КОНТУРЫ БУДУЩЕГО: ТЕХНОЛОГИИ И ИННОВАЦИИ В КУЛЬТУРНОМ КОНТЕКСТЕ Санкт-Петербург 2017 Контуры будущего: технологии и инновации в культурном контексте. Коллективная монография / Под ред. Д.И. Кузнецова, В.В. Сергеева, Н.И. Алмазовой, Н.В. Никифоровой. – СПб.: Астерион, 2017. – 550 с. ISBN 978-5-00045-524-1 Коллективная монография подготовлена по результатам конференции «Контуры будущего: технологии и инновации в культурном контексте», состоявшейся 1–3 ноября 2017 г. в Санкт-Петербургском политехническом университете Петра Великого при поддержке РФФИ и Общества истории технологий (So����� for �h� H���or� of ���h�olo��, SHO��. В центре внимании конференции – процессы производства знания о технологиях будущего как центральный социокультурный аспект технологического развития. В монографии освещены политический контекст технологического развития, будущее как пространство борьбы и столкновения интересов различных акторов; конструирование властных отношений и их влияние на сценарии будущего; философские и этические аспекты производства научно-технического знания о будущем; «грамматики будущего» как анализ нарративов и метафор; эстетическое измерение технологий будущего; «архивы будущего» как история вербальных и визуальных представлений. Книга адресована специалистам в области исследований науки и техники, форсайта и оценки стратегических направлений инновационного развития, философии, культурологии, истории, социологии, медиа, искусства, лингвистики, теории коммуникации. Издание осуществлено при поддержке РФФИ, проект 17-03-14200 Редакционная коллегия: Дмитрий Иванович Кузнецов – доктор философских наук, профессор, проректор, пресссекретарь, СПбПУ. Виталий Владимирович Сергеев – доктор технических наук, член-корреспондент Российской академии наук, профессор, проректор по научной работе, СПбПУ. Надежда Ивановна Алмазова – доктор педагогических наук, член-корреспондент Российской академии образования, профессор, директор Гуманитарного института, СПбПУ. Сергей Владимирович Кулик – доктор исторических наук, профессор, директор Высшей школы общественных наук, СПбПУ. Светлана Борисовна Ульянова – доктор исторических наук, профессор Высшей школы общественных наук, СПбПУ. Наталия Владимировна Никифорова – кандидат культурологии, доцент Высшей школы общественных наук, руководитель Молодежного совета Гуманитарного института, СПбПУ. Илья Викторович Сидорчук – кандидат исторических наук, доцент Высшей школы общественных наук, СПбПУ. Наталья Владимировна Офицерова – кандидат исторических наук, доцент Высшей школы общественных наук, СПбПУ. Анна Владимировна Мазуренко – кандидат экономических наук, доцент кафедры «Реклама и связи с общественностью», СПбПУ. Виктория Валерьевна Лобатюк – кандидат социологических наук, доцент Высшей школы общественных наук, СПбПУ. Юлия Олеговна Обухова – кандидат социологических наук, доцент кафедры «Реклама и связи с общественностью», СПбПУ. Дмитрий Геннадьевич Попов – кандидат философских наук, доцент кафедры «Реклама и связи с общественностью», СПбПУ. ISBN 978-5-00045-524-1 © Коллектив авторов, 2017 УДК 303.1 ББК (С)60.56 Алина Юрьевна Контарева, НОЦ «Социально-политические исследования технологий» Национального исследовательского Томского государственного университета, научный сотрудник, Калифорнийский Университет в Дэвисе, США, Приглашенный исследователь по программе Фулбрайта для аспирантов, e-mail: akontareva@gmail.com Использование визуализаций и больших данных в гуманитарных исследованиях (на примере исследования Инстаграм фотографий о посещении Эрмитажа)1 В статье рассматриваются возможности использования больших данных и вычислительных методов на примере исследования, проведенного в Центре STS Европейского Университета в Санкт-Петербурге2. Исследование основывается на анализе визуализаций 82 тысяч фотографий, выложенных пользователями сети Инстаграм в открытый доступ, и используется подход культурной аналитики (Cultural Analytics) в качестве альтернативной методологии для изучения культурных артефактов. Результаты работы позволяют говорить о необходимости комбинации методов исследования и дополнения вычислительных методов анализом контента фотографий, наблюдениями, использованием подвыборок, что приводит к построению объяснений в рамках конкретного кейса. Хронологические и цветовые визуализации массива данных позволяют говорить о важности не столько коллекции в музее, сколько музея как особого городского пространства. Ключевые слова: методы исследования, культурная аналитика, Инстаграм, большие данные, визуализация данных. Большое количество данных, к которому исследователи имеют доступ в наши дни, ставит вопрос о применении вычислительных методов в том числе в гуманитарных исследованиях. Одним из альтернативных методов работы с качественными данными является культурная аналитика (C�l��r�l A��l������, предложенная Львом Мановичем. Большое количество работ, выполненных в русле культурной аналитики, свидетельствуют об эвристическом потенциале данного подхода. На основе проведенного нами исследования мы можем предложить несколько комментариев относительно методологии проектов, выполняемых в русле данного подхода. Целью исследования был анализ опыта посещения музея. В работе использовался материал открытых аккаунтов социальной сети Инстаграм, т.е. тот контент, который посетители сами создавали в музее. Наше исследование основано на материале одной локации – это Государственный Эрмитаж в Санкт-Петербурге. Это место – одно из наиболее популярных по посещению среди туристов и жителей города, что сказывается на большом количестве создаваемых визуальных данных, размещенных в социальных сетях. Для упрощения автоматического сбора больших данАвтор благодарит Европейский Университет в Санкт-Петербурге и программу Фулбрайта для аспирантов за поддержку в написании статьи. 2 На основе проведенного нами исследования мы можем предложить несколько комментариев относительно методологии проектов, выполняемых в русле данного подхода. 1 151 ных мы определили ряд тегов, отображающие контент, непосредственно относящийся к Эрмитажу. Это теги: #h�rm�����, #h�rm�����m����m, #h�rm�����_m����m, #h�rm�������l���, #эрмитаж, #эрмитаже, #эрмитажа, #эрмитажспб. В итоге мы работали с базой данных из 82 тыс. фотографий, размещенных в период 2011–2016 гг., как русскоязычными, так и иностранными посетителями музея. Следуя подходу культурной аналитики, для работы с большим количеством данных мы использовали инструменты лаборатории Sof�w�r� S������ I��������� (h���://l�b.�of�w�r��������.�om/�. �. Этот подход позволяет охватить большие массивы материала, найти компромисс между «глубиной данных и их охватом»1 и работать с медиа, а не текстовыми данными. Применение этих инструментов позволяет выстраивать визуализации данных на основе необходимого параметра, для чего фотографии сначала обсчитываются, а затем распределяются по шкале значений. Поскольку мы работали с визуальным материалом, то нашими параметрами стали цвет и его насыщенность, яркость фотографий. В результате использования программы обработки изображений Im���J и нескольких ее плагинов (Im���Plo�, Im���Sl���� нам удалось построить визуализации всего массива, исходя из среднего цвета фотографий2. Плагин Im���Mo����� дает возможность создания визуализации данных, основанной на хронологии – времени публикации фотографий от самой ранней до самой поздней. Таким образом визуализации позволяют не редуцировать всей сложности медиа данных, а выстроить их в порядке, исходя из исследовательских задач проекта3. Для работы с большими визуализациями мы использовали навигацию среди макро- и микроуровнями и работали с фрагментами визуализаций. В результате применения автоматических способов обработки данных исследователи получают возможность работать с визуальным потоком данных. Это существенно отличается от предшествующих способов работы с медиа материалом, например, анализа содержания каждой фотографии в отдельности или агрегации значений данных массива. Особенно подчеркивается важность такого подхода во время проведения эксплоративного исследования, когда стоит необходимость получить предварительные выводы о природе изучаемого объекта. В результате распределения фотографий по цвету мы можем выделить несколько наиболее распространенных оттенков в исследуемых фотограM��o���h, L. (2011�. �r������: �h� �rom���� ��� �h� �h�ll����� of b�� �o���l ����. D�b���� �� �h� ������l h�m�������, 2, 460–475, �. 466. 2 Ho�hm��, N., M��o���h, L. (2013�. Zoom��� ���o �� I�����r�m C���: R������ �h� lo��l �hro��h �o���l m����. F�r�� Mo����, 18(7�. 3 M��o���h, L. How �o �o D�����l H�m������� R��h�? h���://l�b.�of�w�r��������.�om/2013/12/ how-�o-�o-������l-h�m�������-r��h�.h�ml. 1 152 153 Рис. 1. Пример цветового фрагмента визуализации, который тематически соотносится с «искусством» и «интерьерами» Эрмитажа. фиях. Большинство имеют в основе вариации красных, желтых и золотых оттенков. Далее следуют синие и зеленые цвета. Фрагменты, соответствующие цветам, отличаются по своей величине, что говорит о большем или меньшем количестве данных, соответствующих оттенку. Для построения объяснительной модели мы подкрепляли наши выводы в том числе наблюдениями практик фотографирования в музее и знаниями специфики Эрмитажа и его аудитории. Для интерпретации цветовых паттернов, обнаруженных в визуализациях, мы работали с подвыборками из первичного массива фотографий и распределяли их по нескольким сюжетным группам наиболее часто встречающегося содержания. Контент-анализ первой тысячи фотографий позволил выделить несколько популярных сюжетов, таких как «селфи», «интерьеры музея», «искусство», «турист на фоне», «дворцовая площадь» и т.п. Далее эти группы комбинировались в более обобщенные, такие как «внутри музея», «вне музея», «искусство», «посетители», которые также визуализировались инструментами Im���Mo����� и Im���Sl���. Этот этап работы позволил соотнести содержание фотографий с конкретным цветом в рамках изучаемого массива и интерпретировать паттерны больших визуализаций (рис.1�. На основе визуальной репрезентации фотографий и распределения массива по цвету мы можем сделать предварительные выводы о том, что стоит за цветом, их динамикой и изменениями. Например, синий цвет соотносится исключительно с фотографиями, снятыми на Дворцовой Площади в ясные солнечные дни, фиолетовый – это преимущественно фотографии современного искусства и фотографии, снятые в темное время суток, зеленые – это фотографии Зимнего Дворца и лестницы в Здании Главного Штаба. Большинство фотографий приходится на красный и желтый, и это фото, снятые внутри музея. Однако посетители фотографируют не столько интерьеры музей или его искусство, сколько себя на этом фоне, что делает эту часть фотографий наиболее многочисленной. За счет охвата большего количества фотографий мы можем сделать вывод о том, что помимо непосредственно коллекции искусства и интерьеров, посетителей интересует Эрмитаж как значимое городское пространство. Наше исследование, выполненное в русле культурной аналитики, предлагает комбинировать методы работы с данными и направить фокус на детальное исследование кейса одной локации. Именно на основе кейса мы можем наиболее широко использовать потенциал культурной аналитики, избежать стереотипного прочтения места и интерпретировать данные, исходя из значений внутри определенного кейса. 154 The Use of Visualizations and Big Data in the Humanities: The Case of The Hermitage Museum Pictures on Instagram1 Alina Kontareva, Centre for Policy Analysis and Studies of Technologies, Tomsk State University Research Fellow, University of California, Davis Fulbright Visiting Doctoral Student, e-mail: akontareva@gmail.com Abstract: The article analyses the use of big data and computational methods, based on the research project conducted in STS Center, European University at St. Petersburg. The research investigates how people experience a visit to a museum, and uses the data of 82,000 pictures visitors posted on Instagram. The data is gathered from a single location – the State Hermitage Museum in St. Petersburg. Following a cultural analytics approach, the research generated visualizations of the data and traced patterns of color distribution. In addition to computational methods, the study shows the relevance of sub samples, content analysis of the data, and observations of picture-taking practices to explain patterns in visualizations. Analysis of chronological and color distribution of pictures suggest the transformation of a museum from a collection of artifacts to a museum as urban space. Key words: research methods, cultural analytics, Instagram, big data, data visualization. ■ УДК 316.4 ББК 60.524 Полина Сергеевна Петрухина, Московский государственный университет имени М.В. Ломоносова, студент (бакалавр), e-mail: polina.petruhina@gmail.com Технологии и общество: взаимное приручение. Акторно‑сетевой подход к инновациям В современном обществе, по крайней мере в его так называемой цивилизованной части, не приходится жаловаться на недооцененность роли техники и технологий. Однако всегда ли адекватно определяется их место в межакторных взаимодействиях и их реальное влияние на общественный строй? История показывает массу примеров, когда не столь революционные на первый взгляд нововведения, включаясь в уже существующие сети взаимоотношений, порождали неожиданные, порой даже революционные эффекты. В то же время, у нашумевших открытий могут обнаружиться незамеченные за яркими, поспешно присвоенными им ярлыками последствия, которые могут всплыть в самых разных сферах общественной жизни. Между тем, прогнозирование приблизительного масштаба потенциальных изменений, вызванных внедрением той или иной технологической инновации является главной задачей соответствующей социальной экспертизы, направленной в будущее. В связи с обозначенной проблемой, одним из эффективных средств для исследования процессов укоренения инновационных технологий в обществе представляется использование методов акторно-сетевого подхода. Рассматривая объединение индивидов, технологий и материальных объектов в единую, общую сеть взаимодействий, можно пошагово отследить распространение инноваций через намечающееся построение новых цепочек связей. Ключевые слова: акторно-сетевая теория; экспертиза инноваций; технологии; социальные взаимодействия; исследования повседневности; материальные объекты. 1 �h� ���hor �h��k� E�ro���� U����r���� �� S�. P���r�b�r� ��� F�lbr��h� V������ Gr������ S������ �ro�r�m for ����or�. 155