Архив

Управление эффективностью коммуникации в условиях платформизации медиапространства

Сергей Водопетов

Ссылка для цитирования: Водопетов С.В. Управление эффективностью коммуникации в условиях платформизации медиапространства // Меди@льманах. 2025. № 4 (129). С. 73−79. DOI: 10.30547/mediaalmanah.4.2025.7379



УДК 316.776.2: 070.1:004.77
DOI: 10.30547/mediaalmanah.4.2025.7379
EDN: IVOAHK

© Водопетов Сергей Вячеславович
кандидат политических наук, доцент кафедры массовых коммуникаций филологического факультета Российского университета дружбы народов (г. Москва, Россия), vodopetov@mail.ru

Ключевые слова: media data, алгоритмические паттерны, платформизация медиа, инструментализация коммуникаций, цифровое медиапотребление.

Статья посвящена роли <i>media data</i> — системе метапараметров, поведенческих метрик и алгоритмических паттернов, позволяющей сохранять управляемость цифровыми коммуникациями. Автор вводит в отечественный медиадискурс междисциплинарный концепт media data, синтезирующий подходы цифровой гуманитаристики и влияющий на коммуникационный процесс в условиях платформизации медиапотребления. В статье описывается переход к новому платформенному потреблению, где ценность контента определяется его интеграцией в алгоритмические экосистемы.

 

Современная медиасреда претерпевает радикальную трансформацию, обусловленную цифровизацией медиапотребления, которое, в свою очередь, связано с изменением каналов коммуникации и перехода их от линейной ретранслирующей роли к созданию в цифровом мире полноценной медиасреды, иногда даже в рамках одного отдельно взятого канала (например, онлайн-игры Roblox). Актуальность исследования обусловлена переходом от «текстоцентричной» (Клеменцова, 2018: 350) к «данноцентричной» парадигме (Платонова, 2020: 16), где ценность информации определяется ее интеграцией в алгоритмические экосистемы. Традиционные подходы к оценке коммуникации, основанные на семиотике и нарративах, оказываются недостаточными в эпоху «капитализма платформ» или «цифрового колониализма» (Mejias, Couldry, 2024). Для понимания и описания данной трансформации коммуникации в отечественный научный дискурс вводится новый термин media data, позволяющий оформить и перевести в практический инструментарий метаданные нарративов.

Целью исследования является описание роли media data как инструмента управления медиапотреблением, включая анализ трансформации коммуникации в контексте платформизации, а также рассмотрение потенциала media data с целью применения совместно с искусственным интеллектом (ИИ).

 

Проблемное поле исследования

Современные исследования цифровых коммуникаций сталкиваются с рядом методологических вызовов, связанных с алгоритмизацией медиасреды, где ключевой из них основывается на проникновении в традиционные гуманитарные подходы восприятия и описания коммуникации — новых цифровых инструментов, действие которых формируется на принципах математической абстракции. Такой подход позволяет работать в цифровом коммуникационном пространстве без опоры на свойства, связи и отношения гуманитарно ориентированного сознания, опираясь лишь на технику работы некоторого замкнутого, «идеального» внутреннего алгоритма. В частности, это проявляется в моделях интеллектуального анализа больших данных, например в теории графов (Атаева, Массель, Серебряков, Тучкова, 2024: 9), искусственного интеллекта, например, при использовании предсказательных принципов работы больших моделей ИИ, векторизации (Алпатов, Попов, Чесалин, 2022: 47), и создает новые коммуникационные реалии, где доминирует контент, управляемый платформами. Междисциплинарность работы с этим феноменом, опора на цифровую гуманитаристику, позволит создать условия для появления единого языка исследований и возможности для интеграции цифровых компетенций в гуманитарные науки, а человекоцентричность — цифровую среду, ориентированную на медиапотребление.

В локальном контексте медиапотреб­ления уже сейчас проявляется цифровой колониализм (Mejias, Couldry, 2024), когда глобальные платформы навязывают унифицированные стандарты видимости (например, SEO-оптимизация на англо­язычные ключевые слова), маргинализируя локальные культурные коды, игнорируя русские слова и не владея специализированным нацио­нальным вокабуляром (например, старорусские слова, сленг — «олбанский йезыг» и т.д.).

Научная новизна исследования заключается в междисциплинарном анализе media data как инструмента власти в цифровой среде, что позволяет активно формировать пользовательские практики, становится час­тью «алгоритмической субъективации» (Fourneret, Yvert, 2020). Так, SEO-рэнкинг или количество «лайков» воспринимается как объективный маркер качества, хотя их контролируют скрытые правила платформ.

Таким образом, проблемное поле исследования охватывает потенциал адаптации к алгоритмам и сохранению смысловой целостности и богатству коммуникаций, при этом актуализируется неизбежность пересмотра эпистемологических оснований медиаисследований в эпоху цифрового суверенитета.

 

Алгоритмические платформы как новая реальность цифровой коммуникации

Традиционные медиа, основанные на линейной модели медиапотребления (Lasswell, 1948), уступают место интерактивным экосистемам, где пользователь одновременно является потребителем, создателем и распространителем информации. При этом происходит явный переход из классического медиапотребления (когда пользователь явным образом выбирает канал потребления) в платформенный (когда сама среда создает условия для потребления контента).

Каждый день российский пользователь проводит в медиапространстве в среднем 4 ч 33 мин, по данным Mediascope за первый квартал 2025 г.¹, только 29% цифрового потребления связано с целевым потреблением — конкретными сайтами и сервисами, включая образование, тогда как 71% — с цифровым платформенным потреблением, а мессенджеры, видеохостинги, соцсети и блоги, которые являются медиаплатформами, представляют интерес для 58% интернет-пользователей. Таким образом, можно четко заявлять о применимости к российскому медиапотреблению термина «платформенное потребление» и важной роли алгоритмических платформ. Это соответствует и мировым тенденциям, отраженным в отчете Digital 2025², когда среднее время нахождения в интернете составляет 6 ч 38 мин, а доля платформенного потребления занимает не менее 68% от общего объема времени, проводимого пользователем в онлайн-среде.

На этом фоне концепт понимания системы метапараметров, поведенческих метрик и алгоритмических паттернов становится важным для описания и менеджмента коммуникации в новой цифровой реальности.

 

Media data: новый концепт для анализа цифровых коммуникаций

Концепт media data, впервые вводимый в российский научный дискурс, представляет собой попытку осмыслить трансформацию коммуникационных процессов в условиях доминирования алгоритмических платформ. Понятие media data не связано с содержательным уровнем, а актуализирует метауровень коммуникации — те скрытые структуры данных, которые определяют объем, видимость, авторитетность и, в конечном счете, социальное воздействие информации, а также определенный уровень инструментализма и возможности практического влияния на медиасистему. Это совокупность машиночитаемых метапараметров, отражающих цифровую коммуникацию (например — рейтинг контента, лайки, подписчики, временные метки), выраженных в виде структурированных данных, позволяющих репрезентировать свойства контента в рамках конкретной платформы. Media data представляется как процесс алгоритмического формирования цифровой среды и, одновременно, как инструмент измерения коммуникационных процессов. Данный взгляд подчеркивает двойственную природу media data: как динамического процесса воздействия на коммуникацию и аналитического инструмента для ее изучения.

В Media data — системе машиночитаемых метапараметров, поведенческих метрик и алгоритмических паттернов, используемых в цифровой коммуникации, — описываются как количественные характеристики (видимость, авторитетность, охват, вовлеченность), так и качественные (влиятельность, достоверность, тональность) в конкретной цифровой платформе или цифровой медиасистеме в целом. Эта система представляется в виде индексов — набора значимых для исследователя показателей.

Media data предлагает таксономию количественных показателей, транслиру­ющих сложные коммуникационные процессы в формате «цифрового прагматизма» (Назаров, 2022: 93), и как концепт возникает на стыке социологии медиа и цифровой гуманитаристики (Колозариди, Беляк, 2024: 182). Сложность введения нового термина в науч­ный дискурс состоит в том, что media data является одновременно и объектом, и субъектом коммуникации, в отличие, например, от классического понятия big data (большие данные), которые для коммуникационного процесса представляют лишь основу для формирования текста, построенного на данных (Шилина М., Шилина А., 2018: 44). Media data не существует вне конкретных платформ, их технических протоколов и культурных логик и медиасистемы, обуславливающих роли и принципы взаимодействия объектов друг с другом. Media data — это не просто числа, это алгоритмически структурированное отражение властных отношений в цифровой среде, рождающихся в коммуникации и способных влиять на решения в реальном мире. Этот сдвиг фиксирует более широкий эпистемологический поворот в гуманитарных науках, где данные перестают быть нейтральным «сырьем», становясь активным агентом конструирования реальности.

Таким образом, в отличие от больших данных (big data), media data активно формирует пользовательские практики, алгоритмически конструируя цифровую реальность и выступая инструментом управления эффективностью коммуникации. При этом media data, хотя и может быть частью больших данных, имеет прикладное значение, отличное от иных данных, накапливаемых в ходе цифровизации медиакоммуникации (см. табл.). Важно сказать и о том, что data-driven—подход, характерный для media data, позволяет не только содействовать в создании историй, построенных на данных (Барабаш, Водопетов, Булгарова, 2021: 874), но и понятен для проектирования коммуникационных стратегий, поскольку сам предмет апеллирует к конкретным показателям.

 

Таблица 1. Сравнительный анализ критериев media data и big data

Источник: составлено автором.

 

Три уровня применения media data

Как конструкт media data может использоваться на различных уровнях коммуникационной деятельности — операционном, стратегическом и семантическом. Операционный уровень предполагает работу с конкретными метриками платформ (CTR, engagement rate, MAU, DAU). На этом уровне media data позволяет предложить ряд метрик и управлять эффективностью продвижения контента с учетом специфических требований каждой платформы (например, использование хештегов в «ВК»). Это уже стало частью привычной модели потребления контента. Наличие объекта интереса на первых строчках в поисковой выдаче является для пользователя фактором достоверности (Carnovalini, Rodà, Wiggins, 2025), а статьи в «Дзене» с SEO-оптимизированными заголовками («10 способов...», «Как сделать...») получают на 50% больше трафика, даже если их содержание поверхностно (Глазкова, 2021: 136).

Стратегический уровень предполагает управление кроссплатформенной коммуникацией. Здесь эффективность достигается через анализ цифровых следов пользователя различных платформ и с оценкой общей эффективности коммуникации (например, изменение СРА в перформанс-маркетинге, доля проникновения голоса бренда в коммуникационную среду, объем вышедших в СМИ материалов). Такие метрики, как SERM-индексы (например, средний рейтинг на платформах формата «Отзовик.ру»), упоминаемость в базах знаний («Википедии», «Рувики») или частота цитирования в медиа, на стратегическом уровне становятся не просто инструментами измерения, но и алгоритмизированными паттернами легитимации.

Семантический уровень связан с управлением нарративами посредством media data — работой с ключевыми словами, темами, тезисами и посланиями, которые алгоритмически представляются в цифровом пространстве. Эффективность на этом уровне определяется способностью интегрировать локальные нарративы в глобальные алгоритмические потоки. Например, YouTube продвигает контент, максимизирующий вовлеченность, даже если он распростра­няет дезинформацию (Волкова, Будовская, 2012: 71).

Media data — один из эффективных инстру­ментов аналитики и прогнозирования, позво­ляющий оцифровать эффективность коммуникационных кампаний: например, мониторинговая система «Медиалогия» уже сейчас использует «Медиаиндекс» как интегральный показатель влиятельности СМИ или сообщения. Подобные индексы могут относиться как к содержанию сообщения («оценка на достоверность»), цифровым показателям распространенности (трансляция нарратива целевой аудиторией), так и к оценке каналов распространения — степень достоверности сообщения или индекс новостной репрезентации, когда сообщение может быть недостоверно, но при этом отражать текущую новостную повестку (например, ИА «Панорама»³, явно заявляющее о своей сатирической направленности, может отражать общественно-политическую повестку, поскольку создает материалы на основе реальных и актуальных событий).

Появление цифровых метрик в коммуникации является важнейшим инструментом с учетом развития искусственного интеллекта (ИИ) и больших генеративных моделей (Зырянова, Чернавский, 2024: 115). Значимым элементом влияния на медиа­среду является рост синтетического (созданного без участия человека) контента. Следуя данным компании Ahrefs⁴, 74,2% из проанализированных 900 тыс. веб-страниц содержали ИИ-контент, и из них 2,5% страниц были полностью сгене­рированы нейросетями. По прогнозам, к 2027 г. доля ИИ-контента в интернете будет 30–50%, из них полностью синтетический контент составит 15–25%. Таким образом, для коммуникации принципиально важно иметь цифровой инструментарий для описания подобного контента, созданного искусственным интеллектом. Это важно и для аналитической работы (мониторинг, оценка представленности в медиа), и для максимально релевантной генерации контента с помощью ИИ-инструментов для достижения своих коммуникационных задач.

Опираясь на математические методы генерации, media data имеет принципиальное значение как инструмент для обучения ИИ, становясь основой для описания контента. Это позволит учитывать не только семантическую, но и прагматическую составляющую сообщений — например, иронию, локальный сленг, скрытые нарративы. Оцифровка медиапотока с помощью media data создает принципиально новые возможности для более релевантного и контекстуально обогащенного эмбеддинга (числового представления данных, которое позволяет моделям анализировать и интерпретировать любой мультимедийный контент). Это дает инструмент для обучения ИИ не на абстрактных текстовых корпусах, а на реальных цифровых следах коммуникации, отражающих актуальные языковые практики, культурные коды и контекстуальные зависимости, что в дальнейшем сможет улучшить качество генерации искусственного интеллекта.

 

Выводы

Введение концепта media data в научный оборот сопровождается методологическими вызовами. С одной стороны, количественный анализ метаданных позволяет преодолеть субъективизм традиционных медиаисследований, а с другой — возникает риск детерминизма, когда сложные социальные процессы редуцируются до машиночитаемых метрик. При этом media data (как концепт) открывает новые горизонты для анализа цифровых коммуникаций и новых вызовов, связанных с предсказуемым увеличением доли синтетического контента и повышения роли искусственного интеллекта в коммуникациях, но одновременно с этим требует пересмотра эпистемологических оснований гуманитарных наук. Изучение этого концепта не может ограничиваться техническим анализом метрик — необходимо включение в исследовательское поле вопросов достоверности, этичности и культурной идентичности. Демонстрация media data как инструмента, объединяющего количественные метрики и качественный анализ культурных контекстов, является одной из задач этой статьи.

Media data рассматривается через призму платформизации, смещая фокус с креатива контента на инструментализацию коммуникаций в цифровом пространстве. При этом для исследователей появляются новые вызовы, связанные с необходимостью профессионального владения различными предметными областями, или даже новые специальности в контексте цифровых гуманитарных наук. Media data — это поле битвы за смыслы с данными в руках. Участники медиадискурса, принявшие media data как макроязык, получают не просто коммуникационный инструмент, но и возможность переписать правила цифровой игры, пре­вратив данные из орудия колонизации в ресурс суверенитета.

 

Примечания

¹ Мордаев П. Медиапространство / Mediascope. 2025. Режим доступа: https://clk.li/jwje (дата обращения: 25.05.2025). (дата обращения: 25.05.2025).

² Digital 2025: Global Overview Report (2025). Datareportal, 5 February. Режим доступа: https://datareportal.com/reports/digital-2025-global-overview-report (дата обращения: 22.05.2025). обращения: 22.05.2025).

³ Об издании ИА «Панорама». Режим доступа: https://panorama.pub/about (дата обращения: 22.05.2025). (дата обращения: 22.05.2025).

⁴ Law R., Guan X., Soulo T. (2025) 74% of New Webpages Include AI Content (Stady of 900k Pages). AhrefsBlog, 19 May. Режим доступа: https://ahrefs.com/blog/what-percentage-of-new-content-is-ai-generated/ (дата обращения: 22.05.2025).

 

Библиография

Алпатов А.Н., Попов К.С., Чесалин А.Н. Анализ точности моделей машинного обучения с использованием методов векторизации для задач классификации разнородных текстовых данных // International Journal of Open Information Technologies. 2022. Т. 10. № 7. C. 47–53.

Атаева О.М., Массель Л.В., Серебряков В.А., Тучкова Н.П. Интеллектуальный анализ данных при построении графа знаний мультидисциплинарного журнала // Информационные и математические технологии в науке и управлении. 2024. № 3 (35). С. 5–19. DOI: 10.25729/ESI.2024.35.3.001

Барабаш В.В., Водопетов С.В., Булгарова Б.А. Журналистика данных // Современные информационные технологии и ИТ-образование. 2021. Т. 17. № 4. С. 871–879. DOI: 10.25559/SITITO.17.202104.871-879

Волкова И.И., Будовская Ю.В. Распространение медиаконтента в социальных медиа и социальных сетях: теория игр против виральности // Вестн. Моск. гос. ун-та культуры и искусств. 2012. № 5 (49). С. 69–74.

Глазкова С.Н. Заголовок в «Яндекс. Дзен»: квантитативный показатель как диспенсер информации // Знак: проблемное поле медиаобразования. 2021. № 1 (39). С. 134–140. DOI: 10.47475/2070-0695-2021-10114

Зырянова И.Н., Чернавский А.С. Потенциал применения генеративных языковых моделей в современной медиакоммуникации и журналистике (на примере Claude и Yalm 2.0) // Знак: проблемное поле медиаобразования. 2024. № 3 (53). С. 108–121. DOI: 10.47475/2070-0695-2024-53-3-108-121

Клеменцова Н.Н. Текстоцентризм в гуманитарном знании: когнитивно-дискурсивный подход // Когнитивные исследования языка. 2018. № 32. С. 344–353.

Колозариди П.В., Беляк Г.Н. Цифровая гуманитаристика как стадия научного знания: четыре метафоры // Логос. 2024. Т. 34. № 6. С. 179–202. DOI: 10.17323/0869-5377-2024-6-179-199

Назаров М.М. Приватность в Сети и цифровая покорность: исследование аудитории интернета // Вестн. Ин-та социологии. 2022. Т. 13. № 3. С. 87–107. DOI: 10.19181/vis.2022.13.3.832

Платонова С.И. «Четвертая парадигма» научных исследований и социогуманитарные науки // Журнал социологии и социальной антропологии. 2020. Т. 23. № 3. С. 7–24. DOI: 10.31119/jssa.2020.23.3.1

Шилина М.Г., Шилина А.Г. Data и Data Turn в публичной коммуникации // Российская пиарология-6: тренды и драйверы: сб. науч. тр. СПб.: Изд-во СПбГЭУ, 2018. С. 42–46.

 

Carnovalini F., Rodà A., Wiggins G.A. (2025) Popularity Bias in Recommender Systems: The Search for Fairness in the Long Tail. Information 16 (2): 1–26. DOI: 10.3390/info16020151

Fourneret E., Yvert B. (2020) Digital Normativity: A Challenge for Human Subjectivation. Frontiers in Artificial Intelligence 3: 27. Режим доступа: https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2020.00027/full (дата обращения: 22.05.2025).

Lasswell H.D. (1948) The Structure and Function of Communication in Society. In: Bryson L. (ed.) The Communication of Ideas: A Series of Addresses. New York: The Institute for Religious and Social Studies, pp. 37–51.

Mejias U.A., Couldry N. (2024). Data Grab: The New Colonialism of Big Tech and How to Fight Back. Chicago: Univ. of Chicago Press.

Дата поступления в редакцию: 19.07.2025
Дата публикации: 20.08.2025