Table of Contents

Цифровой поворот в исторических исследованиях

В течение многих поколений изучение социальных движений опиралось на кропотливую архивную работу: чтение писем от организаторов, ручное кодирование газетного освещения и ведение устных историй. В то время как эти методы дают богатые качественные идеи, они часто упускают крупномасштабные закономерности, которые возникают, когда тысячи событий или документов рассматриваются вместе. Вычислительная история меняет это, применяя количественные методы к оцифрованным источникам, позволяя ученым задавать вопросы, на которые ранее невозможно было ответить. Наличие массивных наборов данных - от оцифрованных газет и государственных записей до миллиардов сообщений в социальных сетях - означает, что исследователи теперь могут отслеживать подъем и падение волн протеста, измерять распространение лозунгов на континентах и определять структурные факторы, которые предсказывают успех или неудачу движений.

Этот сдвиг заключается не только в использовании компьютеров для более быстрого выполнения старой работы. Он представляет собой фундаментальное изменение в эпистемологии исторических исследований. Там, где традиционные историки часто строят аргументы из тщательно отобранных образцов, историки вычислений могут проверять гипотезы на всей вселенной доступных доказательств. Например, вместо того, чтобы полагаться на несколько известных речей для характеристики движения, исследователь может анализировать настроения в каждой речи, листовке и пресс-релизе, производимых этой организацией за десятилетие. Это приближает дисциплину к воспроизводимому, основанному на фактических данных исследованию, все еще уважая интерпретируемую глубину, которую требует история. Рост цифровых гуманитарных центров в таких учреждениях, как Стэнфорд и Университет Вирджинии, ускорил эту трансформацию, создавая специальную инфраструктуру для крупномасштабного текстового и пространственного анализа. Более того, демократизация вычислительной мощности означает, что даже независимые ученые могут теперь анализировать наборы данных, которые потребовали бы университетский мэйнфрейм всего двадцать лет назад, выравнивая игровое поле для исследователей за пределами элитных учреждений.

Ключевые вычислительные методы в исследованиях социальных движений

Появился разнообразный набор инструментов, каждый из которых подходит для различных аспектов динамики социального движения. Ниже приведены наиболее широко используемые методы, а также примеры их применения. По мере созревания области эти методы все чаще объединяются в смешанные методы проектирования, которые сочетают вычислительную шкалу с качественной интерпретацией.

Текстовая добыча и обработка естественного языка

Text mining allows historians to extract themes, sentiments, and framing strategies from large corpora of documents. Using techniques such as topic modeling (e.g., Latent Dirichlet Allocation) and named entity recognition, researchers can identify how movements construct their messages and how those messages change over time. For example, a study of the U.S. civil rights movement might mine thousands of newspaper articles to track the shifting prominence of terms like “nonviolence,” “freedom,” and “justice” across different years and regions. Sentiment analysis can reveal whether media coverage of a protest becomes more positive or negative as the movement gains power, offering insights into the relationship between public opinion and mobilization. Advanced natural language processing models, including transformer-based architectures like BERT, now enable researchers to detect more nuanced linguistic features, such as irony or dog whistles, that earlier keyword-based methods would have missed. Researchers at the Observatory on Social Media (OSoMe) at Indiana University have been at the forefront of developing these tools for protest contexts, providing open-access platforms for analyzing information diffusion.

Сетевой анализ

Сетевой анализ отображает связи между отдельными лицами, организациями и событиями. Реконструируя социальный график движения — кто с кем общался, какие группы разделяли ресурсы, какие активисты были наиболее центральными — исследователи могут идентифицировать ключевых влиятельных лиц, брокерские роли и структурную динамику, которая позволяет или ограничивает коллективные действия. Например, анализ электронной переписки организаций климатической юстиции может показать, как потоки информации между местными главами и международными координационными органами. Такие инструменты, как Gephi или NetworkX, обычно используются для визуализации этих сетей, делая видимыми абстрактные реляционные модели. Этот метод особенно эффективен для изучения формирования и фрагментации коалиций. Более поздняя работа расширила сетевой анализ для изучения временной динамики сетей активистов, спрашивая, как сетевые структуры меняются до, во время и после пиков протеста. Продольные сетевые исследования показали, что движения часто

Геопространственный анализ и картирование событий

Геопространственный анализ Геопространственный анализ добавляет пространственное измерение к исследованию протеста. Геопространственный анализ Геопространственный анализ добавляет пространственное измерение к исследованию протеста. Геопространственный анализ Геопространственный анализ добавляет пространственное измерение к исследованию протеста. Геопространственный анализ показывает, как активисты координировали движение в разных районах, чтобы избежать подавления полиции. Методы обнаружения пространственных кластеров, такие как статистика сканирования Куллдорфа, были адаптированы из эпидемиологии для выявления статистически значимых очагов протестной активности, что позволяет исследователям отличать подлинные волны мобилизации от случайного шума в данных. Глобальная база данных событий, языка и тона (GDELT) предоставляет одно из крупнейших хранилищ геокодированных протестных событий, охватывая источники новостей на более чем 100 языках и позволяя ученым отслеживать пространственное распространение движений через национальные границы.

Временное моделирование и анализ последовательностей

Временное моделирование фокусируется на сроках и последовательности событий. Применяя анализ временных рядов к базам данных протестных событий, исследователи могут обнаружить ведущие показатели эскалации, такие как всплески онлайн-возмущения или формирование новых организаций. Анализ последовательностей, заимствованный из биологии, может классифицировать различные «жизненные циклы» движений — некоторые следуют быстрому росту и падению, в то время как другие поддерживают активность низкого уровня в течение десятилетий. Эти модели помогают различать эфемерные причуды и устойчивые социальные силы. Анализ истории событий, семейство статистических методов, широко используемых в социологии, был перепрофилирован вычислительными историками для моделирования продолжительности протестных кампаний и сроков уступок от властей. Ключевое понимание из этой литературы заключается в том, что движения с большей вероятностью достигают изменения политики, когда они поддерживают устойчивое, умеренное давление, а не полагаются на драматические, но короткие всплески сбоев. Эта временная перспектива бросает вызов общему повествованию СМИ, что протесты имеют короткий срок хранения и предполагает, что долгосрочная организация остается недо

Машинное обучение для обнаружения протестных событий

Более новым дополнением к инструменту является машинное обучение для обнаружения протестных событий, которое использует алгоритмы для автоматической идентификации протестных происшествий из неструктурированных текстовых источников. , в которых используются алгоритмы для автоматической идентификации протестных происшествий из неструктурированных текстовых источников. Традиционные базы данных протестных событий требуют, чтобы кодеры читали каждую новостную статью и классифицировали ее, медленный и дорогостоящий процесс. Модели контролируемого обучения, обученные на закодированных вручную примерах, теперь могут сканировать миллионы новостных статей и сообщений в социальных сетях для выявления ключевых слов, синтаксисных шаблонов и контекстных подсказок, связанных с протестными событиями. Например, исследователи разработали классификаторы, которые различают сообщения о мирных маршах и насильственных беспорядках с высокой точностью. Этот метод значительно расширяет масштаб данных, которые могут быть обработаны, позволяя общеконтинентальные исследования динамики протеста. Однако он также вводит проблемы: модели, обученные в одном регионе или языке, часто плохо работают при применении в других местах, и они могут систематически неправильно

Тематические исследования: вычислительные методы в действии

Арабская весна и риторика революции

Восстания «арабской весны» 2010–2012 годов являются одними из наиболее изученных примеров вычислительной истории, применяемой к социальным движениям. Исследователи из Вашингтонского университета и других стран проанализировали миллионы твитов из Египта, Туниса и Ливии для отслеживания распространения связанных с протестом хэштегов, таких как #Jan25 и #SidiBouzid. Построив ретвит-сети, они определили, какие аккаунты служили информационными центрами и как протестные нарративы пересекали языковые и национальные границы. Знаковая статья Говарда и Хуссейна (2013) показала, что онлайн-диалоги предшествовали уличным протестам на несколько дней, предполагая, что цифровые платформы играли причинную роль в содействии мобилизации, а не просто усиливали ее. Анализ также показал, что спонсируемые государством аккаунты пытались нарушить оппозиционные сети, шаблон, который впоследствии стал центральным для более детальной работы над контентом на арабском языке, идентифицируя региональные диалект

Жизнь черных имеет значение и география протестов

Движение Black Lives Matter (BLM) предоставляет еще один богатый случай. Вычислительные историки объединили данные о геопространственных событиях (из полицейских отчетов и архивов новостей) с данными Twitter для отображения протестов 2020 года после убийства Джорджа Флойда. Одно исследование, опубликованное в Nature Communications , продемонстрировало, что протестные события не были сосредоточены исключительно в крупных прибрежных городах, но распространились на тысячи небольших городов, многие из которых не имели предшествующей истории демонстраций за гражданские права. Сетевой анализ совместно ретвитированных хэштегов показал, что местные главы сохраняли различные идентичности, все еще участвуя в совместном национальном разговоре. Этот детальный взгляд противоречит более старым повествованиям, которые изображают BLM как движение сверху вниз, без лидеров или как чисто городское. Вместо этого он появляется как многоуровневая коалиция, которая действовала по-разному в разных демографических контекстах. Дальнейшая вычислительная работа изучала роль контрпротеста и полицейского реагирования, используя анализ настроений, чтобы отслеживать, как медиа-фрейминг BLM сместился между поддержкой и

Климатический активизм для всех поколений

Климатические движения, такие как Fridays for Future, предоставляют возможность изучить, как цифровая организация взаимодействует между молодежными онлайн-кампаниями и традиционными структурами НПО. Используя текстовый анализ пресс-релизов от 350.org наряду с данными Twitter от студенческих забастовок, исследователи определили четкие риторические стратегии: молодые активисты подчеркивали моральную срочность и личные жертвы, в то время как более старые организации обрисовали климатические действия как экономическую возможность. Временный анализ также показывает, что онлайн-видимость климатического активизма резко возрастает в течение недель, когда экстремальные погодные явления находятся в новостях, но это внимание быстро исчезает - модель, которая создает проблемы для поддержания долгосрочного давления на политиков. Сетевой анализ также применяется к климатическим коалициям, показывая, что молодежное крыло движения имеет тенденцию формировать плотные, внутренне связанные кластеры, в то время как сектор НПО поддерживает тесные связи с политическими партиями и корпоративными субъектами. Этот структурный разрыв может объяснить, почему молодежное движение было более успешным в привлечении внимания средств массовой информации, но менее успешным в обеспечении конкретных политических уступок, поскольку ему не хватает институциональных связей, необходимых для перевода общественного давления в законодатель

Движение MeToo и диффузия повествования

Движение #MeToo предлагает убедительный аргумент в пользу компьютерного анализа распространения повествования на платформах и национальных контекстах. Исследователи использовали текстовый майнинг для отслеживания того, как хэштег распространился от его истоков в работе активистки Тараны Берк через вирусный момент 2017 года и в глобальном использовании в более чем 85 странах. Тематическое моделирование миллионов твитов показало, что дискурс #MeToo развивался через три отдельных этапа: начальная волна личных показаний, последующая фаза негативной реакции и критики, а более поздняя фаза была сосредоточена на политических требованиях и организационной подотчетности. Геопространственный анализ показал, что движение особенно сильно резонировало в странах с существующей феминистской инфраструктурой и правовыми рамками для сексуальных домогательств, но он также вызвал обратную реакцию в условиях, когда патриархальные нормы освещения новостей на разных языках продемонстрировали, что медиа-фрейминг #MeToo резко различался по регионам, при этом скандинавские СМИ подчеркивали юридическую реформу, в то время как ближневосточное освещение было бы почти невозможно с использованием традиционных качественных методов, поскольку объем данных охватывает сотни миллионов сообщений и статей на десятка

Проблемы и этические соображения

Предвзятость данных и репрезентативность

Вычислительные методы так же хороши, как и используемые ими данные, а исторические наборы данных глубоко сформированы моделями оцифровки и сохранения архивов. Колониальные архивы, например, переоценивают деятельность имперских держав, стирая голоса колонизированных народов. Данные социальных сетей искажаются в сторону молодых, городских и относительно богатых пользователей — это означает, что движения, возглавляемые маргинализированными группами, могут быть невидимыми для определенных алгоритмов. Историки должны постоянно сомневаться в том, чего не хватает: модель интеллектуального анализа текста, обученная на англоязычных твитах, будет пропускать хэштеги на арабском языке, которые привели к протестам в Ливане в 2019 году. Без тщательного внимания к этим пробелам, вычислительная история рискует воспроизвести те же неравенства, которые традиционная история часто усиливала. Проблема предвзятости данных усугубляется тем фактом, что усилия по оцифровке исторически благоприятствовали элитным институтам и западному контенту. Ученые все чаще призывают к инклюзивным стратегиям оцифровки, которые отдают приоритет недопредставленным голосам и языка

Этическая напряженность при использовании цифровых данных

Массивные наборы данных, используемые в вычислительной истории, часто происходили из платформ социальных сетей, которые никогда не были предназначены для исследований. Ученые сталкиваются с тернистыми вопросами о конфиденциальности и согласии: могут ли они процитировать удаленный твит от организатора протеста, который с тех пор был арестован? Должны ли они публиковать сетевые карты, которые раскрывают связи активистов в репрессивных режимах? Институциональные обзорные советы и условия обслуживания платформы обеспечивают неполное руководство. Некоторые исследователи теперь принимают методы «толстых данных» и платформенного анализа с качественными полевыми работами, чтобы гарантировать, что люди, стоящие за данными, относятся с достоинством. Дискуссия продолжается, но широкий консенсус заключается в том, что вычислительные историки должны быть прозрачными в отношении их происхождения данных и готовы ограничить публикацию конфиденциальных материалов. Во время протестов 2022 года в Иране, например, многие исследователи решили не публиковать идентифицируемые сетевые диаграммы из данных социальных сетей, опасаясь репрессий против участников. Вместо этого они агрегировали свои выводы на уровне городов или провинций. Практики безопасности данных, такие как дифференциальная конфиденциальность и безопасные

Необходимость междисциплинарного обучения

Эффективная вычислительная история требует знания по крайней мере трех областей: историческая методология, статистический анализ и кодирование. Немногие ученые обладают всеми тремя, что приводит к разрыву в навыках, который может привести к мелким претензиям. Например, исследователь может уверенно сообщать о корреляции между частотой протестов и активностью в социальных сетях без контроля за плотностью населения или проникновением в Интернет - ошибка, которую мог бы поймать обученный эконометрист. Программы PhD начали предлагать комбинированные треки в цифровых гуманитарных науках и вычислительных социальных науках, но в этой области по-прежнему отсутствуют стандартизированные учебные программы. До тех пор, пока эти изменения, рецензирование статей по вычислительной истории должно включать рецензентов, которые могут оценить как исторический аргумент, так и техническую реализацию. Летние институты, такие как предлагаемые FLT: 1 и FLT: 2 Essex Летняя школа в анализе данных социальных наук. Однако эти программы часто дороги и географически сосредоточены в Северной Америке и Европе, ограничивая доступ к учебным пособиям и моделям обучения на основе сообщества, появляются как частичные решения, но они требуют постоянных инвестиций для достижения качества формального обучения.

Будущие направления и новые рубежи

Мультимодальная интеграция данных

Большинство вычислительной истории на сегодняшний день сосредоточено на тексте. Но социальные движения также производят изображения, видео и аудио - от фресок протеста и кадров с камер тела до подкастов и танцев TikTok. Достижения в области компьютерного зрения и распознавания речи начинают позволять историкам анализировать эти мультимодальные источники в масштабе. Представьте себе исследование, которое автоматически классифицирует тысячи фотографий протеста по эмоциональному тону (гнев, радость, страх) или что извлекает устные слоганы из записанных полицейских радиосвязей во время демонстрации. Интеграция этих модальностей даст более богатую картину того, как движения представляют себя и как реагируют власти. Ранняя работа в этой области проанализировала жесты и язык тела в протестных видео, показывая, что физическое позиционирование и шаблоны движения передают четкие сообщения о тоне и намерениях движения. Технические проблемы значительны, особенно для исторического материала, где качество видео и аудио часто плохо, но потенциальные награды одинаково значительны. Мультимодальный анализ может, например, помочь ученым понять, как протестная иконография распространяется по культурам - как кулак, поднятый в Каире, эхом переносится

Предиктивное моделирование и контрфактическая история

Некоторые ученые экспериментируют с прогностическими моделями, которые оценивают вероятность конкретных результатов, таких как движение, достигающее изменения политики или протеста, превращающегося в насилие, на основе ранних сигналов. В то время как спорные (история не является лабораторией, где идентичные условия могут быть повторены), эти модели могут служить эвристическим целям. Они помогают исследователям сформулировать, какие переменные, по их мнению, имеют наибольшее значение и позволяют строить контрфактические сценарии: «Успеет ли бойкот автобуса Монтгомери, если Верховный суд не вынесет решения по делу Браудера против Гейла?» Такие вопросы, хотя и спекулятивные, обостряют рассуждения о причинности. Недавно исследователи применили модели машинного обучения к историческим данным о протестах 1960-х и 1970-х годов, обнаружив, что лучшие предикторы успеха движения являются устойчивым коалиционным строительством и наличием сочувственного освещения в СМИ — переменные, которые также вызывают этические проблемы: если модели могут предвидеть, какие движения получат поддержку, государственные субъекты могут использовать их для упреждающего подавления. Вычислительные историки должны бороться с двойным характер

Модели открытой и совместной науки

Вычислительный поворот также способствовал новым формам сотрудничества. Крупномасштабные проекты, такие как Глобальная база данных событий, языка и тона (GDELT) или Мобилизация: набор данных социальных движений , а также позволяют проводить анализы по всему миру. Этот открытый научный подход ускоряет открытие, но также поднимает проблемы качества данных, когда участники используют непоследовательные схемы кодирования. Область, вероятно, сойдется в общие стандарты и методы курирования, которые балансируют инклюзивность с строгостью. Платформа, управляемая сообществом, такая как GitHub и Zenodo, все чаще используется для обмена кодом и данными, что позволяет воспроизводить данные в исследованиях. Однако открытые научные модели должны бороться с реальностью, что данные из репрессивных контекстов могут быть ограничены для защиты участников. Напряжение между данными из репрессивных контекстов, вероятно, усилится, поскольку

Вывод: более полная картина коллективного действия

Вычислительная история не является заменой традиционным методам, а обогащением. Объединив масштаб и воспроизводимость вычислений с интерпретативной глубиной качественных исследований, ученые теперь могут ответить на вопросы о социальных движениях, которые когда-то были недоступны: как идеи перемещаются через границы? Какие структурные условия делают протест заразным? Какие активисты забываются и почему? Обещание поля заключается не в том, чтобы свести историю к цифрам, а использовать числа, чтобы видеть историю более четко - в том числе ритмы сопротивления, которые всегда формировали человеческое общество. По мере того, как инструменты улучшаются и наборы данных становятся более инклюзивными, изучение социальных движений будет только расти более точным, более демократичным и более открытыми силами, которые стимулируют крупномасштабные социальные изменения. Наиболее захватывающим рубежом может быть интеграция вычислительных подходов с общинными и совместными исследованиями, где люди, которые пережили протестные движения, становятся сотрудниками в анализе своих собственных историй. Это видение вычислительной истории не только о лучших данных или лучших алгоритмах; это о более честном и инклюзивном рассказе о том, как обычные люди организуются, чтобы изменить свои миры.

Для дальнейшего чтения о методах и этике см. Data for History project (международный консорциум, разрабатывающий лучшие практики для вычислительной истории) и Observatory on Social Media (OSoMe) в Университете Индианы, который предоставляет инструменты для анализа распространения информации в протестных контекстах.GDELT Project также предлагает всеобъемлющее хранилище с открытым доступом глобальных протестных событий, которое широко используется в исследованиях вычислительных социальных движений.