Государственное управление Российской Федерации: вызовы и перспективы

Туронок С.Г.* (Россия, г. Москва)

Аннотация. В статье обобщен опыт применения новых (основанных на искусственном интеллекте и анализе Big data), а также выявлена ограниченность традиционных (опросных) технологий анализа и прогноза электоральных процессов на примере президентских избирательных кампаний 2012 и 2016 года в США, обозначен потенциал их манипулятивного воздействия на настроения и поведение избирателей.

Ключевые слова: электоральный процесс, избирательная кампания, политический анализ и прогнозирование, политические технологии, политическое манипулирование, микротаргетинг, анализ Big data

Минувший 2016 год запомнился экспертно-аналитическому сообществу двумя памятными событиями, наглядно продемонстрировавшими, с одной стороны, ограниченные возможности привычных, проверенных временем политических технологий анализа, прогнозирования и манипулирования политическим процессом. А также растущий потенциал новых технологий, основанных на возможностях искусственного интеллекта и анализа Big Data, и все еще в значительной мере недооцененных теоретиками и практиками, с другой. Речь идет о таких событиях, как победа евроскептиков на референдуме по выходу Великобритании из ЕС, а также победа Дональда Трампа на президентских выборах в США.

Признаком хорошего тона стало выражение скептицизма по поводу аналитических и прогностических способностей избирательных штабов, а также традиционных СМИ, обслуживающих их экспертов и социологов, в подавляющем большинстве своем оказавшихся не способными предсказать исход обоих резонансных политических событий. И, как следствие, сомнения в эффективности применяемых ими методов анализа и прогноза, не говоря уже о технологиях политического менеджмента и манипулирования политическим процессом.

Вместе с тем, даже если подобный скептицизм, высказываемый в адрес традиционных методик электорального прогноза, основанных преимущественно на социологических опросах, еще может быть оправдан с некоторыми оговорками, то в отношении всего арсенала политического анализа и прогнозирования, имеющегося в распоряжении сегодняшних политических технологов и экспертов, такой скепсис представляется совершенно не уместным и не оправданным.

Другими словами, ни в коей мере нельзя утверждать, что аналитики, социологи и статистики проиграли, потому что сильно ошиблись со своими прогнозами. Верно обратное: статистики выиграли, но лишь те, кто использовали в своей работе новейшие методы электорального анализа и прогноза. В первую очередь, сказанное относится к методам, основанным на анализе Big Data.

Убедительным примером надежности прогнозов, построенных на анализе Big Data, является проект Санджива Рая (Sanjiv Rai), выпускника Гарварда, основателя стартапа Genic.ai со штаб-квартирой в индийском Мумбаи. Созданная Раем система искусственного интеллекта MoglA, обрабатывающая одновременно 20 млн точек ввода данных с таких платформ, как Google, Facebook, YouTube и Twitter, дала верный прогноз результатов всех президентских выборов, а также праймериз Демократов и Республиканцев в США начиная с 2004 года. [13]

Данные, анализируемые системой, задолго до дня голосования свидетельствовали о том, что показатель вовлеченности избирательной кампании Трампа – другими словами, интерес пользователей Интернета к контенту, генерируемому Дональдом Трампом и его избирательным штабом, включая твиты, видео ролики и иные сообщения, – на 25% превысил пиковые показатели, достигнутые Бараком Обамой в ходе избирательной кампании 2008 года. [13]

Методология, на которой построена данная экспертная система, предполагает, что успех на выборах сопутствует кандидату, имеющему более высокий показатель вовлеченности. «Если Трамп проиграет, это будет нарушением тренда, сохраняющегося на протяжении последних 12 лет», – утверждал С.Рай за несколько недель до дня голосования в США, до известного заявления директора ФБР о возобновлении расследования против Хилари Клинтон (которое, по мнению многих, в последний момент оказало решающее влияние на настроения избирателей). [7]

Приведенные ниже данные демонстрируют убедительное лидерство Дональда Трампа над Хилари Клинтон на протяжении всего 2016 года по ключевым параметрам, отражающим уровень вовлеченности пользователей Интернет, таким, как количество лайков в Фейсбуке, фолловеров в Инстаграме и Твиттере, а также подписчиков и просмотров в Ютубе (см. табл. 1).

Таблица 1

Показатели вовлеченности пользователей Интернет в предвыборные кампании Д.Трампа и Х.Клинтон [21]

Показатели вовлеченности пользователей Интернет в избирательную кампанию Дональда Трампа подкрепляются данными, отражающими посещаемость предвыборных митингов с участием двух основных кандидатов (табл. 2).

Таблица 2

Участие избирателей в предвыборных мероприятиях (митингах, встречах)
двух основных кандидатов в ходе избирательной кампании 2016 г.

Системы искусственного интеллекта, подобные MoglA дают более точный прогноз результатов выборов (в сравнении с традиционными опросными методами социологии), в частности, потому что «не зависят от предубеждений программистов / разработчиков», – утверждает С.Рай. Вместо этого, MoglA «нацелена на анализ внешней среды, предполагает самообучение, разработку собственных правил и создание экспертных систем, не игнорирующих какие-либо данные произвольным образом». [13]

Между тем, С.Рай признает известные ограничения, присущие его методологии анализа и прогноза результатов выборов на основании активности пользователей Интернета и социальных сетей. Сам факт того, что тот или иной пользователь обратил внимание на сообщение, размещенное кандидатом или его избирательным штабом, еще не означает, что он поддерживает данного кандидата и намерен голосовать за него. В то же время, даже негативный интерес к тому или иному сообщению в Интернете объективно повышает его популярность, «выводит в топ» и привлекает все более широкую аудиторию.

«В ходе праймериз имело место большое количество негативных комментариев в адрес Трампа, однако это же обстоятельство в значительной мере способствовало привлечению широкого внимания к его фигуре в последние дни, открыв перед Трампом и его штабом уникальные возможности для продвижения своей повестки, в результате чего он одержал победу на праймериз с большим отрывом», – комментирует С.Рай. [13]

Обращение к социальным медиа в попытках предсказать результаты электоральных процессов в последние годы приобретает растущую популярность в связи с большим объемом общедоступных данных, в них представленных. [ Хороший обзор подобной практики см.: 8] Стоит отметить, что в 2016 году число пользователей социальных сетей (а следовательно, и объем и репрезентативность доступных для анализа данных) значительно возросло со времени предыдущих избирательных кампаний, притом, что уже в 2012 г. анализ и прогноз, построенный на Big Data давал впечатляющие результаты (о чем будет более подробно сказано ниже).

Так, Ник Бошамп (Nick Beauchamp) в статье, опубликованной в сентябрьском (2016) выпуске журнала American Journal of Political Science приводит результаты проведенного им эксперимента с системой искусственного интеллекта, построенной на базе 100 млн твитов в ходе предыдущей избирательной кампании 2012 года в США. Полученные результаты достаточно точно совпадают с результатами голосования по отдельным штатам. [5]

Следует отметить, что традиционные опросные методы выявления электоральных предпочтений избирателей имеют ряд известных ограничений, в числе которых организационные и финансовые издержки, и как следствие, возможность охватить только наиболее значимые и репрезентативные избирательные округа. В то же время, принимая во внимание избыточность и доступность данных из социальных сетей, географическую и временную равномерность их распределения, этот Источник представляется почти идеальной альтернативой традиционным опросным методам, если не принимать во внимание традиционный аргумент по поводу нерепрезентативности таких данных. Как будет показано ниже, в связи с развитием методологического и программного инструментария работы с Big Data, последнее ограничение сегодня уже не представляется критическим.

При этом Ник Бошамп выделяет сравнительные преимущества методов электорального анализа и прогноза, черпающих данные из Big Data, в сравнении с традиционными опросными методиками. Такой метод позволяет: 1) экстраполировать электоральные намерения для избирательных округов, слабо охваченных традиционными опросными исследованиями; 2) интерполировать намерения избирателей на периоды времени, не охваченные опросами, а также на более дискретные временные интервалы; а также 3) повысить качество электоральной статистики, за счет возможности измерения краткосрочных изменений в настроениях избирателей. [5]

«Предлагаемая методика обеспечивает нас не только инструментарием для генерирования качественных псевдо-опросных данных, но также возможностью установления взаимосвязи между активностью пользователя в Интернете и его поведением в день выборов», – отмечает Н.Бошамп. Таким образом, удается преодолеть традиционный для опросных методов барьер, отделяющий то, что респондент говорит в своих ответах, от того, как он на самом деле будет голосовать на избирательном участке, – известная проблема неискренности респондента, особо остро встающая перед аналитиками в ситуациях, когда на политической сцене появляются кандидаты с радикальными, еще вчера маргинальными взглядами (Д.Трамп).

Между тем, именно возможность перехода от измерения и прогноза электоральных предпочтений избирателей к возможностям целенаправленного манипулятивного воздействия на эти предпочтения и поведение, обеспечивает сегодня взрывной интерес экспертно-политического сообщества к методикам работы с Big Data. Раскрывающая эту взаимосвязь на примерах президентских выборов в США публикация в швейцарском журнале Das Magazin [22] стала самым читаемым материалом немецкоязычных СМИ в 2016 году, вызвала широкий резонанс в экспертно-аналитическом сообществе и способствовала привлечению внимания к возможностям технологий, построенных на анализе Big Data.

Теоретическим основанием реализации такой возможности выступает известная в психологии «пятифакторная модель черт характера», или «Большая пятерка» [см.: 9, 14,19], складывающаяся в аббревиатуру OCEAN:

O – openness to experience (открытость к новому) 

C – conscientiousness (добросовестность, организованность, склонность к перфекционизму) 

E – extraversion (экстраверсия, открытость к окружающему социуму) 

A – agreeableness (доброжелательность, готовность к сотрудничеству)

N – neuroticism (нейротизм, или эмоциональная устойчивость)

Сама по себе гипотеза о том, что можно вывести всеобъемлющую таксономию личности человека путем выборки используемых им лексических форм (т.н. лексическая гипотеза. Лексическая гипотеза предполагает, что те характеристики личности, которые являются наиболее важными в жизни человека, манифестируют себя через язык его общения, при этом более важные характеристики личности с высокой вероятности будут закодированы как одно слово. См. [12]) не нова, ее истоки прослеживаются до второй половины XIX века. Между тем, практическая ее апробация упиралась в проблему сбора данных: чтобы что-то понять о человеке, от него требовалось заполнить огромный опросник. С появлением Интернета и социальных сетей, эта проблема наконец получила свое решение.

В 2008 году сотрудник Центра психометрии Кембриджского университета (Лаборатория Кэвендиш) М.Козинский с коллегами [6] разработал и пробировал приложение для Facebook под названием myPersonality [26], позволяющее пользователям принять участие в психометрических тестах, а разработчикам генерировать (с согласия пользователей) их психологические профили.

Пользователю предлагается ответить на список вопросов («легко ли вас вывести из себя в состоянии стресса? Есть ли у вас склонность критиковать окружающих?»), получив затем свой «профиль личности», а создатели приложения получают бесценные личные данные. Пользователи имеют возможность «пересдать» тесты myPersonality, обеспечивая тем самым исследователей продольными данными (такой возможностью воспользовались 900,000 раз). Пользователи мотивированы отвечать честно и тщательно, поскольку единственное вознаграждение, которое они получают за свое участие, – это «обратная связь», содержащая результаты анализа их ответов.

Далее, анализируются действия испытуемого: лайки и репосты в Facebook, а также его пол, возраст и место жительства. Так исследователи получают связи. Из простого анализа данных в сети могут получиться необычные выводы. Например, если мужчина подписан на страничку бренда косметики MAC, он с высокой вероятностью является геем. Наоборот, сильный показатель гетеросексуальности – если человек поставил лайк обзору новой модели огнестрельного оружия, предназначенного для самообороны. Поклонник Леди Гаги с высокой долей вероятности экстраверт, а человек, ставящий «нравится» философским постам – интроверт. [2]

В итоге, за несколько лет работы вместо ожидавшихся данных по дюжине однокурсников разработчики приложения получили информацию по сотням, тысячам, а затем и миллионам людей, собрав тем самым крупнейший «урожай» данных в истории психологических исследований. В настоящее время их база данных содержит более 6 000 000 результатов тестирования, а также более 4 000 000 индивидуальных профилей пользователей Facebook. [26]

В 2012 году авторы методики доказали, [15] что анализа 68 лайков в Facebook достаточно, чтобы определить цвет кожи испытуемого (с 95% вероятностью), его гомосексуальность (88% вероятности) и приверженность Демократической или Республиканской партии США (85% вероятности). Но процесс идет дальше: интеллектуальное развитие, религиозные предпочтения, пристрастие к алкоголю, курению или наркотикам. Данные даже позволяли узнать, развелись ли родители испытуемого до его совершеннолетия или нет. Модель оказалась настолько хороша, что стало возможным предугадывать ответы испытуемого на определенные вопросы. Со временем, по утверждению разработчиков, модель смогла лучше узнавать личность после десяти изученных лайков, нежели его коллеги по работе. После 70 лайков – лучше, чем друг. После 150 лайков – лучше, чем родители. После 300 лайков – лучше, чем партнер. С еще большим количеством изученных действий можно было бы узнать о человеке лучше, чем он сам. [2]

Что особенно важно, методика работает и в обратную сторону: можно не только создавать из данных психологический портрет, вы можете искать среди этих портретов нужные. Например, обеспокоенные матери, озлобленные интроверты, не определившиеся с выбором сторонники демократов и т.д. По сути, М.Козинский с коллегами изобрели поисковую систему по людям. Не удивительно, что в скором времени нашлись те, кто по достоинству оценил «недокументированные возможности» системы и ее скрытый манипулятивный потенциал.

В 2014 году интерес к данной методике проявила частная Британская компания «Лаборатория стратегических коммуникаций» (Strategic Communications Laboratories, SCL), позиционирующая себя как «глобальное агентство по управлению электоральными процессами» (основатель  Nigel Oakes). [24] Вебсайт SCL утверждает, что организация участвовала в более чем 25 международных политических и избирательных кампаниях, начиная с 1994 года. За четверть века присутствия на рынке коммерческих проектов в области исследования и манипулирования поведением, SLC превратилась в многопрофильный центр, работающий в таких направлениях, как:

• коммерция (содействие рыночным брендам в налаживании отношений со своими клиентами с помощью психографического таргетинга и коммуникационных стратегий, ориентированных на данные);
• избирательные кампании (электоральный менеджмент, опирающийся на моделирование поведения избирателей и микротаргетинг);
• социальная сфера (Разработка коммуникационных стратегий и кампаний по изменению поведения, ориентированных на социальный, культурный и неправительственный сектор);
• оборона (Психологические методики разрешения конфликтов, включая коммуникативное воздействие на население и информационные операции).

Первоначально SCL концентрировала свои усилия главным образом в развивающемся мире (Латвия, Украина, Албания, Румыния, Южная Африка, Нигерия, Кения, Маврикий, Индия, Индонезия, Таиланд, Тайвань, Колумбия, Антигуа, Сент-Винсент и Гренадины, Сент-Китс и Невис, Тринидад и Тобаго и др.), где по заказу военных и политических структур занималась изучением и манипулированием общественным мнением и политической волей в духе «психологических спецопераций» (psy ops). Однако со временем, накопив практический опыт, перенесла фокус своих интересов на страны «первого мира». Так, в США SCL более известна под брендом Cambridge Analytica. [25] Компания вышла на рынок политического консультирования США в 2012 году и приняла участие в 44-х избирательных кампаниях на федеральном и штатном уровнях. В конце 2014 года Cambridge Analytica вошла в предвыборную кампанию в США как консультант участника праймериз от Республиканской партии Теда Круза, которого в то время финансировал миллиардер Роберт Мерсер (позже Мерсер стал союзником Д.Трампа). Благодаря поддержке Cambridge Analytica Тед Круз превратился из малоизвестного политика в серьезнейшего конкурента Трампа на праймериз.

В конце 2015 года SCL/Cambridge Analytica подключается к проведению референдума по выходу Великобритании из ЕС (Brexit) на стороне евроскептиков (UKIP, Найджел Фарадж ), и наконец в июне 2016 года входит в президентскую кампанию Дональда Трампа. [2]

До прихода SCL/Cambridge Analytica предвыборные кампании велись по демографическим критериям:  все женщины получают одинаковый месседж, потому что они одного пола, все афроамериканцы получают другой посыл, исходя из их расы. Таким дилетантским способом вела кампанию команда Клинтон: разделить общество на формально гомогенные группы, подсказанные социологами. Теми самыми, что до самого конца отдавали ей победу.

Методика SCL/Cambridge Analytica предполагает качественно иной, персонифицированный подход к избирателю. Маркетинговый успех основан на комбинации наиболее передовых технологий в области бихевиорального микротаргетинга на основе анализа Big Data, анализа целевых аудиторий (TAA), а также таргетированной рекламы и коммуникативного менеджмента. [25] Другими словами, технологий, позволяющих идентифицировать группы избирателей, разделяющих общие демографические характеристики, политические убеждения и образ жизни, а также генерировать на основе этих данных уникальные месседжи, призванные резонировать с самыми тонкими струнами личности конечного потребителя, с целью повышения его вовлеченности в избирательную кампанию заказчика и побуждения к соответствующему действию.

«Мы в Cambridge Analytica разработали модель, которая позволит высчитать личность каждого совершеннолетнего гражданина США», – заявляет Александр Никс, директор Cambridge Analytica. [16] Его компания закупает персональные данные из всех возможных Источников: кадастровые списки, бонусные программы, телефонные справочники, клубные карты, газетные подписки, медицинские данные. Затем Cambridge Analytica скрещивает эти данные со списками зарегистрированных сторонников Республиканской партии и данными по лайкам-репостам в социальных сетях – и получается личный профиль по «методу океана». Из цифровых данных вдруг возникают люди со страхами, стремлениями и интересами – и с адресами проживания, адресами электронной почты, телефонами и т.д.

«У нас есть психограммы всех совершеннолетних американцев, это 220 млн человек. Наш контрольный центр выглядит так, прошу внимания», – говорит Никс в ходе презентации свое методики. Появляется карта, на которой видны сотни тысяч маленьких точек: красные и синие, по партийным цветам. Никс выстраивает критерии. Республиканцы – и синие точки исчезают. Еще не определились с выбором – точек становится меньше. Мужчины – еще меньше, и так далее. В итоге, появляется имя одного человека: с возрастом, адресом, интересами, политическими предпочтениями. «Таким способом мы можем дотянуться до нужных деревень, кварталов или домов, даже до конкретных людей», – утверждает А. Никс. [2]

Так, в день третьих дебатов между Трампом и Клинтон команда Трампа отправила в соцсети (преимущественно, Facebook) свыше 175 тыс. различных вариаций посланий. Они различались лишь в мельчайших деталях, чтобы максимально точно психологически подстроиться под конкретных получателей информации: заголовки и подзаголовки, фоновые цвета, использование фото или видео в посте. Филигранность исполнения позволяет сообщениям находить отклик у мельчайших групп населения.

C июля 2016 года волонтеры кампании Трампа получили приложение, которое подсказывает политические предпочтения и личностные типы жителей того или иного дома. Соответственно, волонтеры-агитаторы могли модифицировать свой разговор с жителями исходя из этих данных. Обратную реакцию волонтеры записывали в это же приложение – и данные отправлялись прямиком в аналитический центр Cambridge Analytica в Сан-Антонио.

Важно отметить, что существующие методики работы с Big Data позволяют решать целый комплекс политтехнологических задач, в числе которых не только побуждение отдельных граждан и групп принять участие и отдать свой голос за определенного кандидата (мобилизация), но и удержание их такого шага, когда речь идет о конкурентах (демобилизация).

Так, в квартале Маленький Гаити в Майами была запущена информация об отказе Фонда Клинтон участвовать в ликвидации последствий землетрясения в Гаити – чтобы разубедить жителей отдавать свои голоса Клинтон. Это было еще одной целью: удержать электорат Клинтон (например, сомневающихся леваков, афроамериканцев и молодых девушек) от урны для голосования, «подавлять» их выбор, по выражению одного из сотрудников Трампа. Использовались и так называемые «темные посты» Facebook: платные объявления посреди ленты новостей, которые могли попадаться только определенным группам лиц. Например, афроамериканцам показывали посты с видео, на котором Клинтон сравнивала чернокожих мужчин с хищниками. [2]

Не приходится удивляться тому, что Дональд Трамп высоко оценил усилия сотрудников Cambridge Analytica. Трамп направил три четверти рекламного бюджета в цифровую сферу, при этом на долю CA по подсчетам Александра Никса пришлось в общей сложности $15 млн. При этом было неверно считать успешный опыт участия компании в работе избирательного штаба Д.Трампа разовым контрактом. Есть основания предполагать активную вовлеченность сотрудников Александра Никса в работу Администрации нового президента США на долговременной основе, о чем свидетельствует назначение на высокий пост старшего стратега Белого дома Стива Бэннона, издателя ведущего консервативного рупора Breitbart, и по совместительству члена совета директоров Cambridge Analytica.

Избирательная кампания 2016 года в США, а также референдум в Великобритании по выходу из ЕС стали далеко не первыми примерами широкого и успешного применения технологий работы с Big Data, микротаргетинга и персонализированной рекламы. Однако, сравнивая практику применения подобных технологий в избирательных циклах 2016, и 2012 г. можно выделить некоторые существенные особенности, о которых речь пойдет ниже.

В предыдущем избирательном цикле 2012 года команда Обамы активно использовала модели и возможности актуальной коммуникации: уникальные базы данных, постоянное обновление, методы анализа, алгоритмы обработки, создание моделей поведения избирателей, формирование на основе анализа релевантных прогнозов. По мнению обозревателя «Time» Майкла Шерера (Michael Scherer), был предложен «принципиально иной, тип политической кампании, выверенный метрически, а не инстинктивно». [11]

В ходе кампании ключевыми положениями стало взаимодействие с конкретной целевой аудиторией, микротаргетинг. Программа «Нарваль» позволила формировать профиль избирателя, программа «Ловец мечты» дала возможность комплексно определять эмоциональное состояние избирателя, его страхи и надежды. Команда Обамы начала выстраивать модели коммуникации, ориентированные на субъекта, которые являются существенными в современном дискурсе, особенно интернетизированном. Впрочем, инструменты микротаргетинга использовала и команда М. Ромни. [3]

Дж. Мессина (Jim Messina), главный стратег избирательной кампании Б.Обамы в 2012 году, в этой связи отмечает: «Нашей общей целью было максимальное использование… аналитики по всем аспектам кампании. Мы потратили беспрецедентные ресурсы на это, потому что нашей идеей было сделать микротаргетинг, т.е. приблизиться к земле, как можно больше». [11]

Ведущим научным специалистом в предвыборном штабе Обамы был известный специалист в области дата-майнинга, машинной обработки текста и искусственного интеллекта, анализа социальных сетей Рейд Гани (Rayid Ghani). [23] Его основной областью ответственности в избирательном штабе была разработка месседжей, способных мотивировать получателя и оказывать влияние на его поведение. Конкретные профили избирателей, которые могли проголосовать за Обаму, позволили персонализировать и месседжи, которые к ним попадали.

В этом и заключалось ключевое преимущество Обамы над Ромни в кампании 2012 года – объем собранной информация и качество ее анализа. Именно это обстоятельство, в конечном счете, помогло Обаме собрать один миллиард долларов с помощью фандрейзинга, применить новый метод таргетинга телерекламы, создать детальные модели избирателей в штатах и адресно воздействовать на их мотивацию. [1]

Оценить приблизительный объемы обработанной информации можно по следующим данным, предоставленным Дж. Уолшем, сотрудником компании DSPolitical, [27] которая работала на демократов: они обработали 600 млн кукиз (IP-адреса пользователей), которые отражают активность пользователей Интернета. А потом сравнили их со списками некоторых из 250 миллионов американских избирателей.

В свою очередь, Е. Херш (Eithan Hersh) из Йельского университета, который как исследователь имел возможность доступа ко всем материалам кампании Обамы, отмечает следующее: «Людям нравится, когда на них выходят многими способами. Многим нравится, что Amazon знает, какие книги они любят. Если в кампании знают вашу религию и расу, ходили ли вы в колледж, что свидетельствует о другом наборе ценностей, то кампания будет опираться на это, когда выходит на вас». [10]

Достаточно активное использование в избирательных кампаниях обоих кандидатов интернет-ресурсов демонстрирует значимость вовлечения активной аудитории, интерактивных параметров коммуникации. Опора на интернет-аудиторию, ориентированную на активную коммуникацию, принесли существенные результаты: количественные измерения демонстрируют увеличение за время кампании количества значков одобрения (так называемых «лайков») в адрес Б. Обамы, его жены Мишель и Дж. Байдена с 19 до 45 млн. Выросло за время предвыборной кампании и количество сторонников Обамы в Twitter: с 7 до 23 млн. [3]

Между тем, несмотря на активное использование возможностей интернет-коммуникации, основным каналом воздействия на целевые аудитории избирателей в 2012 году, как и в предыдущие годы, оставалось телевидение. Отчасти это можно объяснить тем, что интернет-аудитория в США имеет свою специфику: основной ее процент – опытные пользователи Сети в возрасте 50+, а не молодежь, как в большинстве иных национальных сегментов интернета, что обусловлено более ранним по времени развитием веб в США. Таким образом, использование интернета как существенной площадки предвыборной коммуникации отнюдь не предполагает превалирование среди аудитории молодежи, на которую главным образом и была ориентирована предвыборная кампания Барака Обамы. По данным Pew Research Center, в 2008 году 66% избирателей, проголосовавших за Б. Обаму, были моложе 30 лет; в 2012 году их оказалось 60%. [3]

Размещение телевизионной рекламы в ходе предвыборной кампании Б.Обамы было оптимизировано с помощью специально разработанной компьютерной системы (оптимизатор), которая не учитывала, какие именно программы передаются, а только в какое время люди сидят у телевизора, это оказалось принципиальной ориентацией: не на известные передачи, а на те, что смотрят нужные избиратели. В результате команде Обамы удалось захватить больше дневных или очень поздних программ (т.е. не попадающих в прайм-тайм, на что обычно ориентированы политические технологи), реклама Обамы оказалась на 60 каналах (в то время как Ромни – только на 18). [1]

Информацию по каналам, в т.ч посекундную, предоставила компания Rentrak. [28] Они объединили ее с данными другой кампании, где была информация об избирателях. Rentrak получила за свою информацию минимум $ 359,000. В результате кампания Обамы смогла найти свою нишевую аудиторию. [3]

Возвращаясь к избирательному циклу 2016 года, следует отметить, что опыт использования упомянутых выше передовых электоральных технологий, накопленный командой Барака Обамы в ходе избирательной кампании 2012 года, был в полном объеме применен штабом кандидата Хилари Клинтон. При этом были сохранены и такие критически значимые особенности отработанной модели образца 2012 года, как:

• опора на традиционные средства массовой коммуникации (прежде всего телевидение) в качестве каналов доведения предвыборного месседжа до целевых аудиторий избирателей;
• сегментирование целевых аудиторий по укрупненным, в первую очередь демографическим критериям, что обусловлено спецификой выбранного канала доведения месседжа до аудитории (телевидение);
• обращение к инновационным методам анализ данных о пользователях Интернет и социальных сетей преимущественно для формирования психологических профилей избирателей, и лишь в незначительной мере для активного воздействия на настроения и поведение таковых;
• доверие к традиционным опросным методам выявления электоральных предпочтений избирателей, что обусловлено тесными партнерскими связями между ведущими СМИ и социологическими службами мониторинга общественного мнения;
• увлечение технологической стороной процесса, слабое понимание того, что содержание месседжа кандидата намного важнее, чем формы и методы его донесения до целевых аудиторий.

Сказанное уже позволяет понять в общих чертах, почему 2016 году модель избирательной кампании кандидата от Демократов Хилари Клинтон, успешно апробированная на опыте предшествующих кампаний Барака Обамы в 2008 и 2012 гг. не дала ожидаемых результатов; почему на этот раз прогнозы социологических служб и экспертно-аналитического сообщества оказались так далеки от реального результата голосования.

Одним из решающих факторов провала стратегии Клинтон и успеха стратегии Трампа стало качественное изменение социальной среды, в которой эти стратегии реализовывались, а именно: исторически беспрецедентное падение доверия избирателей к традиционным СМИ.

Так, по данным ежегодного Edelman Trust Barometer за 2016 год индекс доверия к традиционным институтам, и в первую очередь к масс медиа в мире опустился до самой низкой отметки за все время наблюдений. [20]

Впервые за время существования индекса Эдельмана, 3\4 из 28 стран, включенных в список, демонстрируют недоверие к государству, бизнесу, медиа и НГО. Спад глобального индекса общественного доверия за прошлый год оказался большим, чем за любой другой год, со времен финансового кризиса 2008 года.

Наибольший упадок общественного доверия понесли СМИ. Индекс доверия к медиа упал с 51% до 43%, что является абсолютным рекордом за все время наблюдений. Отказывая в доверии традиционным медиа, люди обращаются к Интернету как Источнику правдивой информации. Доверие к поисковым системам оказалось выше, чем к традиционным СМИ, что представляет собой разительный контраст с результатами пятилетней давности.

Глобализация и стремительный технологический прогресс подпитывают «опасный всплеск популизма и национализма», утверждает Ричард Эдельман, исполнительный директор крупнейшей в мире консультативной PR компании. Последствиями этого нарастающего скептицизма, который Р.Эделман уподобляет «второй и третьей волне цунами» со времен финансового кризиса 2008 года, являются победа Дональда Трампа в США и успех евроскептиков на референдуме в Великобритании.

«Люди сегодня воспринимают медиа как часть правящей элиты», – утверждает Р.Эдельман, предпочитая больше доверять «независимым» комментаторам и друзьям в социальных сетях. [20] Очевидно, недоверие распространяется также на традиционные службы мониторинга общественного мнения, имеющие тесные партнерские связи с отдельными ведущими СМИ, чем можно, в свою очередь, объяснить проявивший себя в 2016 году феномен неискренности респондентов в ответах на вопросы социологов.

В значительной степени такая негативная динамика объясняется снижением уровня жизни и экономическими трудностями, переживаемыми людьми в последние годы. Масла в огонь общественного негодования подливают новые оценки неравенства в распределении глобального благосостояния, согласно которым 8 миллиардеров владеют богатством, равным тому, что имеют половина 7,2 млрд населения планеты (согласно оценкам годичной давности, таковых насчитывалось 62). [18] Однако даже среди хорошо образованных и благополучных респондентов 51% считают, что система не работает.

Согласно данным службы Gallup, доверие американцев к СМИ в 2016 году достигло наименьших показателей начиная с 1972 года, то есть за всю историю наблюдений. [4] До 2004 года для большинства американцев было характерно по меньшей мере относительное доверие к СМИ, однако с тех пор доля доверяющих постепенно оказалась в меньшинстве, и наконец, в прошлом году таковых осталось около одной трети (Граф.1).

Граф.1 Доля граждан США, испытывающих высокое/умеренное доверие
в отношении традиционных СМИ (%) Источник: GALLUP [4]

Только 32% участников опроса Gallup заявили, что имеют «высокое» или «умеренное» доверие к СМИ, что на 8% ниже, чем в 2015 г. Доверие к СМИ снизилось среди респондентов, идентифицирующих себя как Демократы, Республиканцы и Независимые, при этом наибольшее падение доверия отмечено среди Республиканцев (с 32% в 2015 до 14% в 2016), что является рекордно низким значением за последние 20 лет.

По возрастным группам также заметны характерные закономерности: респонденты в возрасте 18–49 лет демонстрируют наименьший уровень доверия к СМИ (36% в 2015 и 26% в 2016), однако и в старшей возрастной группе 50+ впервые за последние 15 лет этот показатель опустился ниже 40% (45% в 2015 и 38% в 2016). [4]

Что же касается технологической стороны вопроса, проблема здесь видится в том, что, хотя обе конкурирующие команды кандидатов на практике применяли методологически весьма схожие (хотя и разработанные независимо друг от друга), практически идентичные передовые технологии электорального анализа и прогнозирования, дата-майнинга и психометрического моделирования, применяли они их различным образом и в разных целях.

Так, команда Клинтон избрала сравнительно более традиционный, проверенный временем метод работы, когда передовые технологии находят ограниченное применение, главным образом в части анализа целевых аудиторий и формулирования адресных месседжей, однако доведение таких месседжей до адресата осуществляется проверенными способами, с опорой на традиционные СМИ (телевидение). Такая стратегия может быть обусловлена как недооценкой возможностей новых технологий, остаточным недоверием к ним, так и влиянием обязывающих связей с влиятельными, «мейнстримовыми» масс медиа, заинтересованными в рекламном бюджете , распределяемом штабом кандидата.

В свою очередь, команда Трампа, можно сказать, «выжала» все возможное из новых технологий, полностью задействовала их потенциал на всех стадиях организации и проведения предвыборной кампании, поставила их на службу всех ключевых целей и задач, связанных с формулированием и донесением месседжа кандидата до избирателя, активного воздействия на предпочтения и поведение последнего, мобилизации и контрмобилизации и т.д. Именно широкий арсенал форм и способов практического применения интересующих нас методов, методик и технологий, задействованный избирательным штабом Дональда Трампа, в конечно с чете не только оказался одним из решающим факторов его победы на выборах, но и причиной взрывного роста интереса экспертно-политического, научного, журналистского сообществ к данным технологиям как таковым.

Список литературы

1. Почепцов Г. «Выборы Обамы как новый этап развития избирательных технологий» // Пси-фактор (онлайн-издание) 2012.
   URL: http://psyfactor.org/lib/obama4.htm.
2. Расследование Das Magazin: как Big Data и пара ученых обеспечили победу Трампу и Brexit» // The Insider, 06.12.2016.
   URL: http://theins.ru/politika/38490.
3. Шилина М.Г. «Выборы президента в США: новые технологические тренды?» // Бизнес. Общество. Власть (онлайн-издание) НИУ ВШЭ, 2012. №12. – C. 106–118.
4. Americans’ Trust in Mass Media Sinks to New Low. Gallup, 2016.
   URL: http://www.gallup.com/poll/195542/americans-trust-mass-media-sinks-new-low.aspx.
5. Beauchamp Nick “Predicting and Interpolating State-level Polls using Twitter Textual Data” // American Journal of Political Science, September 2016.
6. «Computational Personality Recognition in Social Media» by G. Farnadi, G. Sitaraman, S. Sushmita, F. Celli, M.Kosinski, D. Stillwell, S. Davalos, M-F. Moens, M. De Cock, User Modeling and User-Adapted Interaction: The Journal of Personalization Research. – Springer Science+Business Media, Dordrecht 2016.
7. Craig Caroline “The best brains: AI systems that predicted Trump’s win”/ / InfoWorld, NOV 11, 2016.
   URL: http://www.infoworld.com/article/3139335/big-data/the-best-brains-ai-systems-that-predicted-trumps-win.html.
8. Gayo-Avello Daniel “A meta-analysis of state-of-the-art electoral prediction from Twitter data.” // Social Science Computer Review 31(6) 2013: – Р. 649–679.
9. Goldberg L.R. “The structure of phenotypic personality traits”. American Psychologist. 48, 1993. – Р. 26–34.
10. Hersh Eitan Hacking the Electorate: How Campaigns Perceive Voters. – Cambridge University Press, –N.Y., 2015.
11. «Inside the Secret World of the Data Crunchers Who Helped Obama Win» / By Michael Scherer // Time, Nov. 07, 2012.
12. John O.P., Angleitner A., Ostendorf F. “The lexical approach to personality: A historical review of trait taxonomic research”. European Journal of Personality. 2, 1988. –Р. 171–203.
13. Kharpal Arjun. “Trump will win the election and is more popular than Obama in 2008, AI system finds”. // CNBC, Friday, 28 Oct 2016.
    URL: http://www.cnbc.com/2016/10/28/donald-trump-will-win-the-election-and-is-more-popular-than-obama-in-2008-ai-system-finds.html
14. Matthews Gerald Deary Ian J., Whiteman Martha C. Personality Traits (2nd ed.). – Cambridge University Press, 2003.
15. «myPersonality project: Example of successful utilization of online social networks for large-scale social research» by D. Stillwell and M. Kosinski. International Conference on Mobile Systems (MobiSys), 2012.
16. Nix Alexander. «The Power of Big Data and Psychographics». presentation at the 2016 Concordia Summit. –N. Y., 2016.
    URL: https://www.youtube.com/watch?v=n8Dd5aVXLCc.
17. «Our Twitter Profiles, Our Selves: Predicting Personality with Twitter» by D. Quercia, M. Kosinski, D. Stillwell, J. Crowcroft, IEEE International Conference on Social Computing (SocialCom), 2011.
18. Oxfam International, “An economy for the 99%”, 2017. 
    URL: https://www.oxfam.org/.
19. Poropat A.E. “A meta-analysis of the five-factor model of personality and academic performance”. Psychological Bulletin. 135, 2009. – Р. 322–338. 
20. Public trust in media at all time low, research shows. By: Anna Nicolaou and Chris Giles / Financial Times, JANUARY 16, 2017.
    URL: https://www.ft.com/content/fa332f58-d9bf-11e6–944b-e7eb37a6aa8e.
21. “Social Media Patterns Show Trump Is Looking at a Landslide Victory” Jim Hoft, Aug 7th 2016.
    URL: http://www.thegatewaypundit.com/2016/08/evidence-trump-landslide/.
22. Von Hannes Grassegger und Mikael Krogerus “Ich habe nur gezeigt, dass es die Bombe gibt” // Das Magazin. №48–3. Dezember 2016.
23. Персональный сайт Р. Гани.
    URL: http://www.rayidghani.com/.
24. Strategic Communications Laboratories.
    URL: https://sclgroup.cc/.
25. SCL Group.
    URL: https://en.wikipedia.org/wiki/SCL_Group.
26. URL: http://mypersonality.org/wiki/doku.php.
27. URL: http://www.dspolitical.com.
28. URL: http://www.rentrak.

---