Ссылка для цитирования: Олейников С.В., Головачук И.И. Интегративная модель анализа медиатекста // Меди@льманах. 2025. № 6 (131). С. 106−112. DOI: 10.30547/mediaalmanah.6.2025.106112
УДК 654.197:001.8+81’42+004.8
DOI: 10.30547/mediaalmanah.6.2025.106112
EDN: TTJJXT
© Олейников Сергей Викторович
доктор политических наук, профессор кафедры журналистики, рекламы и связей
с общественностью филологического факультета ПГУ имени Т.Г. Шевченко
(г. Тирасполь, Приднестровье), olen_serg@inbox.ru
© Головачук Иван Иванович
преподаватель кафедры журналистики, рекламы и связей с общественностью филологического факультета ПГУ имени Т.Г Шевченко
(г. Тирасполь, Приднестровье), i.golovachuk@yandex.com
Современная медиасреда характеризуется возрастающей сложностью и объемом информационных потоков, что требует совершенствования методов исследования медиатекстов. Развитие искусственного интеллекта (ИИ) и цифровых инструментов анализа данных открывает новые возможности для системного изучения медиаконтента, в том числе телевизионного. При этом сохраняется необходимость гуманитарной интерпретации результатов машинной обработки, для чего важна интеграция количественных и качественных методологических подходов.
Увеличение объемов производства социально значимой информации, а также скорости ее потребления все больше актуализирует исследование не столько содержания публикаций, сколько авторских намерений, обозначенных в заголовочных комплексах. Это позволяет оценить уровень интенционального влияния медиатекстов в целом на общественное мнение, а также эффективность отдельных их элементов с точки зрения идеологического воздействия на аудиторию. В этом контексте ИИ является одной из главных тем, которая постоянно находится в инфополе в связи с поступательным увеличением возможностей данного вида технологии.
Актуальность исследования обусловлена необходимостью адаптации классических методов контент-анализа и интенционального анализа к цифровой среде, в которой медиатексты создаются, распространяются и воспринимаются в условиях сетевой многослойности. В центре внимания – не только структурные и семантические характеристики медиатекста, но и интенции автора, коммуникативные стратегии редакции, а также реакция аудитории.
Объектом настоящего исследования выступает телевизионный медиатекст как форма современной массовой коммуникации. Предметом – методологические основания его анализа в контексте интеграции искусственного интеллекта в исследовательские практики.
Разработка и апробация модели комплексного анализа телевизионного медиатекста, сочетающей контент-подходы и интенциональные подходы с использованием инструментов ИИ являются основной целью настоящего исследования. Задачами выступают определение сущности и различий контент-анализа и интенционального анализа медиатекстов; раскрытие потенциала цифровых и ИИ-инструментов в исследовании медиаконтента; формирование интегративной матрицы анализа телевизионного медиатекста, проведение эксперимента с инструментами Voyant Tools, ChatGPT и Gemini для обработки и интерпретации телевизионных текстов, а также сопоставление результатов автоматизированного и экспертного анализа, определение границ и перспектив использования ИИ в медиалингвистике.
Современные медиакоммуникации развиваются в условиях глубокой цифровой трансформации, что требует переосмысления теоретических моделей журналистики и анализа медиатекстов. Как отмечают С. Стийнсен и Л. Ахва, цифровая эпоха формирует гибридные формы журналистики, сочетающие институциональные, пользовательские и алгоритмические практики (Steensen, Ahva, 2015). В этих рамках медиатекст перестает быть исключительно продуктом редакционной деятельности: он становится результатом сетевого сотворчества, включающего алгоритмы действий, функционирование платформ и аудиторию как активного участника коммуникации.
Обращаясь к понятию «медиатекст», необходимо отметить, что современные исследователи считают его более широким, чем «текст», поскольку оно включает в себя не только вербальную знаковую систему, но и выходит за ее рамки (Добросклонская, 2020, 2008). Телевизионный медиатекст в цифровой среде становится элементом не только национальной, но и глобальной информационной экосистемы, где ключевую роль играют технологии искусственного интеллекта и платформенная логика распространения контента (Thussu, 2019).
В этих условиях важно оценить потенциал и перспективы использования интегративной методологии анализа телевизионного медиатекста. Классический контент-анализ, определяя количественные характеристики медиатекста (частотность лексем, тематические доминанты, структурные паттерны) (Вырковский, Галкина, Колесниченко, Образцова, 2019), не позволяет в полной мере интерпретировать смысловые и коммуникативные установки. Интенциональный анализ, в свою очередь, напротив, фокусируется на выявлении авторских целей, стратегий воздействия и имплицитных смыслов (Шевченко, 2013).
Интеграция двух этих методов обеспечит комплексное понимание медиатекста как многослойного коммуникативного феномена (Кузнецова, 2010), а использование при анализе узконаправленных программных решений (например, Voyant Tools), а также ИИ-инструментов (таких как ChatGPT, Gemini) расширит аналитические возможности исследователя, позволив автоматизировать предварительную обработку данных и перейти к интерпретационному уровню с большей точностью.
Современная медиасфера развивается в условиях масштабной цифровой конвергенции, при которой границы между традиционными и новыми медиа становятся все менее различимыми. Телевизионный медиатекст утрачивает автономность, превращаясь в элемент интегрированной платформенной экосистемы, где информация циркулирует через множество каналов и форматов. Как отмечает Д. МакКуэйл, медиа перестают быть исключительно посредником между источником и аудиторией – они становятся частью сложного коммуникационного процесса, где создаются, фильтруются и интерпретируются смыслы в зависимости от контекста и технической среды (McQuail, 2010).
Цифровизация привела к тому, что медиаконтент стал не столько продуктом институциональной журналистики, сколько результатом сетевой кооперации, в которую вовлечены профессиональные и непрофессиональные участники, алгоритмы, платформы и пользовательские сообщества (Livingstone, 2009). Одним из следствий этого процесса стало формирование новых моделей медиапотребления. Пользователи переходят от поиска информации к ее интуитивному восприятию в потоковых, визуальных и интерактивных форматах. Согласно исследованию «Яндекс.Дзен» и агентства Human Nature (2023), почти половина (45%) российских пользователей регулярно смотрят вертикальные короткие (менее двух минут) ролики, что указывает на смещение внимания в сторону кратких и эмоционально насыщенных форматов1.
Такое изменение восприятия напрямую связано с феноменом клипового мышления, который определяет когнитивный стиль современной аудитории. Постоянное переключение между информационными потоками формирует привычку к поверхностной обработке данных, что, в свою очередь, влияет на характер медиапроизводства. Возникает феномен «гипервизуального повествования», где изображение нередко заменяет аргументацию, а эмоциональный импульс – рациональные основания.
На этом фоне традиционный телевизионный медиатекст перестает быть линейным сообщением: он включается в трансмедийную архитектуру, где одно и то же событие получает множество версий и интерпретаций. Концепция трансмедийного повествования предполагает, что информация циркулирует между разными платформами, сохраняя при этом целостность общего нарратива. Телевизионные материалы становятся лишь частью более широкого повествовательного кластера, включающего сетевые комментарии, мемы, визуальные реакции и пользовательские интерпретации.
Исследование международного агентства Latidute, показало, что восприятие аудиторией контента в разных видах СМИ напрямую связано с визуализацией. Погружение и интерактивность наиболее глубоко раскрывают суть материала, а интеграция и влияние необходимы для переноса сюжета в реальность2. Современные технологии и трансмедийные подходы формируют новые способы представления информации, обеспечивая широкие возможности для ее интерпретации. Визуальные коммуникации являются наиболее эффективным инструментом передачи сообщений, поскольку используют разнообразные формы представления данных и современные цифровые технологии.
Здесь особое значение приобретает феномен «мемной культуры», описанный Л. Шифман как форма коллективного цифрового участия, в рамках которой аудитория превращается из потребителя в соавтора контента (Shifman, 2014). Мемы, визуальные шаблоны и сетевые нарративы не только реинтерпретируют телевизионные сообщения, но и создают новые контексты их восприятия. Таким образом, телевизионный медиатекст больше не может рассматриваться изолированно – он функционирует в сложной семиотической системе, где значения формируются на пересечении институциональных, пользовательских и алгоритмических практик.
В этих условиях аналитики медиатекстов сталкиваются с необходимостью переосмысления исследовательского инструментария. Современные методики анализа телевизионных текстов/сообщений, опирающиеся на российскую научную традицию, предоставляют исследователям инструменты для изучения как содержания, так и имплицитных намерений авторов (Вырковский, Галкина, Колесниченко, Образцова, 2019; Кузнецова, 2010).
Например, контент-анализ медиатекстов, позволяя производить подсчет частоты использования позитивной и негативной лексики, может помочь выявить тенденции в освещении конкретной темы (Гайдуков, Амелютин, 2024). Рассмотрим выпуск новостей на российском телевидении, посвященный природным катаклизмам. Контент-анализ включает исследование структуры новостного материала: выделяются основные темы (например, «землетрясение», «помощь пострадавшим»); подсчитывается частота упоминаний ключевых слов, таких как «землетрясение» – 13 раз, «пострадавшие»/«пострадавших» – 9 раз, «помощь» – 9 раз, «спасательные отряды» / «спасение» / «поисково-спасательных» – 5 раз, «медицинская помощь» / «медицинские услуги» – 8 раз. Хотя «реакция властей» в явной форме не упоминается, но описаны действия правительства, президента, министров и министерства иностранных дел – 6 раз3. Также фиксируются эмоционально окрашенные выражения, такие как «невероятная трагедия» или «героические усилия спасателей». Такой анализ позволяет выявить, к каким аспектам события журналисты стараются в первую очередь привлечь внимание аудитории.
В то же время методология интенционального анализа, предполагая реконструкцию намерений автора текста (редакторов и журналистов) (Lengler, Eppler, 2007), требует глубокого анализа языковых средств, риторических стратегий, использования метафор, аллюзий и других речевых приемов. Возвращаясь к исследованию выпуска новостей о природных катаклизмах, отметим, что здесь интенциональный анализ сводится к оценке средств, направленных на привлечение и удержание внимания зрителей и усиление их эмоциональной вовлеченности (Гайдуков, Амелютин, 2024). Например, подбор экспертов и цитаты официальных лиц анализируются с целью понять, пытается ли редакция вызвать доверие к властям или, наоборот, критически освещать их действия. Порядок подачи сюжетов (сначала драматические моменты, затем более позитивные новости о помощи) может свидетельствовать о желании компенсировать негативное воздействие новостей.
При использовании ИИ в рамках исследования медиатекстов указанные методы позволят комплексно оценить как визуальные и вербальные элементы, так и скрытые цели продвижения медиатекста, а также установить основные принципы редакционной политики и оценить эффективность ее влияния на общественное мнение. Таким образом возникает новая парадигма медиаанализа, в которой количественные и качественные методы не противопоставляются, а образуют взаимодополняющее единство.
Для практической проверки возможностей генеративных систем искусственного интеллекта нами был проведен эксперимент, направленный на выявление потенциала и ограничений ИИ при решении задач контент-анализа. В качестве эмпирического материала использовалась текстовая расшифровка выпусков еженедельной информационно-аналитической программы «Отражение» приднестровского телеканала «ТСВ»4 за один месяц (общий объем – около 79 000 знаков). Выборка ограничена региональным телеканалом, что позволяет рассматривать локальные медиатексты в контексте глобальных процессов цифровой адаптации и внедрения ИИ в медиапрактику.
Цель эксперимента заключалась в сопоставлении эффективности универсальных ИИ-платформ (ChatGPT и Gemini) и специализированных инструментов анализа текстов (Voyant Tools) при выполнении частотного анализа. Первый этап включал тестирование чат-ботов ChatGPT (OpenAI) и Gemini (Google). Полученные результаты показали, что генеративные модели ИИ, несмотря на высокий уровень лингвистической компетентности, не обладают встроенными инструментами статистической обработки текста и не могут полноценно выполнять частотный анализ без привлечения внешнего программного обеспечения.
На втором этапе для решения поставленной задачи был применен инструмент Voyant Tools – веб-сервис для корпусного анализа текстов, широко используемый в цифровых гуманитарных исследованиях. Сервис корректно обработал текст стенограммы, однако отсутствие функции автоматической лемматизации привело к тому, что различные грамматические формы одного и того же слова («Молдова» и «Молдовы») были интерпретированы как разные лексемы, что исказило итоговые данные. Для устранения этой проблемы текст был предварительно обработан в системе MyStem, разработанной компанией «Яндекс». После морфологической нормализации корпуса и повторной загрузки в Voyant Tools были получены статистически достоверные данные, отражающие реальные частотные соотношения ключевых лексем медиатекста.
Анализ текста с помощью Voyant Tools позволил выявить несколько ключевых тенденций в лексической структуре корпуса. Во-первых, доминирование слов «Молдова», «Приднестровье» и «человек» в облаке слов указывает на основную тематическую направленность текста – осмысление региональной идентичности и социального пространства республики. Частотное присутствие этих слов отражает геополитическую и культурную ось повествования, где индивидуальные судьбы (через лексему «человек») сопрягаются с коллективными и территориальными категориями.
Во-вторых, граф частотности показывает, что использование ключевых лексем варьируется по мере «продвижения» текста, что может указывать на смену тематических акцентов – от описания молдавского контекста к обсуждению приднестровского и обратно. Особенно заметны пики по словам «год» и «молдавский», что может быть связано с упоминанием конкретных исторических периодов или сравнений между временными отрезками.
Ограничением проведенного эксперимента является использование только текстовых транскрипций без учета визуального ряда. В дальнейшем планируется расширить анализ с включением невербальных компонентов телевизионного медиатекста (интонация, кадр, цветовая композиция).
Таким образом, можно заключить, что универсальные ИИ-платформы в текущей версии развития эффективны преимущественно на этапе предпроектного анализа (генерация гипотез, постановка исследовательских задач, извлечение тем). Частотный и структурный анализ медиатекстов требует специализированных систем, обеспечивающих морфологическую обработку и статистическую точность. Наиболее перспективным направлением дальнейших исследований является разработка интегрированных решений, сочетающих возможности ИИ (семантическое моделирование, интенциональный анализ) и лингвистических платформ (контент-анализ, визуализация данных).
Проведенное исследование показало, что медиатексты современного телевидения представляют собой сложные поликодовые конструкции, в которых вербальные, визуальные и интенциональные элементы образуют единую систему смыслов. Для комплексного изучения таких структур требуется совмещение количественных и качественных методов, что обусловило обращение к интеграции контент-анализа и интент-анализа. Предложенная интегративная модель исследования телевизионного медиатекста, сочетающая количественные методы контент-анализа, качественные процедуры интенционального анализа и инструменты искусственного интеллекта, впервые апробирована на материале регионального телевизионного контента (Приднестровье), что позволило выявить специфику смысловой и лексической структуры трансграничных медиадискурсов.
Практическая значимость исследования заключается в том, что данная методика может быть применена при мониторинге телевизионного контента, анализе общественно-политических дискурсов, а также при разработке медиаметрик для оценки эффективности вещания. В перспективе использование ИИ в сочетании с лингвистическими технологиями позволит создать необходимый исследовательский инструментарий для медиагуманитарных наук – интеллектуальные системы комплексного анализа медиатекстов.
1 Лебедева В. Это как просмотреть: почему короткие вертикальные видео становятся все популярнее // Коммерсантъ. 2024. Июнь, 07. Режим доступа: https://www.kommersant.ru/doc/6748114 (дата обращения: 11.09.2025).
2 The Future of Storytelling Summer 2012. Режим доступа: https://users.csc.calpoly.edu/~mhaungs/courses/LAES301/Reading/Latitude-Future-of-Storytelling-Phase-1.pdf (дата обращения: 11.09.2025).
3 Мобилизация ресурсов: как Турция борется с последствиями землетрясения // TRT на русском. 2023. Февр., 14. Режим доступа: https://www.trtrussian.com/magazine/mobilizaciya-resursov-kak-turciya-boretsya-s-последствиями-землетрясения-12025777/ (дата обращения: 11.09.2025).
4 Режим доступа: https://tsv.md/category/otrazhenie/ (дата обращения: 11.09.2025).
Вырковский А.В., Галкина М.В., Колесниченко А.В., Образцова А.Ю. Нарративный анализ как метод исследования традиционных и мультимедийных журналистских произведений // Медиаскоп. 2019. Вып. 1. Режим доступа: http://www.mediascope.ru/2621 (дата обращения: 11.09.2025).
Гайдуков С.В. Амелютин Е.В. Обзор подходов к анализу эмоциональной окраски текстов СМИ // Научный аспект. 2024. № 5. С. 75–83.
Добросклонская Т.Г. Медиалингвистика: системный подход к изучению языка СМИ (современная английская медиаречь). М.: Флинта; Наука, 2008.
Добросклонская Т.Г. Медиалингвистика: теория, методы, направления. М.: [б. и.], 2020.
Кузнецова А.В. К определению понятия медиатекста // Изв. высш. учеб. заведений. СКР. Обществ. науки. 2010. № 5. С. 141–145.
Шевченко В.Э. Эффективность восприятия медиаинформации: визуализация контента // Информационная безопасность регионов. 2013. № 2 (13). С. 45–52.
Lengler R., Eppler M.J. (2007) Towards a Periodical Table of Visualization Methods for Management. In: IASTED Proceedings of the Conference on Graphics and Visualization in Engineering (GVE 2007). Clearwater, Florida: IMCA. Режим доступа https://www.visual-literacy.org/periodic_table/periodic_table.pdf (дата обращения: 11.09.2025).
Livingstone S. (2009) On the Mediation of Everything: ICA Presidential Address. Journal of Communication 59 (1): 1–18.
McQuail D. (2010) McQuail’s Mass Communication Theory. 6th ed. London: Sage.
Shifman L. (2014) Memes in Digital Culture. Cambridge: MIT Press.
Steensen S., Ahva L. (2015) Theories of Journalism in the Digital Age. Journalism Practice 9 (1): 1–18. DOI: 10.1080/17512786.2014.928454
Thussu D.K. (2019) International Communication: Continuity and Change. 3rd ed. London: Bloomsbury Academic.
Дата поступления в редакцию: 10.11.2025
Дата публикации: 20.12.2025
