2. Далее модель обучается на 80% данных, которые разметили работники от AMS с помощью 50-слойной нейронной сети, а качество модели проверяется на валидационной части изображений, которые не принимали участие в обучении модели. На валидационной части модель хорошо показала себя по ROC/AUC метрикам для предсказания бинарных классов, а для предсказания уровня насилия модель показала высокий R^2 (0.809), что говорит о хорошем качестве модели (см. Рис. 1-2). Именно этой моделью делятся исследователи, которые разработали данный метод количественной оценки насилия в визуальном контенте. Модель легко загрузить по ссылке на Dropbox, размещенной в Github-репозитории проекта [55].

3. С помощью уже обученной модели достаточно легко получить оценку насилия на новых изображениях протестов, а также вероятности присутствия на изображении атрибутов, перечисленных в пункте 1b. Важно также отметить, что модель в результате своей работы возвращает универсальную оценку насилия, изображенного в визуальном контенте, согласно тому, какую оценку получали похожие с векторной точки зрения изображения. [21, с.3-6]

Таблица 1

Атрибуты в визуальном контенте и их дескрипторы

Источник: Donghyeon, Steinert-Threlkeld, Jungseock, 2017

Рис. 1 Результаты модели по предсказанию атрибутов протеста

Источник: Donghyeon, Steinert-Threlkeld, Jungseock, 2017

Рис. 2 Результаты модели по оценке уровня насилия

Источник: Donghyeon, Steinert-Threlkeld, Jungseock, 2017

Обучение предложенной модели основывалось на данных, полученных через службу разметки данных Amazon Mechanical Truck. Использование модели Брэдли-Тэрри для оценки насилия, представленного на изображении, можно считать более надежным и достоверным, чем метод, когда один исследователь проводит анализ визуального дискурса. Причина этого кроется в том, что предвзятость ученого способна существенно повлиять на выводы, сделанные из анализа визуального контента. Принимая во внимание размер выборки и количество работников, которые участвуют в оценивании каждой пары, можно сделать вывод, что этот способ оценки уровня насилия является (более) «объективным», чем когда этот процесс повторяет исследователь в одиночку [21].

Другой важный аспект при использовании нейронной сети в исследованиях -- это проблема черного ящика. Она возникает при работе с нейронными сетями, потому что возможно напрямую контролировать и интерпретировать только те данные, которые модель получает на вход и выдает на выход. В отличие от регрессии, нейронная сеть не позволяет со 100% достоверностью оценить, какие параметры входных данных являются наиболее значимыми для модели и проинтерпретировать взаимосвязи разных параметров с зависимой переменной.

Но здесь важно понимать, что нейронные сети являются черными ящиками внутри самого алгоритма, когда работают с векторизованной формой обрабатываемых моделью признаков. В случае визуального контента, нейронная сеть может работать с векторизованной формой каждого отдельного пикселя картинки. Вот почему репутация “черного ящика” заставляет ученых, которые стремятся к пониманию какого-либо явления, избегать использования нейронных сетей в исследованиях. Тем не менее, в контексте данной работы необходимо учитывать тот факт, что первоочередная цель заключается не в понимании того, как на алгоритмическом уровне насилие оценивается нейронной сетью через векторизацию пикселей изображения и какие параметры влияют на оценку насилия больше всего, а в том, как люди воспринимают и оценивают насилие в визуальном контенте и как можно это перевести в цифровую шкалу. Так, наш фокус перемещается к тому, какой информацией и какими данными мы обучаем модель, что получаем на выходе. Единственная операция, которая выполняется в «черном ящике» -- это сопоставление оценок, полученных из попарных сравнений изображений разметчиками и подсчета глобального ранга изображения на шкале насилия помощью формулы Брэдли-Тэрри с векторизованной формой пикселей изображения. Чтобы дать оценку насилия, модель устанавливает, на какой пиксель из набора данных для обучения похож представленный новый пиксель. Так как модель знает уровень насилия, который соответствует пикселю из набора данных для обучения, она может присвоить уровень насилия похожему пикселю. Повторив эту операцию на каждом из пикселей модель может сделать вывод о том, каков уровень насилия «представлен» в каждом пикселе анализируемого изображения. Тем самым, модель не упускает ни одной детали, которую может не заметить человек.

С одной стороны, может показаться, что разбиение картинки на пиксели приведет к тому, что смысл и посыл картины как единого, целого объекта будет обесценен. Однако, это не совсем верно, потому что посыл и рефлекторная составляющая картины состоит как раз из объектов, сцен, которые запечатлены на изображении в определенном порядке, что в свою очередь строго передается пикселями от одной картинки к другой. Они не подвержены когнитивным искажениям человека, который может спутать оттенки цвета или не разглядеть маленькую, но значимую деталь на фоне. Разбиение картинки на пиксели может быть прекрасным решением для того, чтобы сохранить каждую часть изображения такой, какой она изначально задумывалась создателем изображения и тем, что эта картина запечатлела, без искажений. Другие потенциальные плюсы и минусы использования нового метода оценки уровня насилия в изображениях протеста будут представлены в обсуждении результатов работы.

Как итог, анализ вопросов и соображений по поводу применения модели на основе нейронных сетей для анализа уровня насилия в визуальном контенте дает возможность использовать новый метод с лучшим пониманием потенциальных преимуществ и ограничений нового метода. Далее будет продемонстрировано то, как обсуждаемый метод может быть использован для оценки уровня насилия в визуальном контенте в социальных сетях во время протестов лета 2019 года в г. Москва.

2.2 Демонстрация новых методов на примере московских протестов лета 2019 года

Летом 2019 года в Москве прошли акции протеста в поддержку оппозиционных кандидатов в депутаты Московской Городской Думы. Протесты были вызваны решением Центральной избирательной комиссии (ЦИК) не допустить многих оппозиционных кандидатов. Данные мероприятия проходили во многих городах России, но главным местом их проведения была Москва.

Самые крупные по масштабам акции протеста прошли 20 июля, 27 июля и 10 августа 2019 года. Разными источниками отмечались необоснованные задержания протестующих с чрезмерным употреблением силы со стороны правоохранительных органов [56-58]. После и во время протестов также последовали аресты и задержания участников акций по разным обвинениям (организация массовых беспорядков, сопротивление правоохранительным органам, применение насилия по отношению к сотрудникам), некоторые из обвинений закончились реальными тюремными сроками [59]. Таким образом, ожидается, что в некоторой части визуального контента протестов в социальных сетях будет запечатлено насилие. Кроме того, есть основания полагать, что насилие должно встречаться на фотографиях, где есть сотрудники правоохранительных органов и протестующие: на таких изображениях следует ожидать большего уровня насилия, чем на тех, где сотрудников силовых структур нет.

Для того чтобы оценить уровень насилия в изображениях акций протеста лета 2019 года в Москве, будут собраны изображения из публикаций в “Facebook”, опубликованных в московских геотегах с 20 июля по 10 августа 2019 года с хэштегом #допускай. Более конкретно, было загружено 96 фотографий протестных акций, соответствующих всем необходимым условиям.

“Facebook”, как источник фотографий, был выбран только для иллюстрации нового решения. При наличии большого хранилища данных, а также процессоров с графическими картами можно загрузить в модель большое количество изображений из разных источников и сравнивать результаты между выбранными источниками.

Средний уровень насилия на всех изображениях, которые были представлены на оценку модели, составил 0.36, медианное значение - 0.35 из 1 возможного. Величина уровня насилия распределена нормально, отсутствуют выбросы (см. Рис. 3-4).

Рис. 3 Распределение уровня насилия на фото московских протестов

Рис. 4 График «ящик-с-усами» для уровня насилия на фотографиях московских протестов

Если сравнивать значение среднего уровня насилия во время московских протестов с другим протестами, которые представлены в статье про создании нового метода, то протесты в Москве были менее жестокими, чем протесты в Венесуэле, Гонконге, Южной Корее и протестные акции “BlackLivesMatter” [21, с. 7]. Изображения с максимальным и минимальным уровнем насилия из собранной выборки также представлены в этой работе (см. в приложении).

Следующим шагом представлен анализ того, какие атрибуты наиболее всего скоррелированы с уровнем насилия, которое фиксируется в изображении. Согласно тепловой карте матрицы корреляций (см. Рис. 5), наиболее скоррелированные признаки - насилие и полиция (police). Оба показателя имеют сильную положительную корреляцию (около 78%), что представляется логичным, потому что самым возможным конфликтом в рамках протеста является конфликт протестующего с представителем правоохранительных структур. Ярко выраженную отрицательную корреляцию с насилием и полицией имеют такие атрибуты, как баннеры, фотографии на баннере, флаги, большие группы людей и дети.

Рис. 5 Тепловая карта корреляций признаков на фотографиях московских протестов

Данные наблюдения частично совпадают с тем, что отмечали про взаимосвязь атрибутов авторы статьи про новый метод на примере других протестов [21, с.5]. Главное расхождение можно заметить лишь в том, что полиция и насилие слишком сильно скоррелированы в выборке изображений московских протестов - уровень скореллированности этих факторов был в два раза меньше того, что зафиксирован на выборке изображений с протестов в Москве. Потенциально данное наблюдение подтверждает тот факт, что со стороны сотрудников правоохранительных органов имело место применение чрезмерное применение насилия к протестующим.

Как итог, важно подчеркнуть, что в демонстрации решения применялось 96 изображений, а значит, представленные в исследовании выводы имеют некоторый уровень достоверности. Так, уровень насилия отличен от нуля на изображениях московского протеста с учетом 95%-доверительного интервала (при среднем значении в 0.35 с доверительным интервалом [0.1; 0.63]), что потенциально указывает на неслучайность полученных результатов. Также наблюдается сильная корреляция между уровнем насилия и присутствием правоохранительных органов на изображении (при коэффициенте корреляции Пирсона равным 0.78 для 96 наблюдений 95% доверительный интервал составляют следующие значения [0.68; 0.84]). Код анализа на языке программирования Python и изображения, которые использовались в работе, можно просмотреть и скопировать из папки общего доступа на Google Drive [67].

Таким образом, вне зависимости от количества изображений модель будет проводить абсолютно одинаковые операции над каждым из десятков тысяч изображений, что делает результаты модели более стабильными. Такая стабильность позволяет с уверенностью сравнивать результаты работы модели между собой. Маловероятно, что один или даже несколько тысяч человек смогут провести такую же операцию и обеспечить стабильность полученных результатов.

2.3 Будущее методов анализа визуального контента в политической науке

При полученных в этой работе обсуждении результатов, следует обратить внимание на потенциальные ограничения применения метода, улучшения методов изучения данной темы и направления для будущих исследований.

Генерализация результатов модели может вызывать вопросы в случаях, когда сравниваются результаты, протестированные на изображениях акций протеста в разных регионах мира. Если мы не делаем предположение, что протесты в современном мире универсальны в том, как они транслируют насилие через визуальный контент, то у нас есть основания полагать, что результаты применения модели плохо генерализируемы. В качестве потенциального варианта ответа на это ограничение можно сформировать альтернативную гипотезу о том, что протесты в разных странах мира универсальны из-за процесса глобализации, особенно в области новых технологий, таких как использование социальных сетей, Интернета. Поэтому в данном ограничении лежит также возможность для будущих исследований изучить, разнятся ли протесты в разных частях мира с точки зрения того, как они транслируют насилие через визуальный контент. Следует также заметить, что качественные методы исследования полагаются на данное предположение. Это может вызвать вопросы об адекватности применения методов для понимания протестов, которые были разработаны с учетом европоцентричной модели восприятия и интерпретации результатов.

Схожим, но уже более серьезным ограничением использования метода может стать отсутствие уверенности в универсальности восприятия насилия людьми разных культур. Разработанная модель обучалась на данных, размеченных сотрудниками США, что ставит под сомнение факт того, дали бы люди из Китая (Индии, России, Бразилии, Танзании и других стран) аналогичные оценки насилия в тех же изображениях. Подобным образом данное ограничение может быть проверено при помощи метода сравнения результатов разметки людьми из разных культур и поиском статистически значимых разниц в результатах оценки насилия в визуальном контенте протестов между разметчиками с разным культурным опытом. Это же касается и того, чтобы в разметке принимали участие люди разной расовой и гендерной принадлежности, сексуальной ориентации. В таком случае модель можно считать наименее предвзятой. Данный вариант можно считать наилучшим для избежания искажений и предвзятости, которую могут привнести разметчики данных в модель [60-62].

В свете двух предыдущих замечаний об ограничении количественных методов анализа визуального контента важно понимать, что качественные методы также имеют эти ограничения. Этот факт говорит о том, что будущие исследования с фокусом на изучении этих ограничений внесут большой вклад в понимание анализа визуального контента для политической науки.

Касательно того, какие дальнейшие исследования могут быть востребованы на основе продемонстрированных новых методов анализа визуального контента, можно начать с предложения изучить взаимосвязь насилия с различными атрибутами протестов. На большей выборке можно получить более достоверные выводы о том, как взаимосвязаны насилие и другие атрибуты протестов (знаки, фотографии на знаках, огонь, полиция, дети, группа больше 20 человек, группа больше 100 человек, флаг, ночь, крик). Также можно провести более обширное исследование с различными сравнениями протестов с точки зрения уровня насилия и атрибутов, которые присутствуют на них, сравнивая протесты из разных стран, разных поводов, различных по составу участников.

В рамках более широкой темы использования новых методов в сфере анализа визуального контента стоит еще раз сказать об упомянутых во введении исследованиях взаимосвязи демографии с различными политическими событиями и явлениями. С помощью новых методов анализа визуального контента можно проводить исследования, связанные с анализом данных со спутниковых снимков из космоса, которые можно использовать для изучения организации экономических пространств, развития публичных благ, конфликтных процессов между странами и внутри страны. Также с помощью снимков жителей, которые сделаны на смартфон в местах их проживания, можно оценить качество предоставления государством публичных благ: дорог, школ, больниц [34, с.18-22]. Необходимо также понимать, что дальнейшие исследования визуального контента можно комбинировать с качественными методами анализа визуального контента.

Таким образом, на основе обсуждения методов и результатов работы становится ясно, что для дальнейшего использования новых методов визуального контент-анализа необходимо проводить дополнительные исследования, которые, с одной стороны, могут рассматриваться как фундаментальные для самой политической науки, а с другой - могут принести пользу в понимании практического применения новых методов визуального анализа контента.

Заключение

В данной работе был продемонстрирован вариант построения исследования с использованием нового метода по количественному анализу уровня насилия в визуальном контенте протестов. Наряду с обсуждением практических моментов использования нового метода, в работе представлено обсуждение концепта насилия с точки зрения политической теории. Из чего следует, что насилие может пониматься как количественная характеристика, рассчитанная с помощью инструментов.

Кроме того, как было показано в работе, изучение протестов и их визуального аспекта является важной частью исследований в рамках политической науки. В условиях увеличения объемов визуального контента, который влияет на формирование существующей реальности, становится необходимым применять новые количественные методы его анализа. Среди важных преимуществ новых количественных методов анализа визуального контента выделяются следующие:

1. Снижение предвзятости при оценке различных характеристик изображений путем обучения модели на выборке из тысячи наблюдений и участия большого количества людей в процессе обучения по сравнению с качественными исследованиями, где интерпретации исследователя и его предвзятость могут исказить результаты;

2. Генерализируемость и масштабируемость результатов, которые достигаются за счет единой процедуры обработки изображений с помощью конкретной модели на основе нейронных сетей. Благодаря этому, появляется возможность сравнивать между собой как отдельные изображения, так и большие объемы изображений из разных источников.

Среди важных ограничений новых количественных методов можно выделить следующие:

1. Сомнение в том, что разметчики данных с разным социальным опытом могут по-разному интерпретировать изображения: это может сделать модель предвзятой и исказить результаты. Например, одинаково ли воспринимают и оценивают насилие в визуальном контенте разметчики из Южной Корее и США?

2. Сомнение в том, что явления в разных регионах мира универсальны и могут быть оценены по единым характеристикам. Например, отличаются ли протесты в Венесуэле могут отличаться от протестов в Российской Федерации? Влияет ли это различие, если оно существует, на то, как должны оцениваться характеристики этих протестов в рамках визуального контента?

Вопросы, вытекающие из ограничений новых количественных методов анализа визуального контента, одновременно являются и направлениями для будущих исследований в области их использования. Работы по сравнению различных характеристик протестов расширят существующее понимание об их универсальности в современном мире, а также могут улучшить понимание того, как социальный опыт разных людей может влиять на восприятие насилия и протестов.

Подводя итог всей работы, можно отметить, что в ней представлен вариант проведения исследования с использованием новых количественных методов анализа визуального контента, который учитывает и практическую реализацию нового метода, и теоретическое обоснование уместности его использования для понимания явлений, которые с помощью данного метода исследуются. В контексте данного исследования на примере использования нового метода по определению уровня насилия в визуальном контенте социальных сетей во время протестов лета 2019 года в Москве (1) была проработана концепция насилия с точки зрения политической теории, (2) было определено место исследования в корпусе работ по изучению протестов и их визуальной составляющей, (3) были определены преимущества и ограничения использования новых методов вместе с детальным описанием процесса разработки модели. Таким образом, важными элементами работ, которые используют новые количественные методы анализа визуального контента, являются (1) теоретическое обоснование концепта, который изучается новым методом анализа визуального контента, (2) место исследования в контексте других работ визуального контента и явлений, которые запечатлены на изображениях, (3) подробное описание механизма создания нового метода для анализа визуального контента с описанием его преимуществ и ограничений.

Список литературы

1. MacKay K. The Trade Unions and Contemporary Protest. Solidarity and Symbolic Protest // Labour Le Travail. 2002. N 50(1). C. 21-72.

2. Mandal S.K. For the Record: An Antiwar Protest in Jakarta Days before the Bali Bomb Attacks (A Photo-Essay) // Positions East Asia cultures critique. 2005. N 3(1). C. 115-120.

3. Schwartz D. Pictures at a Demonstration // Visual Studies. 2002. N 17(1) C. 27-36.

4. Barnhurst K. G., Steele C. A. Image-bite news: The visual coverage of elections on US television, 1968-1992 // Harvard International Journal of Press/Politics. 1997. N 2(1). C. 40-58.

5. Barrett A. W., Barrington L. W. Is a picture worth a thousand words? Newspaper photographs and voter evaluations of political candidates // Harvard International Journal of Press/Politics. 2005. N 10(4). C. 98-113.

6. Gilliam Jr, Franklin D, Iyengar S. Prime suspects: The influence of local television news on the viewing public. // American Journal of Political Science. 2002. C. 560-573.

7. Grabe M. E., Bucy E. P. Image bite politics: News and the visual framing of elections // Oxford University Press. 2009.

8. Bohnsack R., Pfaff N., Weller W. Qualitative Analysis and Documentary Method in International Educational Research: Barbara Budrich Publishers, 2010. - ISBN 978-3-86649-236-3 (Barbara Budrich Publishers).

9. Mayring P. Qualitative Content Analysis // A Companion to Qualitative Research. 2004. С. 266-9.

10. Bourdieu P. Photography: A Middle-Brow Art // Stanford, CA: Stanford Univ. Press. 1996.

11. Panofsky E. Iconography and Iconology: An Introduction to the Study of Renaissance Art / под ред. E. Panofsky - NY, 1955. С. 26-54.

12. Grimmer J. A Bayesian hierarchical topic model for political texts: Measuring expressed agendas in Senate press releases // Political Analysis. 2010. N 18(1). C. 1-35.

13. Grimmer J., Brandom M. S. Text as Data: The Promise and Pitfalls of Automatic Content Analysis Methods for Political Texts // Political Analysis. 2013. N 21(3). C. 267- 297.

14. Hopkins D. J., King G. A Method of Automated Nonparametric Content Analysis for Social Science // American Journal of Political Science. 2010. N 54(1). C. 229-247.

15. Mikhaylov S., M. Laver, K. R. Benoit. Coder Reliability and Misclassification in the Human Coding of Party Manifestos // Political Analysis. 2011. N 20(1). C. 78-91.

16. Laver M., Kenneth B., John G. Extracting Policy Positions from Political Texts Using Words as Data // American Political Science Review. 2013. N 97(2). C. 311-331.

17. Brendan O., Balasubramanyan R., Routledge B. R., Smith N.A. From tweets to polls: Linking text sentiment to public opinion time series / Icwsm 11(122-129). 2010. C. 1-2.

18. Tumasjan A., Timm O. S., Sandner P. G., Welpe I. M. Predicting elections with twitter: What 140 characters reveal about political sentiment / Icwsm 10(1). 2010. C. 178-185.

19. Wang Y., Yuncheng L., Jiebo L. Deciphering the 2016 US Presidential Campaign in the Twitter Sphere: A Comparison of the Trumpists and Clintonists. ICWSM, 2016.

20. Abhijnan C., Messias J., Benevenuto F., Ghosh S., Ganguly N., Krishna P.G. Who makes trends? understanding demographic biases in crowdsourced recommendations [Электронный ресурс]: 2017 (Препринт). URL: https://www.researchgate.net/publication/318868540_ On_Quantifying_Knowledge_Segregation_in_Society (дата обращения 20.04.2020).

21. Donghyeon W., Steinert-Threlkeld Z., Jungseock J. 2017. Protest Activity Detection and Perceived Violence Estimation from Social Media Images. 2017 ACM. Multimedia Conference. ACM. C. 786-794.

22. Tufekci Z., Wilson C. Social Media and the Decision to Participate in Political Protest: Observations From Tahrir Square // Journal of Communication. 2012. N 62(2). C. 363-379.

23. Opp K., Gern C. Dissident Groups, Personal Networks, and Spontaneous Cooperation: The East German Revolution of 1989 // American Sociological Review. 1993. N 58(5). C. 659-680.

24. Beissinger M. R. The Semblance of Democratic Revolution: Coalitions in Ukraine's Orange Revolution // American Political Science Review. 2013. N 107(03). C. 574-592.

25. McAdam D. Recruitment to High-Risk Activism: The Case of Freedom Summer // American Journal of Sociology. 1986. N 92(1). C. 64-90.

26. Herzog A. The concept of violence in the work of Hannah Arendt // Continental Philosophy Review. 2017. N 50. С.165-179.

27. Braun K. Biopolitics and Temporality in Arendt and Foucault // Time & Society. 2007. N 16(1). C.5-23.

28. Ayyash M. The paradox of political violence // European Journal of Social Theory. 2013. N 16(3). C. 342-356.

29. Finlay J. Cr. Hannah Arendt's critique of violence // Thesis Eleven. 2009. N 97. C.26-45.

30. Mensch J. Violence and existence: an examination of Carl Schmitt's philosophy // Continental Philosophy Review. 2017. N 50. С.249-268.

31. Арендт Х. О насилии / Пер. с англ. Г.М. Дашевского М.: Новое издательство, 2014. - 148 с.

32. Spiegeleire S., Sweijs T. Volatility and Friction in the Age of Disintermediation [Электронный ресурс]: Hague Centre for Strategic Studies. - 2017. URL: https://www.jstor.Org/stable/resrepl2618.9 (дата обращения 05.05.2020).

33. Philipps A. Visual protest material as empirical data // Visual Communication. 2012. N 11(1). C.3-21.

34. Joo J., Steinert-Threlkeld Z. Image as Data: Automated Visual Content Analysis for Political Science. - Лос-Анджелес, 2018. (Препринт / University of California).

35. Peters A. M. Giorgio Agamben's Homo Sacer Project // Educational Philosophy and Theory. 2014. N 46:4. C.327-333.

36. Goldsmith A. A. Mixed regimes and political violence in Africa // The Journal of Modern African Studies, N 48(3). C. 413-433.

37. Smith L. Political Violence and Democratic Uncertainty in Ethiopia [Электронный ресурс]: US Institute of Peace. - 2007. URL: https://www.jstor.org/stable/resrepl2424 (дата обращения 18.04.2020).

38. Malaquias A. The Tenuous Foundations of One of Africa's Stable States Report [Электронный ресурс]: Africa Center for Strategic Studies. - 2011. URL: https://www.jstor.Org/stable/resrepl9163.5 (дата обращения 18.04.2020).

39. Obadare E. Democratic Transition and Political Violence in Nigeria [Электронный ресурс]: Africa Development. N 24(1/2). - 1999. C. 199-219. URL: https://www.jstor.org/stable/24484543 (дата обращения 18.04.2020).

40. Basedau M., Lacher W. A Paradox of Plenty? Rent Distribution and Political Stability in Oil States [Электронный ресурс]: German Institute for Global and Area Studies (GIGA). -2006. N 21. URL: https://www.jstor.org/stable/resrep07621 (дата обращения 18.04.2020).

41. Kuran T. Sparks and Prairie Fires: A Theory of Unanticipated Political Revolution // Public Choice. 1989. N 61, 1. C. 41-74.

42. Lohmann, S. The Dynamics of Informational Cascades: The Monday // The Journal of Politics. 1994. N 56.

43. Muller E.N., Opp K-D. Rational Choice and Rebellious Collective Action // The American Political Science Review 80, 1986. N 2. C. 471-488.

44. Tufekci, Z. Big Questions for Social Media Big Data: Representativeness, Validity and Other Methodological Pitfalls. - Энн Арбор. 2014 (Препринт / In Proceedings of the 8th International AAAI Conference on Weblogs and Social Media).

45. Ениколопов Р., Макарьин А., Петрова М. Социальные медиа и политические протесты // Вестник общественного мнения. 2015. №3-4. С. 149-158.

46. Earl J. Political Repression: Iron Fists, Velvet Gloves, and Diffuse Control // The Annual Review of Sociology. 2011.

47. Earl J., Hunt J., Garrett R.K., Dal A. New Technologies and Social Movements // The Oxford Handbook of Social Movement. 2015.

48. Gerbaudo, P. One Foot on the Streets, One Foot on the Web: Analyzing the Ecosystem of Protest Movements in an Era of Pervasive Digital Communication // The Oxford Handbook of Networked Communication. 2020.

49. Wetzstein, I. The Visual Discourse of Protest Movements on Twitter: The Case of Hong Kong 2014 // Media and Communication. 2017. N 5(4). С. 26-36.

50. Ekstrand V. S., Silver D. Remixing, reposting, and reblogging: Digital media, theories of the image, and copyright law // Visual Communication Quarterly. 2014. N 21(2). C. 96-105.

51. Doerr N., Mattoni A., Teune S. Toward a Visual Analysis of Social Movements, Conflict, and Political Mobilization // Research in social movements, conflict and change [под ред. Doerr N., Mattoni A., Teune S.]. Emerald Group Publishing, 2013. - С. 144-251.

52. Doerr N., Mattoni A., Teune S. Visuals in Social Movements // The Oxford Handbook of Social Movement. 2015.

53. Zachary C., Steinert-Threlkeld, Z. Spontaneous Collective Action: Peripheral Mobilization During the Arab Spring // American Political Science Review. 2017. №111(02). С. 379-403.

54. Zachary C., Steinert-Threlkeld, Z., Mocanu, D., Vespignani, A., and Fowler, J. Online social networks and offline protest // EPJ Data Science. 2015.

55. Protest Activity Detection and Perceived Violence Estimation from Social Media Images [Электронный ресурс]: Github-репозиторий. URL: https://github.com/wondonghyeon/protest-detection-violence-estimation (дата обращения: 16.05.2020).

56. Коржова Д. Жесткий разгон акции протеста в Москве. Главное [Электронный ресурс]: Ведомости. 2019. URL: https://www.vedomosti.ru/politics/articles/2019/07/27/807451-glavnoe (дата обращения: 20.05.2020).

57. Интерфакс. Глава СПЧ заявил, что на акции в Москве были необоснованные задержания [Электронный ресурс]. 2019. URL: https://www.interfax.ru/moscow/670673 (дата обращения: 20.05.2020).

58. Интерфакс. Митинг в поддержку незарегистрированных кандидатов в Москве. Обощение [Электронный ресурс]. 2019. URL: https://www.interfax.ru/moscow/672308 (дата обращения: 20.05.2020).

59. Русская служба BBC. Все фигуранты "московского дела": кто они и что с ними происходит? [Электронный ресурс]. 2020. URL: https://www.bbc.com/russian/features-50055305 (дата обращения: 20.05.2020).

60. Metz R. Why Microsoft Accidentally Unleashed a Neo-Nazi Sexbot [Электронный ресурс]: MIT Technology Review. 2016. URL:

https://www.technologyreview.com/2016/03/24/161424/why-microsoft-accidentally-unleashed-a-neo-nazi-sexbot/ (дата обращения: 16.05.2020).

61. Biased bots: Human prejudices sneak into AI systems [Электронный ресурс]: The University of Bath official site. URL: https://www.bath.ac.uk/announcements/biased-bots-human-prejudices-sneak-into-ai-systems/ (дата обращения: 16.05.2020).

62. Prates M.O.R., Avelar P.H.C., Lamb L.C. Assessing gender bias in machine translation: a case study with Google Translate [Электронный ресурс]: Neural Networks and Applications. N 32. - 2020. С.6363-6381. URL: https://doi.org/10.1007/s00521-019-04144-6 (дата обращения: 16.05.2020).

63. US Congress. United States of America: Uniting and Strengthening America by Providing Appropriate Tools Required to Intercept and Obstruct Terrorism Act of 2001 (USA Patriot Act) [Электронный ресурс]. 2001. URL: https://www.refworld.org/docid/3dea43144.html (дата обращения: 16.05.2020).

64. Meduza. «Пакет Яровой» принят. И это очень плохо [Электронный ресурс]. 2016. URL: https://meduza.io/feature/2016/06/24/paket-yarovoy-prinyat-i-eto-ochen-ploho (дата обращения: 16.05.2020).

65. Корня А. Москвичка просит суд запретить распознавание лиц городской системой видеонаблюдения [Электронный ресурс]: Ведомости. - 2019. URL: https://www.vedomosti.ru/politics/articles/2019/10/06/812955-moskvichka-prosit-sud (дата обращения: 16.05.2020).

66. Meduza. Концлагерь на 10 миллионов уйгуров Китай построил в провинции Синьцзян полицейское государство будущего. Мы там побывали [Электронный ресурс]. 2018. URL: https://meduza.io/feature/2018/09/18/kontslager-na-10-millionov-chelovek (дата обращения: 16.05.2020).

67. thesis_protest_violence [Электронный ресурс]: папка Google Drive. URL: https://drive.google.com/drive/folders/15M_coNSijtWTXXbKCxfcyFvenq0mb7Qw?usp=sharing (дата обращения: 20.05.2020).

Приложения

Приложение 1 Изображение с максимальным уровнем насилия

Источник: Facebok.com

Приложение 2 Изображение с минимальным уровнем насилия

Источник: Facebook.com

Размещено на Allbest.ru