собой числовые значения для каждой исследуемой страны, отражающие общее количество твитов по внешней угрозе. Такие значения могут смещать результаты при проведении многоуровневого анализа за счет достаточно больших значений.

Другие объясняющие переменные представлены в основном в 4-балльной шкале (переменные индивидуального уровня) или в 5-балльной шкале в виде дискретных значений от 1 до 5 (страновые переменные). Значения зависимой переменной находятся в промежутке от 0 до 1 в качестве дискретных значений.

Приведем значения образа внешней угрозы к бинарной шкале со значениями 0 и 1, по аналогии с зависимой переменной с тем отличием, что значения независимой переменной будут категориями, отражающими наличие или отсутствие образа внешней угрозы. Для этого реализуем следующие действия:

1. Прошкалируем полученные после классификации значения по 100-балльной шкале для более удобного разбиения на 2 категории. Этот метод используется для 5-балльного шкалирования `Global Peace Index' Global Peace Index 2017 // Vision of Humanity URL: http://visionofhumanity.org/app/uploads/2017/06/GPI17-Report.pdf (дата обращения: 29.03.2019).;

2. Выберем порог для определения наличия внешней угрозы;

3. Применим порог ко всем значениям и получим бинарную переменную, где 1 - есть образ внешней угрозы в исследуемом государстве, 0 - нет образа внешней угрозы.

В качестве порога для определения наличия внешней угрозы было выбрано значение 10. Получается, если страна обладает значением выше 10 по 100-балльной шкале по степени образа внешней угрозы, то её можно охарактеризовать посредством наличия внешней угрозы.

Результатом проведения вышеописанной процедуры стало создание бинарного индекса образа внешней угрозы, который выступает в качестве одного из основных предикторов второго уровня в многоуровневом анализе (см. Рис. 2, где красным цветом указано наличие внешней угрозы, серым - отсутствие, а белым - те страны, которые не были задействованы в исследовании).



Рис. 2. Основной индекс образа внешней угрозы на карте мира

3.5 Создание дополнительного индекса с использованием Google Trends

На основании создания перечня кодовых слов, их перевода на многие языки, парсинга, классификации и шкалирования первичных данных из `Twitter' был создан основной индекс образа внешней угрозы, выступающий одним из ключевых влияющих предикторов в модели контекстного уровня.

Для проверки результата основного алгоритма реализуем дополнительный алгоритм по созданию индекса образа внешней угрозы. Результатом такого алгоритма станет дополнительный бинарный индекс образа внешней угрозы, где 1 - наличие образа внешней угрозы, 0 - отсутствие. Такой индекс позволит проверить на устойчивость не только основной алгоритм, но и устойчивость основной модели при замене одного из основных объясняющих факторов странового уровня.

Порядок реализации алгоритма по созданию дополнительного индекса образа внешней угрозы можно описать следующими последовательными шагами, частично повторяющими основной алгоритм:

1. Определяется перечень кодовых слов, которыми можно описать внешнюю угрозу в медиапространстве;

2. Для каждой исследуемой страны (всего их 55) подбирается актуальный язык использования в новых медиаплатформах;

3. Перечень кодовых слов переводится на каждый из актуальных языков перевода;

4. Выбирается источник для сбора данных;

5. Собираются данные из выбранного источника и сохраняются в единую базу данных;

6. Создается формула для подсчета собранных данных для каждой исследуемой страны;

7. Выбирается порог в шкале для определения того, есть в государстве образ внешней угрозы или нет;

8. Минимальный порог применяется, результат реализации которого - бинарный индекс образа внешней угрозы для каждой исследуемой страны.

1-3 и 7-8 шаги дополнительного алгоритма повторяют элементы основного алгоритма. Повторение актуально ввиду релевантности проверки на устойчивость, поэтому данные были изначально заданы и затем прошкалированы схожим образом. В данном алгоритме используется тот же перечень кодовых слов с теми же языковыми группами (см. 3.2 Получение первичных данных из Twitter на основе парсинга данных).

В качестве основного источника для сбора данных был выбран `Google Trends'. Во-первых, с помощью данного инструмента можно отследить запросы пользователей по всему миру, так как `Google' - мировая поисковая система, в отличие от `Яндекс'. Во-вторых, запросы в `Google' схожи по своей сути с твитами в `Twitter'. Получается, запрос есть в неком роде результат переосмысления контента и создания образа того или иного явления Arora V., Stuckler D. Google Trends: Opportunities and limitations in health and health policy research // Health Policy. 2019. Vol. 123. № 2. P. 338-341. В-третьих, данные `Google Trends' используются во многих научных исследованиях Chumnumpan P, Shi X. Understanding new products' market performance using Google Trends // Australasian Marketing Journal (AMJ). 2019. P. 1-13. для дальнейшей реализации методов машинного обучения и статистики Hu H., Wang H. Predicting the direction of stock markets using optimized neural networks with Google Trends // Neurocomputing. 2018. Vol. 285. P. 188-195. Santos M. Nowcasting and forecasting aquaponics by Google Trends in European countries // Technological Forecasting and Social Change. 2018. Vol. 134. P. 178-185..

Google Trends' - один из инструментов `Google', который позволяет увидеть популярность запроса относительно всех запросов в определенной локации в определенное время по 100-балльной шкале. Причем одни и те же запросы одного пользователя за определенный короткий промежуток времени учитываются единожды Arora V., Stuckler D. Google Trends: Opportunities and limitations in health and health policy research // Health Policy. 2019. Vol. 123. № 2. P. 338-341.

Для сбора данных необходимо зайти на страницу `Google Trends' Trends // Google Trends URL: https://trends.google.ru/trends/?geo=RU (дата обращения: 30.04.2019). и вести в поисковой запрос слово или словосочетание из кодового списка, указать страновую локацию и актуальный год (2010-2014 гг.). Затем скачать таблицы с популярностью частоты слов для каждого исследуемого государства: в таблицах указана популярность по месяцам в рамках актуального года. Для получения единого значения образа внешней угрозы по данным Google Trends применим следующую формулу для каждой страны:

Дополнительный индекс для страны = ( / n) * 0.4, где

i - популярность слова или словосочетания из кодового списка для конкретной страны;

n - общее количество слов (в нашем случае - 15).

Ввиду того, что мы видим только популярность слова без контекста, популярность считается не только для внешней угрозы, но и для внутренней (спама). В связи с чем умножим усредненную популярность всех слов в рамках единой страны на 0.4 - именно такой вес имеют все переменные, отражающие внешнюю угрозу, в `Global Peace Index' Global Peace Index 2017 // Vision of Humanity URL: http://visionofhumanity.org/app/uploads/2017/06/GPI17-Report.pdf (дата обращения: 29.03.2019).. Таким образом, мы получаем популярность только для тех запросов, которые отражают внешнюю угрозу.

Наши данные по дополнительному индексу (ввиду усреднения и умножения на 0.4 в рамках одной страны) теперь представлены в шкале от 0 до 17 в виде дискретных значений, см Рис. 3.

Рис. 3. Популярность запросов в Google Trends

Обозначим тот же порог для определения наличия внешней угрозы, как и в основном алгоритме. Другими словами, те страны, чьё значение по популярности меньше 10 % от максимально возможного балла (10%*17=1,7 для дополнительного, 10%*100=10 для основного), не имеют символической внешней угрозы.

Таким образом, результатом описанного алгоритма стало создание дополнительного индекса образа внешней угрозы, где 1 - наличие символической угрозы для исследуемой страны, 0 - отсутствие.



Глава 4. Результаты

4.1 Результаты проведения многоуровневого регрессионного анализа

Регрессионный анализ, в том числе и многоуровневый, предполагает включение независимых переменных, описывающих отклик с разных сторон. Другими словами, объясняющие переменные не должны сильно коррелировать, вызывая своей зависимостью мультиколлинеарность, при объяснении зависимой переменной. Для оценки взаимосвязи факторов проведем корреляционный анализ, см. Рис. 4.

Рис. 4. Корреляционный анализ независимых переменных

На основании графического сопровождения корреляционного анализа можно сказать следующее. Во-первых, почти все переменные имеют коэффициент корреляции ниже 0.3 по модулю, что говорит о слабой взаимозависимости объясняющих факторов. Во-вторых, переживания о войне и переживания о терроризме имеют достаточно высокий положительный коэффициент корреляции, более 0.7. Однако их исключение реализовано не будет по следующим причинам:

1. Переживания о терроризме важны для объяснительного механизма в 3 гипотезе;

2. Последовательное исключение каждой из переменных из моделей показало, что коэффициенты не смещены (та же значимость и значение), их оценки устойчивы. Следовательно, корреляция данных переменных не вызывает мультиколлинеарность.

После проверки данных убедимся, что реализация модели со смешанными эффектами (видов которых выступает многоуровневая регрессионная модель) является обоснованной. Для этого построим нулевую модель - без включения объясняющих переменных - и оценим межклассовый коэффициент корреляции (ICC).

Построение нулевой модели дало следующие необходимые компоненты для подсчета межклассового коэффициента корреляции. Вариация константы - 0.02998, вариация остатков - 0.14503. Соответственно,

ICC = 0.02998 / (0.02998+0.14503) * 100 = 17.13 %

Значение коэффициента превышает 13%, на основании чего делаем вывод, что дальнейшее использование модели со смешанными эффектами обосновано, реализация обычной линейной регрессии на объединенной выборке не является лучшим вариантом в данном случае.

Подтвердим данный вывод графически, построив график, отражающий реализацию многократного извлечения случайных выборок и подсчета по ним среднего значения по патриотизму. В нашем случае количество многократных извлечений было задано в 1000 раз, см. Рис. 5.



Рис. 5. Случайные распределения патриотизма для исследуемых стран

Как мы видим, нет выбивающихся стран, которые могли мы перетянуть весь эффект межклассового коэффициента корреляции, поэтому значению ICC можно доверять. К тому же случайно заданная выборка достаточно гетерогенна, значения колеблются от 0.6 до 1. Правда, значения случайно заданной выборки не по всем странам совпадают с реальным распределением по переменной, отражающей патриотизм.

Нулевая модель так же дала представление о значениях и значимости случайных эффектов на константу: они почти для всех стран значимо отличны от нуля, присутствуют как положительные, так и отрицательные отклонения от среднего значения отклика по всей выборке.

После подтверждения обоснованности использования моделей со смешанными эффектами и отсутствия мультиколлинерности реализуем основной метод исследования - многоуровневую регрессию. Анализ включает в себя последовательную реализацию следующих шагов:

1. Построение модели с включением фиксированных эффектов для объясняющих переменных индивидуального уровня;

2. Построение модели с включением фиксированных эффектов для объясняющих переменных индивидуального уровня и страновых переменных - война и терроризм;

3. Построение модели с включением фиксированных эффектов для объясняющих переменных индивидуального уровня и странового уровня;

4. Построение модели с включением фиксированных эффектов для объясняющих переменных индивидуального уровня, странового уровня, с включением случайных эффектов на наклон для переменной индивидуального уровня;

5. Построение модели с включением фиксированных эффектов для объясняющих переменных индивидуального уровня, странового уровня, с включением случайных эффектов на наклон для переменной индивидуального уровня и переменной взаимодействия между переменными разного уровня.

Как мы видим, многоуровневый анализ предполагает последовательное включение различного рода эффектов для их постепенного оценивания. Включение всех эффектов и переменных сразу недопустимо.

Построение модели с включением фиксированных эффектов для объясняющих переменных индивидуального уровня (1), см. Табл. 1. Модель (и все последующие модели) была оценена посредством метода максимального правдоподобия, так как пострановая выборка больше 35, и мы хотим оценить модели с разным количеством фиксированных эффектов. Модель содержит константу, фиксированные эффекты для доверия к СМИ, переживаний о войне и терроризме. Также в модель включены контрольные переменные, пол и возраст, интерпретация которым дана не будет. Контрольные переменные включены во все реализованные модели.

Интерпретация коэффициентов:

1. Константа (г₀₀): в среднем по всей выборке при равенстве всех предикторов 0 значение патриотизма равно 0.846.

2. Доверие к СМИ (г₁₀): в среднем по всей выборке при прочих равных при увеличении доверия к СМИ на 1 патриотизм увеличится на 0.013.

3. Переживания о войне (г₂₀): в среднем по всей выборке при прочих равных при увеличении переживаний о войне на 1 патриотизм увеличится на 0.015.

4. Переживания о терроризме (г₃₀): в среднем по всей выборке при прочих равных при увеличении переживаний о терроризме на 1 патриотизм увеличится на 0.014.

Табл. 1 - Фиксированные эффекты многоуровневой модели

y - Патриотизм
Константа (г00)	0.846*** (0.000)	0.837*** (0.000)	0.85*** (0.000)	0.843*** (0.000)	0.849*** (0.000)
Доверие к СМИ (г10)	0.013*** (0.000)	0.013*** (0.000)	0.013*** (0.000)	0.013*** (0.000)	0.013*** (0.000)
Переживания о войнеij (г20) ...

Подобные документы

• Казахстанский патриотизм: идея, проблемы формирования

  Определение, содержание и роль патриотизма в процессе развития общества. Государственная независимость Республики Казахстан – главная предпосылка формирования казахстанского патриотизма, его цели и задачи. Основные направления идеологии государства.
  
  контрольная работа [31,1 K], добавлен 07.02.2011
  

• Главные угрозы для безопасности России

  Главные угрозы безопасности: внешние, внутренние, трансграничные. Характеристика объектов безопасности. Угрозы национальной экономической безопасности. Принципы обеспечения безопасности Российской Федерации. Основные функции системы безопасности.
  
  реферат [30,8 K], добавлен 13.04.2014
  

• Актуализация проблем патриотизма в условиях глобальной интеграции мира

  Многовековая агрессия Запада против России. Оценка отечественной истории и настоящего. Укрепление экономического, научного, социального потенциала, морально-политического потенциала как элемента военной мощи. Рассмотрение в литературе проблем патриотизма.
  
  реферат [29,3 K], добавлен 20.03.2016
  

• Технология создания "образа врага" как политического инструмента воздействия на создание общественных масс в СССР и современной России

  Феномен появления концепции "образа врага" в политической и общественной жизни СССР. Особенности причинно-следственной связи процесса актуализации "образа врага" в 2013-2015 годах в Российской Федерации. Документальные фильмы как инструменты пропаганды.
  
  реферат [183,1 K], добавлен 23.09.2016
  

• Репрезентация образа России в испанском медиадискурсе

  Определение понятий "дискурс", "медиадискурс". Роль средств массовой информации в процессе формирования образа государства. Способ репрезентации образа России как государства и как страны с многовековой культурой. Анализ современной испанской прессы.
  
  курсовая работа [53,9 K], добавлен 23.02.2014
  

• Место и роль России в мировой системе

  Современные международные отношения и внешняя политика. Место и роль России в современной системе международной политики. Основные приоритеты международной и внешней политики РФ. Актуальные проблемы, угрозы и вызовы России в международных отношениях.
  
  контрольная работа [39,3 K], добавлен 20.11.2014
  

• Состав и структура политической теологии К. Шмитта

  Проблема соотношения теологии и политики в учении Карла Шмитта. Интерпретации концепции естественного состояния. Анализ основных понятий, на которых базируется современное государство. Сравнение религиозного и философских принципов его построения.
  
  реферат [30,3 K], добавлен 03.09.2016
  

• Имидж политического лидера: сравнительный анализ

  Развитие имиджа политического лидера на основе факторов внешней и внутренней политики. Формирование имиджа на основе речевых стратегий. Качественные и количественные изменения в лексическом составе языка. Виды коммуникативных стратегий в разных дискурсах.
  
  дипломная работа [84,2 K], добавлен 09.04.2015
  

• Оппозиционные политические движения

  Политический PR как отдельный вид PR деятельности. Основные направления и категории. Политическое продвижение в социальных сетях. Исследование активности запросов с помощью Google Trends. Деятельность оппозиции как первоисточник политического протеста.
  
  дипломная работа [16,0 M], добавлен 13.02.2016
  

• Информационно-идеологическое обеспечение внешней политики Республики Беларусь

  Деятельность государства в сфере международных отношений. Национальные интересы и приоритеты внешней политики Республики Беларусь. Способы обеспечения внутренней и внешней поддержки целей и задач внешнеполитической стратегии правительства государства.
  
  контрольная работа [38,7 K], добавлен 17.08.2011
  

• Образ врага в российской политической коммуникации

  Сущность и подходы к исследованию процесса формирования политического образа. Концепция образа врага в современной науке, политический контекст его развития. Образ врага в период выборов депутатов Государственной думы, мэра Москвы, Крымского референдума.
  
  дипломная работа [90,7 K], добавлен 25.07.2017
  

• Идеологические основы внешней политики Исламской Республики Иран

  Политические взгляды Имама Хомейни, суть его теории о правлении факиха и формирование основных принципов внешней политики Исламской Республики Иран. Особенности и направления внешнеполитической деятельности Ирана при духовном руководстве Имама Хомейни.
  
  контрольная работа [37,1 K], добавлен 23.09.2016
  

• Маргарет Тэтчер: эволюция образа политического лидера

  Британское общество в политических процессах Великобритании 1920–1990-х гг. Развитие института политического лидерства и премьер-министры Великобритании в 1920–1979-х гг. Трансляция образа М. Тэтчер в годы политической деятельности Железной леди.
  
  дипломная работа [4,1 M], добавлен 07.06.2017
  

• Внешняя политика: сущность, функции, цели, средства, субъекты

  Цель данной работы – проанализировать внешнюю политику как элемент политического процесса. Сущность и субъекты внешней политики. Цели и функции осуществления внешней политики. Средства внешней политики. Отражение реальных общественных потребностей.
  
  контрольная работа [15,6 K], добавлен 18.01.2009
  

• Место и роль внешней политики в жизни общества

  Специфика международных отношений. Сущность и роль внешней политики. Ее взаимоотношения с внутренней политикой. Проблемы становления нового миропорядка. Национальные интересы и их отражение во внешнеполитической концепции украинского государства.
  
  реферат [37,8 K], добавлен 13.06.2013
  

• Внешняя политика государства

  Понятие и содержание внешней политики, ее главные цели и функции, принципы формирования, средства реализации. Международные отношения: субъекты и классификация. Общие положения концепции внешней политики РФ, приоритеты и решение глобальных проблем.
  
  реферат [52,5 K], добавлен 12.12.2014
  

• Формирование имиджа России

  Определение сущности позиционирования внешнего и внутреннего имиджа Российской Федерации при помощи PR-методов на современном этапе развития международных политических отношений. Значение влияния СМИ на восприятие гражданами внешней политики России.
  
  курсовая работа [25,4 K], добавлен 27.12.2010
  

• Россия в системе международных военно-политических отношений

  Роль России в системе военно-политических отношений. Характеристика сегодняшней глобальной военно-политической обстановки в мире. Внутренние угрозы военной безопасности Российской Федерации. Формирование пояса стабильности по периметру российских границ.
  
  реферат [36,5 K], добавлен 09.02.2010
  

• Эволюция внешней политики Великобритании в середине XX - начале XXI века

  Внешнеполитическое положение Великобритании после Второй Мировой войны. Особенности внешней политики страны в этот период. Влияние биполярного международного порядка на политические направления. Основные векторы современного внешнеполитического курса.
  
  дипломная работа [139,6 K], добавлен 24.05.2015
  

• Вопросы преемственности российской внешней политики и дипломатии

  Роль преемственности внешней политики в стабильности международных отношений. Особенности российской государственности и дипломатии в исследованиях основоположника американской советологии Кеннана. Основные черты территориальной экспансии в государстве.
  
  контрольная работа [36,5 K], добавлен 29.08.2011
  

• главная
• рубрики
• по алфавиту
• вернуться в начало страницы
• вернуться к началу текста
• вернуться к подобным работам