А.А. Артамонов1, Е.Н. Бажанова2, А.И. Черкасский3, Т.В. Коренькова4

1−4 Национальный исследовательский ядерный университет «МИФИ» (Москва, Россия)
1 aaartamonov@mephi.ru, 2 enbazhanova@mephi.ru, 3 aicherkasskij@mephi.ru, 4 korenkova.tanya@mail.ru

Постановка проблемы. Представлена аналитическая модель цифрового информационного объекта (AObj), предназначенная для идентификации и классификации профилей в социальных сетях. Модель формализует описание цифровых объектов посредством пяти ключевых компонентов: уникального идентификатора (ID), статических (S), динамических (D) и вычисляемых (F) характеристик, а также связей с другими объектами (Rel). Для построения модели разработана комплексная методика, которая включает ранжирование характеристик по степени их значимости для конкретной аналитической задачи, преобразование ранжированного ряда в нормированные весовые коэффициенты (в диапазоне от 0 до 1), присвоение детерминированных оценок значениям характеристик (численных, балльных или по тезаурусу), переход к относительным безразмерным значениям для интеграции в единый критерий, а также расчёт интегральной оценки искомой вычисляемой характеристики как суммы произведений весов на относительные значения. Для анализа текстовых и нетекстовых данных в рамках модели предложены специализированные методы. В частности, сформированы базовый и частные тезаурусы для обработки текстовых полей, причём каждому разделу тезауруса присвоены весовые коэффициенты в зависимости от семантической нагрузки и частоты использования. Для анализа музыкальных предпочтений разработан аудиотезаурус, включающий композиции, тематически связанные с подростковым протестом и саморазрушением. Для обработки аватаров и видеозаписей задействованы нейросетевые методы, позволяющие выявлять специфические визуальные маркеры (например, наличие/отсутствие человеческого лица, анонимизирующие элементы, символику). Экспериментальные данные подтвердили работоспособность предложенных методик соотнесения аккаунтов с социальной группой «школьник» и выявления роботов.

Цель. Разработать и экспериментально обосновать аналитическую модель цифрового информационного объекта в социальной среде, позволяющую формализовать описание цифровых профилей персон и сообществ; систематизировать разнородные характеристики (статические, динамические, вычисляемые, реляционные); вычислить интегральные оценки принадлежности объекта к заданным социальным группам или категориям риска.

Результаты. Разработана и экспериментально проверена аналитическая модель цифрового объекта для формализованного описания профилей в социальных сетях. Предложена методика расчета интегральных оценок и созданы специализированные методы анализа текстовых, аудио- и визуальных данных. Эксперименты на выборке из 800 профилей подтвердили эффективность модели для идентификации школьников, роботов и пользователей из групп риска.

Практическая значимость. Результаты работы имеют прикладное значение для социологии, психологии, информационной безопасности и разработки интеллектуальных систем анализа социальных данных.

Артамонов А.А., Бажанова Е.Н., Черкасский А.И., Коренькова Т.В. Аналитические исследования цифровых объектов в социальной среде // Системы высокой доступности. 2025. Т. 21. № 4. С. 42−54. DOI: https://doi.org/ 10.18127/j20729472-202504-04

1. Artamonov A.A., Ionkina K.V., Kirichenko A.V., Lopatina O.L., Tretyakov E.S., Cherkasskiy A.I. Agent-based search in social networks International. Journal of Civil Engineering and Technology. 2018. V. 9. № 13. P. 28–35.
2. Тимонин А.Ю., Бождай А.С. Методы анализа гетерогенных данных для построения социального профиля // Russian journal of management. 2017. Т. 5. № 3. С. 481–489.
3. Оныкий Б.Н., Артамонов А.А., Третьяков Е.С., Черкасский А.И., Ионкина К.В. Индуктивные модели обучения поисковых агентов, работающих в социальных сетях // Системы высокой доступности. 2020. Т. 16. № 1. С. 5–13.
4. Taku K., Arai H. Roles of values in the risk factors of passive suicide ideation among young adults in the US and Japan. Frontiers in Psychology. August 2023. V. 14.
5. Figueroa C., Guillén V., Huenupán F., Vallejos C., Henríquez E., Urrutia F., Sanhueza F., Alarcón E. Comparison of Acoustic Parameters of Voice and Speech According to Vowel Type and Suicidal Risk in Adolescents. Journal of Voice, August 2024.
6. Haghish E.F., Nes R.B., Obaidi M., Qin P., Stänicke L.I., Bekkhus M., Laeng B., Czajkowski N. Unveiling Adolescent Suicidality: Holistic Analysis of Protective and Risk Factors Using Multiple Machine Learning Algorithms. Journal of Youth and Adolescence. 2024. V. 53. № 3. P. 507–525.
7. Воронкова Я.Ю., Радюк О.М., Басинская И.В. «Большая пятѐрка», или пятифакторная модель личности // Смысл, функции и значение разных отраслей практической психологии в современном обществе: сб. науч. тр. 2017. С. 39–45.
8. Mota M.S.S., Ulguim H.B., Jansen K., Cardoso T.D.A., Souza L.D.D.M. Are big five personality traits associated to suicidal beha­viour in adolescents? A systematic review and meta-analysis. Journal of Affective Disorders. February 2024. V. 347. P. 115–123.
9. Shin S., Kim K. Prediction of suicidal ideation in children and adolescents using machine learning and deep learning algorithm: A case study in South Korea where suicide is the leading cause of death. Asian Journal of Psychiatry. October 2023. V. 88. P. 103725.
10. Cohen J., Wright-Berryman J., Rohlfs L., Wright D., Campbell M., Gingrich D., Santel D., Pestian J. A Feasibility Study Using a Machine Learning Suicide Risk Prediction Model Based on Open-Ended Interview Language in Adolescent Therapy Sessions. International Journal of Environmental Research and Public Health. November 2020. V. 17. P. 8187.
11. Pizzoli S.F.M., Monzani D., Conti L., Ferraris G., Grasso R., Pravettoni G. Issues and opportunities of digital phenotyping: ecologi­cal momentary assessment and behavioral sensing in protecting the young from suicide. Frontiers in Psychology. June 2023. V. 14.
12. Fernandez-Fernandez J., Jiménez-Treviño L., Andreo-Jover J., Ayad-Ahmed W., Bascarán T.B., Canal-Rivero M., Cebria A., Crespo-Facorro B., De la Torre-Luque A., Diaz-Marsa M. et al. Network analysis of influential risk factors in adolescent suicide attempters. Child and Adolescent Psychiatry and Mental Health. November 2024. V. 18.
13. Rashed A.E.E., Atwa A.E.M., Ahmed A., Badawy M., Elhosseini M.A., Bahgat W.M. Facial image analysis for automated suicide risk detection with deep neural networks. Artificial Intelligence Review. September 2024. V. 57.
14. Guo J.W., Kimmel J., Linder L.A. Text Analysis of Suicide Risk in Adolescents and Young Adults. Journal of the American Psychiatric Nurses Association. February 2022. Vol. 30. P. 169–173.
15. Cherkasskiy A., Artamonov A., Cherkasskaya M., Leonova N. 2020 Annual International Conference on Brain-Inspired Cognitive Architectures for Artificial Intelligence: Eleventh Annual Meeting of the BICA Society. Methods for identifying an information object in social networks. 2021. V. 190. P. 137–141.
16. Сафиканов Д.И., Артамонов А.А., Фомина Ю.Е., Черкасский А.И. Статистическая модель поиска целевых объектов в со­циальной сети // International journal of open information technologies. 2024. Т. 12. № 10. С. 71–77.