Цель: разработать план исследования влияния социальных сетей на формирование политических убеждений студентов в Бразилии.
Ключевые вопросы
- Как частота и характер использования соцсетей связаны с политическими убеждениями?
- Через какие механизмы (экспозиция к контенту, сеть единомышленников, алгоритмическая фильтрация) происходит влияние?
- Есть ли квазиказуальные эффекты (последовательность изменений убеждений во времени, эффект от целевых экспозиций)?
Гипотезы (примерно)
- H1: Большая интенсивность потребления политического контента в соцсетях связана с более поляризованными позициями.
- H2: Чем выше однородность соцсети (homophily), тем сильнее сдвиг в сторону доминирующей мнения в этой сети.
- H3: Экспериментально вызванная экспозиция к контенту определённой полярности вызывает сдвиг политических убеждений в сторону этой полярности.
Дизайн исследования
- Подход: смешанный (количественный + качественный) с кросс‑секцией, панелью и эксперим. компонентом.
1. Поперечное онлайн‑опросное исследование (широкая репрезентативная выборка студентов).
2. Панель (повторные замеры за 6–12 мес.) для оценки динамики/последовательности.
3. Поле/лабораторный рандомизированный эксперимент (RCT) на подвыборке.
4. Анализ цифровых следов (с согласия): лог активности, скриншоты, API‑данные, контент‑анализ (NLP).
5. Качеционные интервью/фокус‑группы для механизмов и контекстуализации.
Популяция и выборка
- Популяция: студенты университетов (государственные и частные) по регионам Бразилии.
- Стратифицированная многоступенчатая выборка по регионам/типам вузов для опроса.
- Пример оценки размера выборки для репрезентативного опроса (95% CI, погрешность $e$, приближённо $p=0.5$):
$$n=\frac{Z^{2}p(1-p)}{e^2},Z=\mathrm{1.96.}$$ При $e=0.05$:
$$n\approx \frac{1.96^2\cdot 0.5\cdot 0.5}{0.05^2}\approx 385.$$ Для анализа по подгруппам и панельных потерь разумно увеличить выборку до $800-1500$.
- Для RCT: оценка размера выборки для двухгруппового теста с эффектом размера $d$:
$$n_{\text{на группу}}=\frac{2(Z_{1-\alpha /2}+Z_{1-\beta }{)}^2}{d^2}.$$ При $\alpha =0.05$, мощность $1-\beta =0.8$, $Z_{1-\alpha /2}=1.96$, $Z_{1-\beta }=0.84$: для $d=0.2$ получаем $n\approx 392$ на группу.
Переменные и инструменты измерения
- Зависимые: политические убеждения (самоидентификация слева/справа по шкале, позиции по ключевым полит. вопросам, интенсивность партийной поддержки, политическая поляризация).
- Независимые: частота использования платформ (Facebook, Instagram, Twitter/X, TikTok, WhatsApp), время, тип контента (новости, мемы, комментарии), вовлечённость (лайки, шаринги), сеть контактов (разнообразие/однородность).
- Медиаторы/модераторы: политические знание, когнитивная открытость, доверие к СМИ, соцдем (пол, возраст, курс, город), эмоциональные реакции.
- Инструменты: стандартизованные шкалы (IDEOLOGY, Political Efficacy), логи использования, NLP‑классификаторы с маркированной выборкой для политической полярности и тематик, сеть‑анализ (assortativity, Blau index).
- Blau‑индекс разнообразия: $$D=1-\sum _i{p}_i^2.$$ - Многоуровневая модель для учета вложенности студентов в вузы:
$$Y_{ij}={\beta }_0+{\beta }_1{X}_{ij}+u_j+{\epsilon }_{ij},$$ где $u_j$ — случайный эффект университета.
Аналитический план
- Описательная статистика, корреляции.
- Регрессии (OLS/логит/полит. шкалы) с контролями; проверка мультиколлинеарности.
- Многоуровневые модели для кластеризации по вузам/регионам.
- Квазикаузальные подходы:
- панельный фикс‑эффект анализ (контроль для неизменных во времени факторов),
- инструментальные переменные (напр., случайные изменения алгоритмических показателей, если доступны),
- propensity score matching для сравнения похожих пользователей.
- RCT для прямой проверки эффекта экспозиции; анализ ITT и per‑protocol.
- Механизмы: медиаторный анализ (например, воздействие через изменение восприятия нормы), SEM:
$$Y=\alpha +\beta X+\gamma M+\epsilon .$$ - NLP/контент‑анализ: темы (LDA/BERTopic), тональность, политическая полярность (supervised classifiers), измерение “эхо‑камеры” через overlap в друзьях/подписках.
- Чувствительность: robustness checks, субгрупповой анализ по региону, курсу, идеологии.
Этика и конфиденциальность
- Информированное согласие для опроса и доступа к цифровым следам.
- Анонимизация/псевдонимизация данных, безопасное хранение, минимизация сбора личных идентификаторов.
- Разрешение этического комитета (IRB) и соблюдение бразильских норм (LGPD).
- Возможность отзыва согласия и удаления данных.
План работ и сроки (ориентир)
- Месяцы 1–3: проектирование, получение одобрений, пилот анкет и NLP‑разметки.
- Месяцы 4–7: основной сбор данных (опрос + цифровые следы); старт панельных замеров.
- Месяцы 8–10: RCT и качественные интервью.
- Месяцы 11–14: обработка данных, контент‑анализ, первичный статистический анализ.
- Месяцы 15–18: итоговый анализ, отчёт, публикации.
Ограничения
- Самоотчёт склонен к сдвигам; цифровые следы требуют согласия (селективность).
- Алгоритмическая непрозрачность платформ усложняет интерпретацию причинности.
- Региональные и языковые особенности Бразилии требуют локализации инструментов.
Ожидаемые результаты
- Оценка силы ассоциации между использованием соцсетей и политическими убеждениями.
- Выделение механизмов влияния (экспозиция, сеть, алгоритмы).
- Рекомендации для политической просвещённости студентов и политик платформ.
Если нужно, могу кратко представить шаблон анкеты (ключевые вопросы) или предложить конкретный план RCT.