Нами была выбрана проблема формализации расположенных в сети Интернет данных и методов анализа обработанной информации.

Для анализа был выбран набор слабоструктурированной информации, относящейся к сфере, связанной с влиянием онлайн-игр на развитие общительности людей.

В процессе исследования были поставлены следующие задачи:

1. Выдвинуть гипотетический метод формализации данных;

2. Выдвинуть гипотезу о методе их обработки;

3. Осуществить сбор данных, доступных в сети Интернет, из выбранной сферы;

4. Формализовать собранные данные выбранным способом;

5. Провести анализ над формализованными выбранным способом данными.

I. Метод формализации данных

Известно, что в некоторых областях науки данные для исследования являются преимущественно слабоструктурированными. В таких случаях часто применяются статистические методы. Предварительная обработка данных представляет собой распределение данных на группы по определенным признакам и подсчет количества элементов различных групп. Данный процесс хорошо формализуем с помощью теории множеств. При этом следует описать группы как множества, признаки – как условия вхождения фактов во множества, количество же значений в группе, очевидно, является его мощностью.

II. Метод анализа данных

Корреляционный анализ показывает существование (или отсутствие) взаимосвязи между двумя показателями в выборке (либо двух выборках). При существовании связи он характеризует связь: корреляция положительна, если при возрастании одного из показателей второй также возрастает, и отрицательна, если при возрастании одного из показателей второй убывает. При отсутствии связи выборок корреляция является нулевой. Важно также отметить, что существование корреляций не дает информации о причинно-следственных отношениях.[1]

Способы вычисления коэффициента корреляции выбираются исходя из характеристик данных.

Коэффициент взаимной сопряженности Пирсона— оценка степени тесноты связи между качественными признаками.[2, с. 235]

Применение корреляционного анализа в нашем исследовании позволяет дать количественно выраженную оценку взаимосвязи признаков, например, как количество участников групп онлайн – игры в социальных сетях и степень их активности при обновлениях игры, или количество построенных стратегий за игру и уровень общительности участников игры, схожесть распределения фактов по множествам.

III. Сбор данных из выбранной сферы

В качестве примера для апробации описанных методов в сфере исследования взаимосвязи общительности людей в онлайн-играх и социальных сетях были выбраны две популярные онлайн-игры: PrimeWorld и DarkAge. Для отслеживания динамики общения была проанализирована частота общения участников игр в двух средах: как внутри самих игр, так и в социальных сетях (Вконтакте, Twitter, Facebook).

Для решения задачи сбора выбранных данных были осуществлены следующие действия:

1. Сбор статистики по динамике изменений количества человек в игровой группе конкретной игры (PrimeWorld) по трем социальным сетям: Вконтакте, Facebook, Twitter.

2. Сбор статистики по количеству просмотров обновлений игры за месяц и количеству построенных в ней стратегий за тот же период.

3. Сбор статистики игровой активности по конкретно выбранному виду игровой деятельности (т.н. ежедневные квесты) в конкретно выбранной игре (DarkAge), необходимым условием осуществления которого являются общение с другими участниками игры и командная работа, на основе опроса случайно выбранной группы игроков.

4. Сбор статистики по количеству сообщений на стене участников опроса п.3 методом программного обращения к сайту Вконтакте через предоставляемый API.

Полученные в результате приведенных действий данные были записаны как факты следующих видов:

а) Данные, относящиеся к динамике рассматриваемой нами социальной сферы и соответствующие пунктам 1 и 2. По выбранным данным было задано следующее множество:

R = {r: r – факт из выборки}.

Эти данные приведены в таблице 1.

Таблица 1 — Динамика активности игроков игры PrimeWorld в социальных сетях

б) Данные, относящиеся к статическому аспекту рассматриваемой нами социальной сферы и соответствующие пунктам 3 и 4. Собранная нами выборка такого рода данных включала 95 фактов и описывалась как множество

F = { f: f – факт из выборки }.

Пример указанных данных приведен в таблице 2.

Таблица 2 — Задействование навыков общения участников онлайн-игр в играх и социальных сетях

IV. Формализация данных

Факты каждого вида (1-2 и 3-4) были формализованы описанным выше образом.

Во-первых, покажем процесс и результат формализации данных динамического аспекта. Эти данные отображают динамику активности игроков в социальных сетях и могут быть представлены следующим образом:

Y1, Y2, Y3 – множества, представляющие социальные сети ВКонтакте, Facebook, Twitter.

Y1 = {Факты о пользователях, вступивших в группу игры за месяц, в социальной сети ВКонтакте};

Y2 = {Факты о пользователях, вступивших в группу игры за месяц, в социальной сети Facebook};

Y3 = {Факты о пользователях, вступивших в группу игры за месяц, в социальной сети Twitter}.

Для отслеживания активности игроков в социальных сетях было выделено два пересекающихся множества Y4 и Y5, где

Y4 = {Факты о просмотрах обновлений игры за месяц};

Y5 = {Факты о стратегиях, построенных после каждого обновления игры за месяц}

Было выделено множество K, содержащее факты, относящиеся одновременно ко двум множествам Y4 и Y5.

K = {Y4 ∩ Y5}.

Во-вторых, покажем процесс и результат формализации данных статического аспекта.

Факты вида 3 были разделены на непересекающиеся множества соответственно следующему критерию:

Q_3.1 = {Ответ “Да” в графе “Участие в квестах”}

Q_3.2 = {Ответ “Иногда” в графе “Участие в квестах”}

Q_3.3 = {Ответ “Нет” в графе “Участие в квестах”}

Факты данного вида были включены во множество данных, соответствующих описанным критериям

Q₃ = { Q_3.1 ∪ Q_3.2 ∪ Q_3.3 }

Для фактов вида 4 эвристически было выбрано разделение на непересекающиеся множества (интервалы шкалы общительности), представленные в таблице 3.

Таблица 3 — Разбиение фактов о количестве записей на стене игроков по множествам (интервалам)

Факты данного вида включены во множество

Q₄ = {A1 ∪ A2 ∪ B ∪ C}.

Для рассматриваемого случая множества Q₃ и Q₄ совпадают и совпадают со множеством всех фактов F. Мощности множеств равны количеству собранных фактов.

V. Анализ собранных данных

Во-первых, рассмотрим анализ данных динамического аспекта.

Для анализа этих данных (множества Y4, Y5), факты из множества K были разбиты на подмножества следующим образом:

∀ k∈K k∈XZ ⇔ k∈Y_i & k∈Y_j,

где X=Y_i ∈ {Y1, Y2, Y3} и Z=y_j ∈ {Y4, Y5} , i=1..3, j=1,2

Далее были посчитаны мощности полученных множеств. Результаты занесены в таблицу 4. На распределении фактов из Y4 и Y5 по социальным сетям была подсчитана корреляция Пирсона.

Таблица 4 — Мощности подмножеств в результате разбиения фактов множества K

Корреляция между распределениями данных по Y1, Y2, Y3 составляет 0,881821, что позволяет предположить, что количество человек, зарегистрированных в группе каждой социальной сети, взаимосвязано с активностью участников группы.

Во-вторых, рассмотрим анализ данных статического аспекта.

Для анализа данных вида 3-4 (множества Q₃,Q₄) факты из множества F были распределены по совокупности множеств по следующему принципу:

∀ f∈F f∈XY ⇔ f∈q_i & f∈q_j,

где X=q_i∈Q₃ и Y=q_j∈Q₄ и i=1..|Q₃| и j=1..|Q₄|

Таким образом в каждое множество были включены факты, обладающие одновременно двумя одинаковыми атрибутами (ответу по виду игровой деятельности “ежедневные квесты” и интервалу шкалы общительности по количеству записей на стене). Для дальнейшего исследования мы использовали мощности данных множеств, представленные в таблице 5.

Таблица 5 — Мощности подмножеств в результате разбиения фактов множества F

Далее был проведен анализ распределений фактов по данным множествам. Результаты представлены в таблице 6.

Таблица 6 — Анализ данных статического аспекта

Таким образом, на имеющихся данных было доказано, что выделенные интервалы A1 и A2 по распределению ответов по шкале “да – нет – наверное” схожи. Аналогично схожими оказались интервалы B и C.

Однако корреляция между данными интервалов A1∪A2 и B∪C составляет 0,8558929454, что не является достаточным для доказательства сходства или различия их распределений.

В результате нашего исследования мы обосновали способ формализации и приведения собранных в сети Интернет слабоструктурированных данных к пригодному для математической обработки виду, а также метод анализа этих данных. В качестве апробации предлагаемых методов нами был проведен анализ, направленный на выявления динамики общения в онлайн-играх и социальных сетях. При этом была установлена корреляционная зависимость между обновлениями функций игры и активностью участников социальных форумов, содержательных и функциональных аспектов, приводящих к нарастанию интереса к игре.

Также проведенный анализ показал, что критерии общительности могут быть разделены на два слабо пересекающихся класса: класс людей, обладающих высокой общительностью в виртуальном мире (одновременно в онлайн-играх и социальных сетях) и класс людей, обладающих низкой общительностью там же.

На основе полученных результатов был сделан вывод о том, что выбранные способы формализации и предложенные алгоритмы анализа позволяют получать значимые результаты на основе разнородных данных из сети Интернет. В том числе установлено, что можно и нужно исследовать связь общительности в виртуальном мире и игровой активности через социальные сети, так как в социальный сетях расположено большое количество игр, на примере которых может быть проведено исследование; при этом показано, что появляется дополнительное измерение для извлечения данных – активность и общительность в социальной сети против активности в игре.