Rastyam T. Aliev1 & Olesya S. Yakushenkova2
Astrakhan State University. Astrakhan, Russia
Received: 5 June 2022 | Revised: 3 September 2022 | Accepted: 20 September 2022
Abstract
The article is the final in a series of studies we conducted in the period from 2018 to 2022, and focuses on the transformation of the image of the Other in the period of the Covid-19 pandemic. For this study, we used Internet query statistics, extracting a series of markers, which we divided into three groups: food, clothing(appearance), and sexuality. The data was used to compile a correlation matrix and identify the strongest correlation between the markers. The study showed that the most diverse in the number of different markers is the food aspect. The appearance and sexual aspects are less distinctive during the pandemic but also play an important role in shaping the Other's image. It is also worth mentioning the fact that in the post-Covid time (2022) the difference between various models is blurred and some of them are enlarged by the inclusion of representatives of other ethnic groups. In particular, today we can distinguish several big clusters of the Other’s models holding common structural markers: some models are united according to their “food” aspect (Far Eastern cluster), others according to their appearance and sexual aspects (cluster of the former Soviet Union ethnic groups). However, within these clusters, models also share structural markers, so that they can be combined into subgroups based on one feature or another.
Keywords
The Other; Models; Internet; Internet Queries; Search Engines; Food; Сlothes; Sexuality; the Digital Other
1Email: rastaliev[at]gmail.com
2Email: jestershadow[at]mail.ru
Алиев Растям Туктарович1 & Якушенкова Олеся Сергеевна2
Астраханский государственный университет. Астрахань, Россия
Рукопись получена: 5 июня 2022 | Пересмотрена: 3 сентября 2022 | Принята: 20 сентября 2022
Аннотация
Данная статья является финальной в серии исследований, проводимых нами в период с 2018 по 2022 гг., и фокусируется на трансформации образа Чужого в период пандемии Covid-19. Для реализации исследования была использована статистика поисковых запросов пользователей сети Интернет, что позволило выявить ряд маркеров, которые мы разделили на три группы: алиментарные, вестиментарные и сексуальные. На основе полученных данных была составлена корреляционная матрица и выявлены сильнейшие корреляционные связи между маркерами. Исследование показало, что максимально разнообразным по количеству различных маркеров оказывается алиментарный аспект. Вестиментарный и сексуальный аспекты в период пандемии менее выражены, но также играют важную роль в формировании образа Чужого. Стоит отметить и тот факт, что в постковидное время (2022 г.) разница между различными моделями размывается и некоторые из них укрупняются, включая в себя представителей других этносов. В частности, сегодня мы можем говорить о нескольких крупных кластерах моделей Другого / Чужого, имеющих те или иные общие структурные маркеры: некоторые модели объединяются по принципу алиментарной составляющей (Дальневосточный кластер), другие же по вестиментарному и сексуальному аспекту (кластер этносов бывшего Советского союза). При этом внутри таких кластеров модели также имеют общие структурные маркеры, что позволяет объединить их в подгруппы по тем или иным признакам.
Ключевые слова
Другой; модели; Интернет; интернет-запросы; поисковики; алиментарность; вестиментарность; сексуальность; цифровой Чужой
1Email: rastaliev[at]gmail.com
2Email: jestershadow[at]mail.ru
Пандемия Covid-19 оказалась серьезным вызовом для человечества. Хотя в ней не было ничего экстраординарного и с похожими эпидемиями мир уже сталкивался раньше, она выявила слабые стороны в самых разных элементах нашей реальности. Кроме того, стали очевидными слабые стороны информированности общества в новых условиях стратегий безопасности.
Одной из проблем сложившейся ситуации явилось восприятие пандемии широкими массами. Общество поделилось на тех, кто следовал всем правилам, стараясь как можно скорее пережить эту трагедию, и ту часть, которая конструировала свое видение сложившейся ситуации. Учитывая тот факт, что в самом начале пандемии ее происхождении было соотнесено с КНР, в различных обществах происходило изменение отношения к Чужому, что порождало межэтническую напряженность. Помимо собственно КНР, многие соотносили данную проблему и с другими странами, воспринимая ее не как случай естественного происхождения, а как некий вирус, созданный искусственно. Даже если речь не шла о происхождении вируса, появление новых штамов усиливало тревожность относительно отдельных этнических групп или государств в целом1.
В этих условиях изучение алертности общества относительно Чужого представляется нам достаточно актуальной проблемой. В данной статье мы намереваемся суммировать накопленный в предыдущих исследованиях материал, проследив динамику изменений отношения к Чужому в постковидный период, сравнив ее с доковидными моделями.
Основной упор был сделан на 3 ключевые составляющие образа Чужого: алиментарность, вестиментарность, сексуальность. Все эти три аспекта, учитывая специфику связанных с пандемией стереотипов, приобретают особую значимость в изучаемый период. Именно с алиментарностью Чужого связывают в первые дни пандемии причину появления вируса, а необходимость носить маски и перчатки заставляет нас изменить свою привычную вестиментарную модель – отчасти, даже позаимствовав ее у Чужого, поскольку до 2020 года маски ассоциировались у интернет пользователей в основным с населением восточно-азиатских стран. Сексуальные маркеры также становятся заметны, поскольку, оказавшись в изоляции и лишившись возможности вести прежнюю жизнь, пользователь начинает больше времени проводить в интернете, в том числе интересуясь сексуальной жизнью Чужого.
Таким образом, даже на поверхностном уровне мы наблюдаем определённую трансформацию заинтересованности россиянина Другим / Чужим. Поэтому цель данного исследования – проследить трансформацию этих образов в контексте пандемии Covid-19 и выявить основные опорные точки изменений, произошедших в структурных маркерах этнических образов Другого / Чужого.
В основу нашей статьи лег вебометрический анализ. Теоретическое обоснование данного метода представлено в работах Майка Телволла (Thelwall, 2009), Ливен Воган и Леннарта Бьернборна (Thelwall et al., 2005). Данные исследователи определили суть вебометрики как «изучение веб-контента с использованием преимущественно количественных методов для достижения целей исследований в области социальных наук и с использованием методов, не характерных для области исследований» (p. 6). Вебометрический анализ активно используется различными науками, поскольку предоставляет ученым необъятный набор различных данных.
На основе анализа веб-запросов возможно прогнозирование безработицы (Ахмадеев & Юревич, 2021), анализ состояния экономики (Guzman, 2011; Li et al., 2015; Петрова, 2019), и даже предсказание эпидемий (Chang et al., 2020; Yang et al., 2015). Анализ поисковых запросов позволяет проводить мониторинг экологических установок (Burivalova et al., 2018; Забокрицкая & Орешкина, 2021), или выступать надежным инструментом отслеживания депрессивных и тревожно – депрессивных состояний (Woo et al., 2020; Черненко et al., 2022). С его помощью можно анализировать и стереотипные представления (Силаева, 2015). Вебометрический анализ применялся для анализа алиментарного поведения и сексуальности (Markey & Markey, 2013a, 2013b; Scrutton Alvarado & Stevenson, 2018). Интернет-запросы пользователей анализировались как часть фольклора (Лазарева, 2019).
Есть к данному моменту уже отдельный пласт работ, посвященных поисковым запросам в период распространения Covid-19 (Awijen et al., 2022; Barbosa et al., 2021).
Специфике формулирования интернет-запроса посвящена работа Е.Ю. Распопиной, в которой автор приводит концептуальную систематику поисковых запросов, выделяя пять когнитивных стратегий формулировки запроса, в числе которых: стратегия определения предмета поиска, стратегия первичной категоризации, стратегия последующей категоризации, стратегия проверки объективности знаний, стратегия получения предмета поисков (Распопина, 2011). В ходе нашей работы наибольший интерес для нас представляли запросы, попадающие в 4 и 5 пункты, как содержащие наиболее стереотипные представления о Чужом, однако анализировались и иные варианты запросов.
В данном исследовании в качестве инструментов были использованы статистические методы сбора данных в сети Интернет, составление корреляционной матрицы, расчёт парной корреляции по Пирсону каждого из структурных маркеров и выявление сильнейших корреляционных связей между этими маркерами. Для конструирования, структурирования и классификации моделей Воображаемого Чужого мы использовали визуализацию корреляционных связей маркеров на плоскости, что дало возможность выделить, с одной стороны, количество моделей, а с другой – их качественную характеристику, выраженную в наполненности моделей этими сгруппированными маркерами. Более подробно с методами можно ознакомиться в предыдущих наших исследованиях (Алиев & Якушенкова, 2018, 2021a, 2021b, 2022).
Для прикладной части нашего исследования мы использовали статистические методы сбора больших данных в сети Интернет. В частности, для выявления количества тех или иных запросов нами были проанализированы данные с сервисов https://wordstat.yandex.ru/ и https://trends.google.ru/. Эти сервисы позволяют увидеть конкретные запросы в разные промежутки времени и классифицировать их по регионам. Применив расчёт корреляции по Пирсону каждой пары структурных маркеров, мы выявили сильнейшие корреляционные связи между ними. А для визуализации этих корреляционных связей маркеров на плоскости мы использовали метод графов (семантические связи) с помощью пакета программного обеспечения для сетевого анализа и визуализации данных Gephi. Это дало возможность выделить, с одной стороны, количество моделей, а, с другой, их качественную характеристику, выраженную заполненностью моделей сгруппированными маркерами.
Данное исследование было выстроено поэтапно. Прежде всего, мы выбрали 12 больших этнических групп, куда вошли китайцы, японцы, корейцы, французы, немцы, англичане, казахи, армяне, азербайджанцы, грузины, таджики2. Выбор на них пал в силу многих причин, которые мы можем сгруппировать в две большие:
1. Представители геополитических партнёров или конкурентов современной России.
2. Представители стран бывшего СССР.
На втором этапе мы определились с формой поисковых запросов для выявления структурных маркеров. Исходя из предмета исследования и учитывая то, что методологически это исследование зиждется на трёхчленной структуре образа Другого / Чужого, мы сформировали шаблоны поисковых запросов по типу «“представители этноса” едят / пьют...» «“представители этноса” носят / надевают...» и т.д. (См. Рис. 1)3
1Здесь можно отметить, к примеру, серию протестов «Stop Asian Hate», которые прошли в США в 2021 году. Их причиной стала расовая дискриминация и ксенофобные нападения и убийства людей азиатского происхождения на фоне слухов, связанных с распространением Covid-19.
2Стоит отметить, что изначальная выборка состояла из большего числа этносов, которые были затем исключены из нашего списка по причине отсутствия систематических данных для анализа.
3Мы хотим отметить, что не разделяем данные стереотипы, а лишь фиксируем их.
Рисунок 1. Пример поисковых запросов в Яндексе
Figure 1. Example of search query in Yandex
Далее мы собрали данные с сервисов https://wordstat.yandex.ru/ и https://trends.google.ru/ в одну базу данных поисковых запросов россиян.
На следующем этапе мы провели расчёт корреляции каждой пары выявленных нами маркеров. И определив сильнейшие корреляционные связи между найденными нами структурными маркерами, мы с помощью пакета программного обеспечения для сетевого анализа и визуализации данных Gephi построили на плоскости граф, в котором эти маркеры сгруппировались в отдельные кластеры, образовавшие структурные модели инаковости в отношении того или иного исследуемого нами этноса (см. Рис. 2).
В 2022 году мы получили новые результаты моделирования образа цифрового Другого. На этот раз картина оказалась более размытой, чем в предыдущие годы исследования. В частности, прошлые результаты показали нам комплиментарные модели Другого / Чужого, которые усиливали свою инаковость за счёт индивидуальных маркеров, свойственных только отдельным моделям. Например, «Другой-китаец» всегда выделялся в отдельную модель, хотя и входил в общий кластер Дальневосточных Других / Чужих вместе с японцами и корейцами. Модели инаковости, построенные на основе этносов из бывших республик Советского Союза также выглядели более или менее самостоятельными даже в пик распространения пандемии (Алиев & Якушенкова, 2021b). А европейские и американская модели не входили даже в общий кластер.
Рисунок 2. Построенная на плоскости карта сгруппированных между собой выявленных структурных маркеров инаковости
Figure 2. Plane-based map of the identified structural markers of the otherness grouped together
На этот раз ситуация оказалась несколько иной (см. Рис. 2): здесь мы наблюдаем три больших кластера, в которых выделяются такие модели, как «Дальневосточный Другой», «Другой-японец», «Другой-американец», «Другой-европеец» и «Другой-СНГ».
Рисунок 3. Модель №1 – Дальневосточный Другой
Figure 3. Model No 1 – Far Eastern Other
Данная модель объединила два этноса: китайцев и корейцев (см. Рис. 3). Анализ структурных маркеров указал на тот факт, что особых изменений в модели Чужого-китайца не произошло. Она по-прежнему является алертной и включает в себя каннибалистические маркеры. Показателен тот факт, что «Другой-кореец» сблизился по алиментарным маркерам с «Другим-китайцем», что не наблюдалось в предыдущие годы, а их характер указывает на повышенную алертность по отношению к корейцам. Примечательно, что раньше по отношению к корейцам такой алертности не наблюдалось. Тяжело сказать, что спровоцировало подобную трансформацию, но мы можем предположить, что виной тому – размытое внимание массмедиа к теме Covid‑19, что привело к переориентации характера интереса россиян к данным этносам.
В целом, модель Другой-китаец оказывается наиболее разнообразной по алиментарным маркерам, связанным с ней, однако можно отметить и значительный интерес к сексуальности Чужого, хотя китайские автомобили сейчас интереснее пользователю, чем китайское порно.
Эта модель имеет много общих нейтральных алиментарных маркеров с предыдущей, что заставляет включить её в один кластер с китайцами и корейцами, но в данном случае «Другой-японец» «стоит» отдельно, как и в предыдущие годы исследования (см. Рис. 4).
Рисунок 4. Модель №2 – Другой-японец
Figure 4. Model No 2 – The Other-Japanese
В данном случае особых трансформаций не наблюдается. Стоит только отметить, что данная модель выделяется наличием большого числа «необычных» вестиментарных и сексуальных маркеров (носят ношенные трусы; женятся на виртуальных девушках; женятся на кукле и т.д.), что говорит пусть и об алертно-нейтральном статусе отношения к японской модели инаковости, но всё же о присутствии алертности. Иными словами, если модель Другой-китаец вызывает максимальный интерес пользователей к алиментарному аспекту, то данная модель связанна именно с сексуальными маркерами Чужести: лидирующие ключевые слова, связанные с ними в запросах пользователей, – это «порно» и «секс». К примеру, «японское порно» искали 1 234 580 раз в месяц, а «немецкое» всего 402 577. По остальным анализируемым моделям это число еще меньше. В то же время, сложно сказать, насколько связан интерес к порнографии с интересом к сексуальному поведению Чужого.
Рисунок 5. Модель №3 – Другой-американец и Модель №4 – Другой-европеец
Figure 5. Model No 3 – The Other-American and Model No 4 – The Other-European
Мы выделили эту модель отдельно, хотя вместе с моделью «Другой-европеец» она составляет единый кластер (см. Рис. 5). Не смотря на текущие геополитические события и на пандемию Covid-19, каких-либо трансформаций в данной модели выявлено не было. Основными маркерами с алертной составляющей, как и в предыдущие годы, являются «женятся на русских», «едят русскую еду», но не более. Это, на наш взгляд, является стандартным бессознательным страхом перед Чужим («он может забрать нашу еду и наших женщин» (Романова и др., 2013)). Следует также отметить, что не смотря на текущие геополитические события, данная модель вызывает достаточно умеренный интерес пользователей (здесь в топе находятся запросы не про алиментарную или сексуальную жизнь конкретного этноса, а запросы типа «форд фокус американец»). К примеру, запрос «американская кухня» ищется около 7 тыс. раз и связан в основном с интерьером, а «китайская» – 70 тыс., но здесь уже доминирует именно способ ее попробовать. Американские сериалы же ищутся всего 290 тыс. раз, дорамы – 12 млн., турецкие – 15 млн., а аниме – почти 29 млн. Иными словами, здесь оказывается несостоятелен стереотип об американской культуре как основном поставщике массового контента.
Как и предыдущая модель, не отличается высокой степенью алертности, а маркеры не содержат в себе каннибалистических составляющих (см. Рис. 5). Лишь в случае с французами, которые по «необычности» алиментарных маркеров приблизились к Дальневосточному кластеру (едят улиток; едят лягушек и т. д.) можно говорить об алертно-нейтральном статусе. Но в целом модель «Другой-европеец» довольно нейтральна.
Рисунок 6. Модель №5 – Другой-СНГ
Figure 6. Model No 5 – The Other-CIS
В предыдущих исследованиях мы получали отдельные среднеазиатские и кавказские модели инаковости (Алиев & Якушенкова, 2018, 2021a, 2021b, 2022), но в данном случае они объединились в один общий кластер, что говорит о качественных изменениях в восприятии россиянами данной модели. В частности, по-прежнему доминируют стандартные вестиментарные и сексуальные маркеры, являющиеся отражением страха перед Чужим («женятся на русских»; «носят бороды»; «женятся на сёстрах» и т. д.), что является доминирующим критерием объединения комплиментарных моделей в единый кластер. В алиментарном аспекте инаковости можно провести черту между религиозностью представителей этносов, входящих к данную модель. Иными словами, россияне чётко разделяют мусульман и христиан, и интересуются гастрономические пристрастия соседей.
Здесь стоит отдельно отметить присутствие особого интереса к белорусской культуре, и, в частности, белорусской одежде, что свидетельствует о том, что пользователи сети находят ее соответствующей их запросам.
Проанализировав трансформацию образов инаковости, мы можем говорить о том, что на пике пандемии Covid-19 (2020-2021 гг.) актуальным аспектом оказался алиментарный. В связи со стереотипами, связанными с пандемией, особое внимание российский пользователь уделяет гастрономическими пристрастиями тех или иных этносов. Именно запросы, связанные с алиментарностью оказываются наиболее разнообразны. Данные, связанные с вестиментарным и сексуальным аспектами за этот период, менее отличаются от полученных ранее, и продолжают играть роль в формировании образа Чужого. Стоит также отметить и тот факт, что в постковидное время (2022 г.) разница между этими аспектами размывается, а некоторые модели укрупняются, включая в себя представителей других этносов. В частности, сегодня мы можем говорить о нескольких крупных кластерах моделей Другого / Чужого, имеющих те или иные общие структурные маркеры: некоторые модели объединяются по принципу алиментарной составляющей (Дальневосточный кластер), другие же по вестиментарному и сексуальному аспекту (кластер этносов бывшего Советского союза). При этом внутри таких кластеров модели также имеют общие структурные маркеры, что позволяет объединить их в подгруппы по тем или иным признакам.
Таким образом, сравнив новые данные с ранее полученными (доковидного периода), мы пришли к выводу, что пандемия безусловно сыграла свою роль в трансформации образов Другого / Чужого. Однако, на этот процесс повлияли также и иные факторы. Исследование этих факторов кажется довольно перспективной линией дальнейших исследований
Работа выполнена при финансовой поддержке Совета по грантам Президента Российской Федерации для государственной поддержки молодых российских учёных. Проект МК-66.2021.2 «Компаративистский анализ доковидных и постковидных образов Воображаемого Чужого: моделирование на основе поисковых запросов россиян в сети Интернет».
Awijen, H., BenZaied, Y., & Nguyen, D. K. (2022). Covid-19 vaccination, fear and anxiety: Evidence from Google search trends. Social Science & Medicine, 297, 114820. https://doi.org/10.1016/j.socscimed.2022.114820
Barbosa, M. T., Morais-Almeida, M., Sousa, C. S., & Bousquet, J. (2021). The “Big Five” Lung Diseases in CoViD-19 Pandemic – a Google Trends analysis. Pulmonology, 27(1), 71–72. https://doi.org/10.1016/j.pulmoe.2020.06.008
Burivalova, Z., Butler, R. A., & Wilcove, D. S. (2018). Analyzing Google search data to debunk myths about the public’s interest in conservation. Frontiers in Ecology and the Environment, 16(9), 509–514. https://doi.org/10.1002/fee.1962
Chang, Y.-W., Chiang, W.-L., Wang, W.-H., Lin, C.-Y., Hung, L.-C., Tsai, Y.-C., Suen, J.-L., & Chen, Y.-H. (2020). Google Trends-based non-English language query data and epidemic diseases: A cross-sectional study of the popular search behaviour in Taiwan. BMJ Open, 10(7), e034156. https://doi.org/10.1136/bmjopen-2019-034156
Guzman, G. (2011). Internet Search Behavior as an Economic Forecasting Tool: The Case of Inflation Expectations (SSRN Scholarly Paper No. 2004598). https://papers.ssrn.com/abstract=2004598
Ivanov, S., Dubravčíková, K., & Turcsányi, R. Q. (2020). Russian public opinion on China in the age of COVID-19. Central European Institute of Asian Studies. https://ceias.eu/wp-content/uploads/2021/08/RUS-poll-report.pdf
Li, X., Shang, W., Wang, S., & Ma, J. (2015). A MIDAS modelling framework for Chinese inflation index forecast incorporating Google search data. Electronic Commerce Research and Applications, 14(2), 112–125. https://doi.org/10.1016/j.elerap.2015.01.001
Markey, P. M., & Markey, C. N. (2013a). Seasonal Variation in Internet Keyword Searches: A Proxy Assessment of Sex Mating Behaviors. Archives of Sexual Behavior, 42(4), 515–521. https://doi.org/10.1007/s10508-012-9996-5
Markey, P. M., & Markey, C. N. (2013b). Annual variation in Internet keyword searches: Linking dieting interest to obesity and negative health outcomes. Journal of Health Psychology, 18(7), 875–886. https://doi.org/10.1177/1359105312445080
Scrutton Alvarado, N., & Stevenson, T. J. (2018). Appetitive information seeking behaviour reveals robust daily rhythmicity for Internet-based food-related keyword searches. Royal Society Open Science, 5(7), 172080. https://doi.org/10.1098/rsos.172080
Thelwall, M. (2009). Introduction to Webometrics: Quantitative Web Research for the Social Sciences. Springer International Publishing. https://doi.org/10.1007/978-3-031-02261-6
Thelwall, M., Vaughan, L., & Björneborn, L. (2006). Webometrics. Annual Review of Information Science and Technology, 39(1), 81–135. https://doi.org/10.1002/aris.1440390110
Woo, S. E., Tay, L., & Proctor, R. W. (Eds.). (2020). Big data in psychological research. American Psychological Association.
Yang, S., Santillana, M., & Kou, S. C. (2015). Accurate estimation of influenza epidemics using Google search data via ARGO. Proceedings of the National Academy of Sciences, 112(47), 14473–14478. https://doi.org/10.1073/pnas.1515373112
Алиев, Р. Т., & Якушенкова, О. С. (2018). Алиментарные модели воображаемого Чужого. Каспийский регион: Политика, Экономика, Культура, 4, 160–166.
Алиев, Р. Т., & Якушенкова, О. С. (2021a). Алиментарные модели этнического Чужого в (пост)ковидный период. Журнал Фронтирных Исследований, 6(3), 213–226. https://doi.org/10.46539/jfs.v6i3.322
Алиев, Р. Т., & Якушенкова, О. С. (2021b). Образ Чужого в (пост)ковидный период: Анализ русскоязычных интернет-запросов. Galactica Media: Journal of Media Studies, 3(4), 163–190. https://doi.org/10.46539/gmd.v3i4.237
Алиев, Р. Т., & Якушенкова, О. С. (2022). Компаративистский анализ трансформации алиментарного аспекта образа Чужого: 2018-2022 гг. Журнал Фронтирных Исследований, 7(3), Art. 3. https://doi.org/10.46539/jfs.v7i3.436
Ахмадеев, Д. В., & Юревич, М. А. (2021). Возможности прогнозирования уровня безработицы на основе анализа статистики запросов (в поисковых системах). Terra Economicus, 19(3), 53‑64. https://doi.org/10.18522/2073-6606-2021-19-3-53-64
Забокрицкая, Л. Д., & Орешкина, Т. А. (2021). Анализ статистики поисковых запросов как инструмент мониторинга экологических установок населения региона. Вестник Института Социологии, 12(2), 175–193. https://doi.org/10.19181/vis.2021.12.2.721
Лазарева, А. А. (2019). Сновидения online: Интернет-запрос как фольклорный факт. Вестник РГГУ. Серия: Литературоведение. Языкознание. Культурология, 4, 68–83. https://doi.org/10.28995/2686-7249-2019-4-68-83
Петрова, Д. А. (2019). Прогнозирование инфляции на основе интернет-запросов. Экономическое развитие России, 26(11), 55–62.
Распопина, Е. Ю. (2011). Концептуальная систематика речевых и когнитивных стратегий формулировки поисковых запросов в интернет-дискурсе. Вестник Иркутского государственного лингвистического университета, 4, 121–128.
Романова, А. П., Хлыщева, Е. В., Якушенков, С. Н., & Топчиев, М. С. (2013). Чужой и культурная безопасность. РОССПЭН.
Силаева, В. Л. (2015). Высшее образование в представлениях интернет-пользователей (на примере поисковых запросов Яндекса). Высшее образование в России, 11, 47–52.
Черненко, А. М., Агарков, В. А., & Бронфман, С. А. (2022). Анализ поисковых запросов как инструмент сравнительной оценки потребности в психотерапевтической помощи. Психология и Психотехника, 1, 67–79. https://doi.org/10.7256/2454-0722.2022.1.34873
Akhmadeev, D. V., & Yurevich, M. A. (2021). Predicting the unemployment rate: Analyzing statistics on search engine query. Terra Economicus, 19(3), 53–64. https://doi.org/10.18522/2073-6606-2021-19-3-53-64 (In Russian).
Aliev, R. T., & Yakushenkova, O. S. (2018). Alimentary Models of the Imaginary Alien. Caspian Region: Politics, Economics, Culture, 4, 160–166. (In Russian).
Aliev, R. T., & Yakushenkova, O. S. (2021a). Alimentary Models of the Ethnic Other in the (Post-)Covid Period. Journal of Frontier Studies, 6(3), 213–226. https://doi.org/10.46539/jfs.v6i3.322 (In Russian).
Aliev, R. T., & Yakushenkova, O. S. (2021b). The Image of the Other in the (post-)Covid Period: Analysis of Russian-language Internet Queries. Galactica Media: Journal of Media Studies, 3(4), 163–190. https://doi.org/10.46539/gmd.v3i4.237 (In Russian).
Aliev, R. T., & Yakushenkova, O. S. (2022). A Comparativistic Analysis of the Transformation of Alimentary Aspect of the Other’s Image: 2018-2022. Journal of Frontier Studies, 7(3), Art. 3. https://doi.org/10.46539/jfs.v7i3.436 (In Russian).
Awijen, H., Ben Zaied, Y., & Nguyen, D. K. (2022). Covid-19 vaccination, fear and anxiety: Evidence from Google search trends. Social Science & Medicine, 297, 114820. https://doi.org/10.1016/j.socscimed.2022.114820
Barbosa, M. T., Morais-Almeida, M., Sousa, C. S., & Bousquet, J. (2021). The “Big Five” Lung Diseases in CoViD-19 Pandemic – a Google Trends analysis. Pulmonology, 27(1), 71–72. https://doi.org/10.1016/j.pulmoe.2020.06.008
Burivalova, Z., Butler, R. A., & Wilcove, D. S. (2018). Analyzing Google search data to debunk myths about the public’s interest in conservation. Frontiers in Ecology and the Environment, 16(9), 509–514. https://doi.org/10.1002/fee.1962
Chang, Y.-W., Chiang, W.-L., Wang, W.-H., Lin, C.-Y., Hung, L.-C., Tsai, Y.-C., Suen, J.-L., & Chen, Y.-H. (2020). Google Trends-based non-English language query data and epidemic diseases: A cross-sectional study of the popular search behaviour in Taiwan. BMJ Open, 10(7), e034156. https://doi.org/10.1136/bmjopen-2019-034156
Chernenko, A. M., Agarkov, V. A., & Bronfman, S. A. (2022). Analysis of search queries as a tool for comparative assessment of the need for psychotherapeutic help. Psychology and Psycho-Techniques, 1, 67–79. https://doi.org/10.7256/2454-0722.2022.1.34873 (In Russian).
Guzman, G. (2011). Internet Search Behavior as an Economic Forecasting Tool: The Case of Inflation Expectations (SSRN Scholarly Paper No. 2004598). https://papers.ssrn.com/abstract=2004598
Ivanov, S., Dubravčíková, K., & Turcsányi, R. Q. (2020). Russian public opinion on China in the age of COVID-19. Central European Institute of Asian Studies. https://ceias.eu/wp-content/uploads/2021/08/RUS-poll-report.pdf
Lazareva, A. A. (2019). Dreaming Online: Search Queries as Reflections of Folklore. RSUH/RGGU Bulletin. “Literary Theory. Linguistics. Cultural Studies” Series, 4, 68–83. https://doi.org/10.28995/2686-7249-2019-4-68-83 (In Russian).
Li, X., Shang, W., Wang, S., & Ma, J. (2015). A MIDAS modelling framework for Chinese inflation index forecast incorporating Google search data. Electronic Commerce Research and Applications, 14(2), 112–125. https://doi.org/10.1016/j.elerap.2015.01.001
Markey, P. M., & Markey, C. N. (2013a). Seasonal Variation in Internet Keyword Searches: A Proxy Assessment of Sex Mating Behaviors. Archives of Sexual Behavior, 42(4), 515–521. https://doi.org/10.1007/s10508-012-9996-5
Markey, P. M., & Markey, C. N. (2013b). Annual variation in Internet keyword searches: Linking dieting interest to obesity and negative health outcomes. Journal of Health Psychology, 18(7), 875–886. https://doi.org/10.1177/1359105312445080
Petrova, D. A. (2019). Inflation forecasting based on internet queryingв. Economic development of Russia, 26(11), 55–62. (In Russian).
Raspopina, E. Y. (2011). Conceptual Systematics of Speech and Cognitive Strategies of Search Query Formulation in Internet Discourse. Bulletin of the Irkutsk State Linguistic University, 4, 121–128. (In Russian).
Romanova, A. P., Khlyscheva, E. V., Yakushenkov, S. N., & Topchiev, M. S. (2013). Alien and Cultural Security. ROSSPEN. (In Russian).
Scrutton Alvarado, N., & Stevenson, T. J. (2018). Appetitive information seeking behaviour reveals robust daily rhythmicity for Internet-based food-related keyword searches. Royal Society Open Science, 5(7), 172080. https://doi.org/10.1098/rsos.172080
Silaeva, V. L. (2015). Higher Education in the Perceptions of Internet Users (on the Example of Yandex Search Queries). Higher Education in Russia, 11, 47–52. (In Russian).
Thelwall, M. (2009). Introduction to Webometrics: Quantitative Web Research for the Social Sciences. Springer International Publishing. https://doi.org/10.1007/978-3-031-02261-6
Thelwall, M., Vaughan, L., & Björneborn, L. (2006). Webometrics. Annual Review of Information Science and Technology, 39(1), 81–135. https://doi.org/10.1002/aris.1440390110
Woo, S. E., Tay, L., & Proctor, R. W. (Eds.). (2020). Big data in psychological research. American Psychological Association.
Yang, S., Santillana, M., & Kou, S. C. (2015). Accurate estimation of influenza epidemics using Google search data via ARGO. Proceedings of the National Academy of Sciences, 112(47), 14473–14478. https://doi.org/10.1073/pnas.1515373112
Zabokritskaya, L. D., & Oreshkina, T. A. (2021). Analysis of search query statistics as a tool for monitoring the ecological attitudes of the region's population. Vestnik Instituta Sociologii, 12(2), 175‑193. https://doi.org/10.19181/vis.2021.12.2.721 (In Russian).