Сетевой анализ — ключ к пониманию сложных систем

Социальные сети, бизнес-процессы, биологические системы — всё это можно представить в виде узлов и связей. Сетевой анализ раскрывает скрытые закономерности, а в фактчекинге помогает находить источники фейков.

Сетевой анализ — это метод анализа информации, который фокусируется на изучении взаимосвязей и структуры в сложных сетях. Этот подход позволяет выявить ключевых участников, центральные узлы и паттерны в сетевых взаимосвязях, что позволяет лучше понять функционирование системы в целом. Рассмотрим подробнее основные элементы сетевого анализа и его применение в различных областях.

Основные элементы сетевого анализа

Графовые модели. В основе сетевого анализа лежат графовые модели, которые представляют собой абстрактные структуры, состоящие из узлов (вершин) и связей (рёбер) между ними. Эти модели помогают визуализировать и анализировать сложные взаимосвязи в данных.
Анализ центральности. Сетевой анализ включает в себя изучение центральности узлов в сети. Центральность может быть определена по различным параметрам, таким как степень (количество связей), центральность по посредничеству (количество кратчайших путей через узел), центральность по близости (близость к другим узлам) и другие.
Кластерный анализ. Этот метод используется для выявления групп узлов, которые тесно связаны друг с другом. Кластерный анализ помогает выявить структуру сети, выявить сообщества и выделить ключевые группы в данных.
Моделирование динамики сетей. Сетевой анализ также может включать в себя моделирование динамики сетей, то есть изучение изменений в сетевой структуре с течением времени. Это позволяет прогнозировать развитие сети и выявлять возможные изменения в её структуре.

Применение сетевого анализа

Одним из ключевых применений сетевого анализа сегодня является борьба с дезинформацией. Фактчекеры и аналитики используют этот метод, чтобы:

Выявлять источники ложной информации — с помощью анализа центральности можно определить, какие аккаунты или сайты чаще всего распространяют фейки.

Пример: В 2020 году пять популярных страниц в Facebook* распространяли поддельные цитаты, приписывая их президентам и врачам. Эти посты подогревали панику в ДР Конго и среди конголезской диаспоры во Франции. Журналисты использовали инструменты сетевого анализа, чтобы отследить первоисточники. Анализ связей между аккаунтами показал, что за кампанией стояли 20-летний студент и 16-летний школьник из Киншасы. Они создавали фейки для привлечения подписчиков. Разоблачение остановило распространение опасных мифов.

Страница, публиковавшая фейковые посты о COVID-19, собрала 60 000 подписчиков за один месяц.

Отслеживать распространение фейков — графовые модели показывают, как ложная новость переходит из соцсетей в мессенджеры и СМИ.

Пример: В 2022 году статья 2008 года о «преимуществах голода» была вырвана из контекста и распространялась как «доказательство планов ООН». Сетевой анализ помог определить первоисточник — архивную публикацию в UN Chronicle, а также проследить путь искажения — через граф перепостов выявили, кто первым подал материал как «сенсацию».

Находить координированные кампании — кластерный анализ помогает обнаруживать бот-сети и скоординированные группы, которые массово продвигают ложные нарративы.

Пример: В 2016 и 2020 году накануне выборов в США жители македонского городка Велес создавали похожие на платформы информагенств сайты, где размещали фейковые новости про американских политиков, а затем распространяли ссылки на них при помощи соцсетей. Сетевой анализ помог обнаружить одинаковые шаблоны сайтов, синхронные публикации в соцсетях и общую рекламную сетку, приносившую авторам доходы от кликов. Таким образом, благодаря фактчекингу и сетевому анализу была разоблачена целая сеть, создававшая фейки, которые влияли на общественное мнение американцев и потенциально могли изменить итоги выборов.

*Создатели сети поддельных сайтов намеренно делали их похожими на порталы известных информагенств.*

Кроме того, сетевой анализ применяется в следующих областях:

Социальные сети: в социологии сетевой анализ используется для изучения социальных сетей, выявления ключевых актеров, групп и сообществ, анализа влияния и распространения информации.
Бизнес-анализ: в бизнесе сетевой анализ применяется для анализа бизнес-сетей, выявления ключевых партнёров и клиентов, анализа конкурентных взаимосвязей и определения стратегий развития.
Биологические сети: в биологии сетевой анализ используется для изучения генных и белковых сетей, метаболических путей и взаимодействий в клетках и организмах.
Информационные сети: в сфере информационных технологий сетевой анализ применяется для анализа интернет-сетей, компьютерных сетей, распределенных систем и других информационных структур.

Вызовы и перспективы

Сетевой анализ имеет свои вызовы, такие как сложность интерпретации результатов, неоднородность данных и необходимость учёта динамики сетей. Однако с развитием методов анализа данных и вычислительных возможностей сетевой анализ остаётся важным инструментом для понимания сложных систем и взаимосвязей между их элементами.

Сложность интерпретации результатов. Даже обнаружив сеть связанных аккаунтов, сложно доказать, что это именно координированная кампания, а не органичное обсуждение. Для снижения ложных срабатываний лучше использовать дополнительные метрики (временные паттерны, языковые маркеры).
Неоднородность данных. Соцсети, форумы и мессенджеры используют разные форматы данных, что усложняет их совместный анализ. Разработка кроссплатформенных инструментов помогает преодолеть эту проблему.
Динамика сетей. Дезинформационные сети быстро адаптируются — меняют тактики, создают новые аккаунты, мигрируют между платформами. Для решения этой проблемы можно использовать алгоритмы реального времени (например, динамические графовые модели).
Проблема масштаба. Социальные сети генерируют терабайты данных ежедневно, делая ручной анализ невозможным. Автоматизация через машинное обучение упрощает задачу.

Тем не менее, развитие ИИ, прогностических моделей и регуляторики открывают новые возможности в применении метода. Ключевой тренд — переход от реактивного опровержения к превентивному выявлению угроз. Перспективы сетевого анализа:

Интеграция ИИ и сетевого анализа. GPT-модели развивают возможности для автоматического анализа текстовых паттернов в связях между аккаунтами и поиска переиспользуемых медиа (например, deepfake-видео).
Прогностическая аналитика. Благодаря инструментам сетевого анализа можно моделировать и предсказывать виральность фейков на ранних стадиях.

Сетевой анализ — это «рентген» для дезинформации. Он обнаруживает скрытые связи, помогая фактчекеру не только находить источники лжи, но и предсказывать её распространение, что делает этот метод незаменимым в эпоху цифровой трансформации.

_{*Решением суда запрещена деятельность компании Meta Platforms Inc. по реализации продуктов — социальных сетей Facebook и Instagram на территории Российской Федерации по основаниям осуществления экстремистской деятельности.}