Модель: представим культурный репертуар как вектор долей смыслов/практик $x(t)=(x_1,\dots ,x_n)$, ${\sum }_i{x}_i=1$. Эволюция долей задаётся репликатор‑мутационной динамикой с учётом алгоритмической экспозиции, внимания и факторов сохранения:
$${\dot{x}}_i=x_i(f_i(x,A)-\bar{f}(x,A))+\sum _{j\ne i}{m}_{ji}{x}_j-\sum _{j\ne i}{m}_{ij}{x}_i+{\xi }_i(t),$$
где
- $f_i(x,A)$ — «приспособленность» смысла $i$ (привлекательность/видимость),
- $\bar{f}={\sum }_k{x}_k{f}_k$ — средняя приспособленность,
- $m_{ji}$ — скорость «ремикса/нововведения» (перехода/изменения смысла $j$ → $i$),
- ${\xi }_i(t)$ — стохастический шум (случайные события, вирусные выбросы),
- $A=(A_1,\dots ,A_n)$ — распределение внимания/экспозиции платформ.
Модель экспозиции/внимания (конкуренция за ограниченное внимание, эффект богатого — ещё более богат):
$${\dot{A}}_i=s{x}_i+\alpha g(A_i)-\kappa A_i,\sum _i{A}_i=A_{\text{tot}}(\text{фикс. или медленно меняющаяся}).$$
Здесь $s$ — базовая связь между долей практики и вниманием (передача), $\alpha$ — алгоритмическое усиление (рекомендации, вирусность), $g$ — нелинейная функция (например $g(A_i)\propto A_i^{\beta }$, $\beta >1$ даёт winner‑take‑all), $\kappa$ — затухание внимания.
Разложение приспособленности $f_i$:
$$f_i=\alpha E_i+\gamma N_i+\mu M_i+\sigma P_i-\lambda R_i,$$
где
- $E_i$ — экспозиция/видимость (функция $A_i$),
- $N_i$ — новизна/ремиксуемость (ускоряет распространение),
- $M_i$ — экономические/монетизационные стимулы (инфлюенсеры, рекламные вознаграждения),
- $P_i$ — социальная/престижная привлекательность (конформизм, моды),
- $R_i$ — факторы сопротивления (ритуальная встраиваемость, институционная поддержка, высокие переходные издержки),
и $\alpha ,\gamma ,\mu ,\sigma ,\lambda \ge 0$ — веса влияния.
Интерпретация параметров и факторов:
Факторы, ускоряющие трансформацию смыслов (увеличивают скорость изменения и вариативность):
- высокое алгоритмическое усиление $\alpha \uparrow$ и нелинейность $g$ ($\beta >1$): быстрый рост вирусных трендов и winner‑take‑all;
- высокая скорость ремикса/инноваций $m_{ji}\uparrow$ и большая $N_i$: частые модификации смыслов;
- большая сетьная связанность и короткие путём передачи (в моделях сети это повышает эффективный $s$);
- низкие переходные издержки и цифровая стандартизация (снижают $R_i$);
- экономические стимулы $M_i\uparrow$ (монетизация контента), конкуренция за внимание $A_{\text{tot}}$ мала → сильная сменяемость.
Факторы, способствующие сохранению традиционных форм и практик (замедляют изменение, фиксируют смыслы):
- высокие сопротивление/встраиваемость $R_i\uparrow$ (органы культуры, религиозные нормы, ритуалы, физическое присутствие);
- институциональное закрепление/правила и юридические барьеры (увеличивают $\lambda$ и уменьшают эффективность мутаций $m_{ji}$);
- высокая стоимость переключения (экономические, технологические, языковые) — снижает темп переходов;
- мультиплатформенная устойчивость и офлайн‑синергии (снижают чувствительность к шокам экспозиции $A_i$);
- алгоритмическая консервация (рекомендации, которые продвигают «проверенный» контент) — низкое $\alpha$ или $g$ близко к линейности.
Ключевые предсказания/обоснования:
- при $\alpha ,\gamma ,m$ великих и $R$ малых модель даёт быструю флуктуацию спектра $x(t)$ и короткий период устойчивости — цифровая медиасреда ускоряет смену смыслов;
- при высоких $R$, сильных институтах и высокой интеграции офлайн $x_i$ устойчивы долго — традиции сохраняются даже при высокой цифровой активизации;
- нелинейность алгоритмов ($\beta >1$) приводит к поляризации: несколько смыслов доминируют, другие быстро исчезают; это усиливает «качество» (силу трендов) и уменьшает разнообразие;
- стохастические возмущения ${\xi }_i$ могут вызвать длительную сменяемость, если система чувствительна (высокая $\alpha$, низкие $R$).
Практическое применение модели:
- для оценки уязвимости традиций измеряют $R_i$ (институционность, embodied cost), $\alpha$ (параметры платформ), $m$ (уровень ремикса/технологической легкости);
- политики сохранения: увеличение $R$ (поддержка институтов, образование), снижение монетизационных стимулов для быстрой смены, регулирование алгоритмов (уменьшение $\alpha$ или сглаживание $g$).
Краткое резюме: динамика смыслов определяется балансом между экспоненциальным усилением видимости и инновацией (параметры $\alpha ,\gamma ,m$) и факторами инерции/встраивания ($R,\lambda$). Математически это выражено репликатор‑мутационной системой с динамическим распределением внимания; изменчивость растёт при высоких алгоритмических и экономических стимулах и низких институциональных барьерах.