Аннотация результатов, полученных в 2020 году
В проекте в 2020 году решались следующие задачи: 1. Онтологическое представление всего проблемного поля исследования (выделение основных понятий и связей между ними). Результат онтологического моделирования (прикладная онтология) представлен на диаграмме: https://cloud.semograph.com/s/mYpP3o9L3C5AK7X Онтология в настоящее время (на первом этапе проекта) описывается тремя блоками, насчитывающими 45 концептов, связанных семью типами семантических отношений. 2. В соответствии с планом осуществлялась разработка веб-приложения "Студия креативных карт" (https://creativemaps.studio). Созданы все необходимые инструменты для рисования карт; для удобства обучения реализован онбординг (режим обучения); реализован вход в "Студию…" с помощью аккаунтов социальных сетей (Фейсбук и ВКонтакте). Проведен тестовый сбор наивных карт в трех регионах России (более 100 карт), а также Китайской Народной Республике (более 100 карт). Выборки собранных карт России и Китая (по 30 карт). Карты России (в формате PNG): https://cloud.semograph.com/s/ZbEJjND82rtEJXZ Карты Китая: https://cloud.semograph.com/s/CpTfrdnwc7dbaQL 3. Наивные карты (хранятся в файлах формата JSON) содержат информацию обо всех объектах, нанесенных информантом на свою карту, а также полностью сохраняют историю создания и редактирования карты (в том числе порядок, типы и параметры действий и время их совершения), что позволяет полностью воспроизвести порядок работы с объектами (даже удаленными) и состояние карты в любой момент времени. В то же время для решения задачи моделирования геоконцептов как системы семантических полей осуществлялся экспорт "текстового слоя", а также метаданных анализируемого контента "наивных" карт в ИС "Семограф". Для моделирования геоконцептов использовался созданный многоуровневый классификатор - иерархическая система семантических полей, необходимая для семантической разметки ассоциаций/представлений информантов о геообъектах. Извлеченные данные использовались также в задаче определения последовательности рисуемых объектов (а также их атрибутов), представленной в модели матрицы переходов объектов с ее последующей визуализацией в виде круговых направленных графов. 4. В прошедшем году нашим коллективом разработана русскоязычная версия шкалы региональной идентичности (Regional Identity Scale, RIS-2, авторы: Р. Асун, К. Суньига и Х-Ф. Моралес), предназначенная для многомерной оценки региональной идентичности как чувства принадлежности своему региону. Данная шкала позволяет не только выявить наличие чувства принадлежности региону, но и оценить степень его интенсивности, а также охарактеризовать разные составляющие региональной идентичности: идентификации с территорией и природой региона, его культурно-историческим наследием и населением. В ходе апробации в форме бланкового и онлайн-опроса на выборке в 1027 жителей 11 регионов России была проанализирована факторная структура методики с помощью эксплораторного и конфирматорного факторного анализа, позволившая сделать вывод о хорошем соответствии эмпирической структуры шкалы структуре оригинальной версии и основанным на теоретических представлениях ожиданиям. 5. Для дальнейшего сопоставительного анализа между данными наивных карт и объективными параметрами были собраны и представлены в виде пополняемой библиотеки данные с открытых ресурсов. Данные о численности и составе населения, данные по внутренней миграции был взяты у Росстата (https://rosstat.gov.ru/); географическая информация о геообъектах (координаты, размеры, протяженность и др.) брались в открытых источниках Всемирной организации дикой природы, Всемирного Банка и Центра социоэкономических данных и приложений NASA. 6. Использована созданная коллективом ранее технология сбора контента соцсети ВКонтакте для авторизованного пользователя "Студии креативных карт". Это позволяет исследовать соответствия между нанесенными на цифровую наивную карту геообъектами и геообъектами, находящимися в поле его личных интересов (о которых он пишет в соцсети). Все получаемые данные обезличиваются. 7. Расширен набор аналитических возможностей разработанной ранее платформы визуальной аналитики SciVi, которая использовалась в ходе проведения исследований. Новые возможности включают в себя средства интерактивного поиска кластеров в графе, средства устранения шума в данных, имеющего нерегулярное распределение, средства вычисления отображаемых срезов данных операций из теории множеств и средства синхронизации графа и географической карты. Кроме того, разработан ряд загрузчиков и фильтров, обеспечивающих обработку данных на этапе, предшествующем визуализации. Все разработанные средства интегрированы в платформу SciVi и доступны в виде инструментов по ссылке: https://scivi.semograph.com. Один из полученных графов, отражающих количественные показатели переходов (матрицу переходов) между типами объектов в процессе рисования карт, представлен по ссылке: https://scivi.semograph.com/?preset=China_Object_Drawing_Sequence.json. Для запуска визуализации необходимо нажать кнопку “Visualize” в правом верхнем углу рабочей области. 8. Разработано несколько методов анализа данных наивных карт: - сопоставление относительных расстояний между геообъектами на наивных картах с относительным (в рамках страны) географическим расстоянием между объектами; представлен способ визуализации "сжатия"/"расширения" ментального пространства относительно географического в виде тепловых карт; - применен метод дерева решений к текстовому слою наивных карт. В качестве целевого параметра может выступать любой бинарный признак, который можно получить из текстового слоя наивной карты; в качестве переменных/атрибутов - время создания объекта, цвет объекта, социальные параметры Ии. Дерево решений позволяет классифицировать наивные карты и прогнозировать принадлежность Ии. к определенной социальной группе в зависимости от объектов на карте и последовательности их создания. - кластеризация геообъектов и наивных карт (информантов). В качестве метода измерения расстояния использовалась мера Жаккара, показавшая для анализируемого лучший результат из других мер, используемых в кластеризации объектов. Диаграмма кластеризации типов объектов на наивных картах: https://cloud.semograph.com/s/mQoXmzH6ge6xzqf Кластеризация некоторых карт Ии. см.: https://cloud.semograph.com/s/a2zrifSce4z8yaM 9. Опубликовано (и принято к печати) пять статей; две индексируются в Scopus и/или Web of Science, одна из них в Q1 SJR.

Аннотация результатов, полученных в 2021 году
Второй этап выполнения Проекта был связан с апробацией и коррекцией созданных на первом этапе исследовательских программ и с совершенствованием методов обработки данных и устранении технических и концептуальных неточностей. Поэтому основное внимание коллектива было направлено на доработку инструментария «Студии креативных карт» и связанных с нею сервисов обработки данных: информационной системы "Семограф" и системы визуализации SciVi. В результате были разработаны средства связи данных между системами (экспорта, импорта), позволяющие обрабатывать одним запросом массивы данных. Начато создание базы данных из цифровых наивных карт России, собираемых в веб-приложении "Студия креативных карт" (https://creativemaps.studio) - на сегодняшний день собрано 1015 карт из нескольких регионов (Приморский край, Томская область, Кемеровская область, Оренбургская область, Пермский край, Республика Крым, Москва, Санкт-Петербург, Ярославская область, Нижегородская область). Помимо "наивных" карт собраны результаты опроса, направленного на выявление региональной идентичности информантов. В "Студии" помимо возможностей экспорта данных из базы данных созданы аналитические инструменты, предназначенные для работы с самими картами: объектами и текстовым слоем. Данная функциональность позволила экспортировать текстовый слой карт, сопровождаемый информацией о метаполях объектов (тип, название, размер, цвет, время) и испытуемом (регион, пол, возраст, а также данные ответов опросника) в информационную систему "Семограф" в виде отдельного проекта. В рамках Проекта с опорой на анализ вербального и визуального слоев наивных карт разработан классификатор. Он ложится в основу многоуровнего описания геоконцептов как композиций доминирующих и периферийных поликодовых характеристик. Классификатор существует в виде библиотеки семантических полей, обобщающих вербальные и визуальные ассоциации, представленные на наивных картах. В соответствии с классификатором размечен корпус ассоциатов/представлений о геообъектах, построенный на основе классификатора вербального и визуального слоев карт, доработанного в соответствии с новыми данными. Построены модели, отражающие закономерности распределений выраженности региональной идентичности по регионам информантов. В опросе участвовали респонденты из Москвы, из Санкт-Петербурга, из Московской, Новосибирской, Оренбургскойй областей, Алтайского, Пермского, Красноярского, Приморского краев, Республики Башкортостан и Крыма. На основе построенной модели можно сделать вывод о высокой статистической значимости вклада возраста и места рождения. Вклад фактора «Регион проживания» в региональную идентичность также достаточно существен, при этом наибольшие её показатели отмечаются в г. Санкт-Петербург, а наименьшие в Новосибирской области. Таким образом, полученные результаты свидетельствуют о важном вкладе социально-демографических факторов в региональную идентичность и необходимости их учета. Они позволяют сделать о том, что регионы России неоднородны по уровню региональной идентичности их жителей. Разработаны концептуальные основания связи результатов экспериментального подхода (данных «наивных» карт и ответов опросника) с результатами обработки пользовательского контента (из социальных сетей). На основе этих данных и ранее построенных моделей региональной идентичности осуществляется анализ с целью соотнесения лингвистического портрета информанта с портретом “типичного представителя” соответствующего региона (на основе использования "регионального" лексического словника). Полученные коэффициенты "типичности" соотносятся с данными опросника региональной идентичности и в перспективе могут использоваться для автоматического определения показателей региональной идентичности информанта на основе его письменных текстов (с помощью использования методов машинного обучения). В настоящее время реализовано несколько "региональных" лексических словников. Для построения моделей, отражающие закономерности распределения метрик, характеризующих геообъекты на наивных картах (типичности, метрических и топологических искажений, связности, эгоцентричности) спроектирована база данных для хранения информации о реальных географических объектах; спроектирован и построен инструментарий для извлечения информации о географических объектах из открытых источников данных (в т.ч. Wikimapia); разработаны инструменты анализа текстового слоя и геокодирования для извлечения информации о географических объектах из текстового слоя наивных карт. Для онтологического представления скрытых закономерностей в использовании тех или иных средств выразительности (пиктограмм, контуров и т.п.) и визуального анализа структуры карт проведены этапы идентификации (определение базовых концептов онтологии) и концептуализации (определение базовых связей онтологии) предметной области наивных карт, в результате чего построена модель онтологии наивной карты. Принято решение использовать т.н. легковесные онтологии (англ. Lightweight Ontologies), т.е. онтологии без аксиоматики.

Аннотация результатов, полученных в 2022 году
Достигнутые научные результаты: - собрана коллекция репрезентаций ментальных карт (цифровых "наивных" карт) России, насчитывающая 2527 карт из 12 регионов России: Алтайского края, Амурской области, Республики Крым, Кемеровской области, Москвы, Оренбургской области, Пермского края, Томской области, Республики Башкортостан, Приморского края, Воронежской области, Республики Саха (для сбора карт был создан паблик ВКонтакте: https://vk.com/imentalmap); - разработан аналитический модуль для приложения Creative Maps Studio (https://creativemaps.studio/), позволяющий обрабатывать и визуализировать репрезентации ментальных карт. Модуль использует концепцию DFD (диаграмм потока данных), что позволяет легко адаптировать существующие DFD под новые задачи; - разработана концепция регионального шаблона ментальных карт (концепция может применяться на выборках, сформированных на других объединяющих карты признаках). Шаблон строится на учете всех встречающихся на картах объектов с распределением их параметров (координат, размеров, цвета, времени, порядка нанесения объектов и др.) и построены шаблоны для всех регионов, для которых были собраны карты; - разработана система визуализации ментальных карт, в том числе визуализация региональных шаблонов, переходов объектов (временной аспект развертывания карты) и графосемантических моделей геоконцептов; - разработан алгоритм нечеткой классификации репрезентаций ментальных карт на основе их соотнесения с шаблонами, построенными по наборам карт, собранным по определенному признаку (например, по региону резиденции информанта). Каждая карта получает коэффициент похожести на типичную карту региона, представленную в шаблоне; - успешно адаптирован опросник региональной идентичности, который в имеет четырехфакторную структуру (четыре субшкалы, с разных сторон характеризующие региональную идентичность: чувство принадлежности региону, идентификация с территорией, культурой и населением региона); - результаты статистического анализ полученных результатов связи выраженности региональной идентичности с содержанием и структурой ментальных карт продемонстрировали независимость содержания ментальных карт от выраженности региональной идентичности. Этот вывод согласуется с теоретическими представлениями о том, что региональная идентичность и ментальная карта принадлежат к различным сферам психики (личностной и когнитивной), а следовательно, складываются под влиянием различных факторов и выполняют разные функции; - получены результаты для временного развертывания объектов на картах в виде графовых моделей (ориентированных графов, основанных на матрицах переходов между объектами) с использованием метода модулярности. Для типов объектов, которые можно ранжировать по значимости, были установлены сценарии развертывания от более значимого объекта к менее значимому (например, от города к городку, селу, деревне (не наоборот)); - геоконцепты были представлены в виде графосемантических моделей (кругового графа или графа свободной структуры); была зафиксирована постоянная региональная вариативность структуры графа, проявляющаяся как в отборе вершин (семантических полей), так и в их структурном соотношении с другими семантическими полями; - сформированы региональные словники для всех регионов страны (по состоянию на начало 2022 г.); каждый из словников состоит из двух частей, характеризующих: а) общение между людьми одного региона, б) общение между людьми разных регионов.