Интеграция опросных данных и цифровых следов в социологических исследованиях: возможности и ограничения тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Сапонова Анастасия Владимировна

• Сапонова Анастасия Владимировна
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Сапонова Анастасия Владимировна

ВВЕДЕНИЕ

Актуальность исследования

Исследовательская проблема

Степень разработанности темы исследования

Теоретическая и методологическая основы исследования

Ключевые термины, используемые в диссертационном исследовании

Научная новизна исследования

Основные результаты исследования и положения, выносимые на защиту

Теоретическая и практическая значимость исследования

Структура и объем работы

ГЛАВА 1. ОБЗОР СУЩЕСТВУЮЩИХ ПОДХОДОВ К ИНТЕГРАЦИИ ОПРОСНЫХ ДАННЫХ И ЦИФРОВЫХ СЛЕДОВ

1.1. Реактивные и нереактивные данные: определение

1.2. Методологические решения в сфере интеграции реактивных и нереактивных данных

1.3. Основные тематические направления интеграции данных

1.4. Ограничения использования цифровых следов при интеграции данных

1.5. Выводы по главе

ГЛАВА 2. ОЦЕНКА КАЧЕСТВА ОПРОСНЫХ ДАННЫХ И ЦИФРОВЫХ СЛЕДОВ (НА ПРИМЕРЕ ИЗМЕРЕНИЯ ИСПОЛЬЗОВАНИЯ СМАРТФОНА)

2.1. Смартфоны как источники данных для социальных наук

2.2. Ретроспективный самоотчёт о поведении: оценка валидности и надёжности

2.3. Детерминанты качества самоотчётов о поведении

2.4. «Пожертвование данных»: новый методический подход к сбору цифровых следов

2.5. Выводы по главе

ГЛАВА 3. МЕТОДИЧЕСКИЕ ЭКСПЕРИМЕНТЫ: КРОСС-ВАЛИДАЦИЯ РЕТРОСПЕКТИВНЫХ ОЦЕНОК ИСПОЛЬЗОВАНИЯ СМАРТФОНА С ИСПОЛЬЗОВАНИЕМ ЦИФРОВЫХ СЛЕДОВ

3.1. Общая концепция методических экспериментов

3.2. Результаты методического эксперимента №1 (CAWI)

3.3. Результаты методического эксперимента №2 (PAPI + CAWI)

3.4. Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А. АНКЕТА ЭКСПЕРИМЕНТА №1

ПРИЛОЖЕНИЕ Б. АНКЕТА ЭКСПЕРИМЕНТА №2

ВВЕДЕНИЕ

Введение диссертации (часть автореферата) на тему «Интеграция опросных данных и цифровых следов в социологических исследованиях: возможности и ограничения»

Актуальность исследования

Цифровизация и медиатизация способствовали существенному увеличению числа данных, доступных для использования исследователями, работающими в области социальных наук. В академической литературе активно обсуждают возможности сбора и обработки «новых» цифровых данных (цифровых поведенческих следов, параданных, данных о геолокации, данных трекеров различных видов активности - от физической до цифровой) и их место в методологическом арсенале социальных наук. С одной стороны, эта диверсификация открыла новые возможности для обогащения и кросс-валидации данных разных типов, с другой - актуализировала проблему интеграции данных, состоящей из целого спектра сложных методологических задач. Вместе с тем, процедуры и стандарты оценки качества цифровых данных, а также способы интеграции с другими социологическими данными, ещё предстоит разработать.

Интеграция данных как процедура в социальных науках представляет собой обширный комплекс методологических задач, среди которых: связывание разных типов данных вероятностными или же детерминированными способами [Shlomo, 2019], изучение мотивации респондентов делиться персональной информацией [например, Keusch, Struminskaya, Antoun, Couper & Kreuter, 2019; Henninger, 2023], кросс-валидация параметров, измеренных на разных типах данных [Bollinger & Tasseva, 2023], разработка этических норм, связанных с исследованием цифровых следов на индивидуальном уровне [Struminskaya & Sakshaug, 2023] и т. д.

Принято выделять три типа данных, пригодных для обогащения и интеграции с данными опросов: параданные, административные данные и так называемые контекстные данные. Под последними, как правило, понимают обширный спектр условно нереактивных (малореактивных) данных [Девятко,

2018]: от показателей физической активности и цифровых следов до более точных данных о характеристиках района жительства респондента или же места его работы.

С одной стороны, интеграция данных может использоваться в целях валидизации и повышения уровня надежности измерения [Yan & Olson, 2013], с другой - она позволяет оптимизировать инструментарий исследования и методику опросов, например, снижать нагрузку на респондента, заполняя некоторые ответы исходя из нереактивных или малореактивных данных [Keusch и др., 2019]. Данные этих типов, в свою очередь, могут быть собраны как из внешних источников (социальных медиа, цифровых платформ, сервисов, устройств), так и непосредственно от участников исследования, например, в рамках подхода «пожертвование данных». Методический подход предполагает, что участники исследований могут делиться данными, которые уже собрали о них цифровые устройства и платформы.

Исследовательская проблема

Проблема исследования может быть рассмотрена с теоретической и методологической позиций. Во-первых, несмотря на обилие методологических и эмпирических попыток осуществить операцию интеграции, на концептуальном уровне остаётся неясным, в какой общей теоретической рамке данные, полученные в результате реактивного и нереактивного измерения, могут быть объединены и проанализированы, в чём заключается их концептуальное сходство и различие. Во-вторых, в исследовательской практике ещё не сформировалось устойчивых методологических программ по интеграции (и, в частности, кросс-валидации) реактивных и нереактивных данных.

Настоящее диссертационное исследование фокусируется на изучении перспектив интеграции реактивных и нереактивных данных на индивидуальном уровне на примере опросных данных, основанных на

ретроспективных самоотчётах респондентов, и их цифровых поведенческих следах на примере исследования практик использования смартфона.

Объект исследования - процесс интеграции данных опросов и цифровых поведенческих следов в исследованиях социальных наук.

Предмет - методологические решения, обеспечивающие возможность интеграции опросных данных и цифровых поведенческих следов.

Эмпирический объект - опросные данные об использовании смартфона и цифровые поведенческие следы.

Цель исследования заключается в разработке теоретических оснований интеграции опросных данных и цифровых поведенческих следов, а также определении способов, возможностей и ограничений этой интеграции.

Задачи исследования:

1) Концептуализировать интеграцию опросных данных и цифровых поведенческих следов как теоретико-методологический процесс и систематизировать теоретические основания интеграции указанных типов данных;

2) Определить способы и возможности связывания опросных данных и цифровых следов для дальнейшей интеграции;

3) Разработать теоретико-методологический подход к интеграции опросных данных и цифровых поведенческих следов;

4) Систематизировать и проанализировать существующие тематические исследовательские направления, в которых существует практика интеграции данных;

5) Определить потенциальные угрозы валидности и надёжности качеству ретроспективного самоотчёта и цифровых поведенческих следов;

6) Провести апробацию методического подхода «пожертвование данных» в рамках серии экспериментов на примере сбора данных об использовании смартфона, определить возможности и ограничения применения подхода;

7) Оценить валидность самоотчётов об использовании смартфона с использованием цифровых следов, полученных в результате «пожертвования данных» участниками исследования.

Степень разработанности темы исследования

Идея совмещения разных исследовательских методов и техник с целью проверки надёжности, валидности или же их взаимной интеграции и обогащения в самом общем виде уже обсуждалась и ранее, например, в классических работах Д.Т. Кэмпбелла, Д.В. Фиске [Campbell & Fiske, 1959], Т. Д. Бушара (младший) [Bouchard, 1976], Р.А. Зеллера, Э.Г. Кармина [Zeller & Carmines, 1980]. Несмотря на некоторую концептуальную разработанность этой идеи [Девятко, 2012], её частные методологические особенности представляют интерес для изучения. Вместе с тем, оценка валидности применимых инструментов измерения (в частности, конструктной и критериальной) не является широко распространенной практикой в исследованиях социальных наук [Девятко, 2021], однако при интеграции данных потребность в оценке валидности имеет особое значение.

Несмотря на относительную новизну направления интеграции данных, в литературе уже предпринимаются попытки систематизировать возможные методологические подходы в рамках интеграции реактивных и нереактивных данных на примере опросных данных и цифровых следов соответственно. С. Штир и соавторы [Stier, Breuer, Siegers & Thorson, 2020] предлагают двумерную классификацию, где связывание может являться либо частью дизайна исследования с самого начала и данные для будущей интеграции собираются исходя из установленных задач («ex ante» - «до»), либо связывание происходит постфактум (и сбор происходил независимо друг от друга) на основе собранных данных («ex post» - «после»). С другой стороны, связывание этими двумя способами может происходить на уровне агрегированном, индивидуальном, а также уровне организаций (публичных акторов).

Тематических и содержательных областей, в которых применяются попытки интегрировать социологические данные разной природы, достаточно много, однако в эмпирической части настоящего диссертационного исследования мы фокусируемся на методологических подходах по интеграции данных применительно к изучению медиаактивности (и использования смартфона, в частности), поэтому в теоретической части работы будем преимущественно рассматривать работы, описывающие существующие практики интеграции, связанные с изучением медиа и коммуникаций.

Среди работ по связыванию данных на индивидуальном уровне можно выделить несколько направлений. Первое (довольно узкое) продолжает долгую традицию эмпирико-функционалистской школы, связанную с интеграцией данных опросов и медиапотребления с целью измерения эффекта медиавоздействия; можно отметить работы И. Яновицкого [Yanovitzky, 2001], К. де Вриза и Х. Семетко [de Vreese & Semetko, 2004], Й. Ван Спанье и К. де Вриза [Van Spanje & de Vreese, 2014]. В них фактически предпринимаются попытки фиксации на микроуровне воздействия на респондентов внешних (экзогенных) факторов в виде источников информации.

Другое направление представлено в работах Е.К. Врага и М. Талли [Vraga & Tully, 2020], К. Ханшен [Haenschen, 2020], П. Юргенса и соавторов [Jürgens, Stark & Magin, 2020], Т. Хоппа [Hopp, Vargo, Dixon & Thain, 2020] и связано с изучением эффекта памяти и/или сравнивания данных о припоминании респондентами своих действий с их цифровыми следами для измерения точности самооценок респондентов (результаты предыдущих исследований говорят преимущественно о низкой степени точности такой самофиксации).

Стоит отметить и корпус работ с агрегированными данными разной природы в области электоральных исследований. Например, в работе Й. Пасека [Pasek, McClain, Newport & Marken, 2020] и соавторов сравниваются результаты сентимент-анализа твитов и опросов общественного мнения, в

работе Б. Хофстра и соавторов [Hofstra, Corten, Van Tubergen & Ellison, 2017] данные опросов подростков об их социальном окружении интегрируются с информацией об их друзьях в социальных сетях. В первом случае интеграция используется с целью измерения разных латентных конструктов, объединенных единым объектом исследования, во втором - анализ данных социальных медиа используется в качестве предположительно более валидного метода, т. е. с целью более точного измерения одного и того же латентного конструкта.

Помимо ряда традиционных методологических вопросов (насколько и по каким признакам смещена группа, которая готова добровольно делиться персональной информацией с исследователями), которые возникают в связи с интеграцией данных, отмечают ещё законодательные и этические. Отдельно изучается процесс получения согласия респондентов на использование их персональных данных, их мотивы согласия и/или несогласия делиться этими данными - работы Ф. Койша и соавторов [Keusch и др., 2019], К. Бенингер и соавторов [Beninger, Digby & MacGregor, 2017].

В России тема настоящего диссертационного исследования изучена сравнительно слабо. Попытки отрефлексировать природу цифровых следов и их потенциальное место в социальных науках неоднократно предпринимались: здесь можно отметить работы М.Б. Богданова, И.Б. Смирнова [Богданов & Смирнов, 2021], К.С. Губы [Губа, 2018], И.Ф. Девятко [Девятко, 2012], В.И. Дудиной [Дудина, 2016], А.В. Одинцова [Одинцов, 2017], А.А. Федоровой, Г.А. Николаенко [Фёдорова & Николаенко, 2017]. Однако литературы с результатами методических экспериментов по интеграции/сравнению данных разной природы можно отметить сравнительно немного - об этом писали С.Г. Давыдов, О.С. Логунова [Давыдов & Логунова, 2015], А.М. Климова, С.П. Куликов, К.Ш. Чмель [Климова, Куликов & Чмель, 2021].

Теоретическая и методологическая основы исследования

Теоретическую основу исследования составляет концепция «нереактивного измерения». Представления о реактивности и нереактивности изложены Юджином Уэббом и коллегами в книге «Незаметные меры: Нереактивное исследование в социальных науках» [Webb, Campbell, Schwartz & Sechrest, 1966], где они формулируют термин «нереактивные меры» (unobtrusive measures). Нереактивное измерение определяется как измерение, которое не требует от испытуемого ни участия в исследовании, ни, что возможно более важно, осознания факта участия в исследовании. Такое измерение противопоставляется «реактивному» измерению - с использованием классического методологического арсенала социальных и психологических наук (интервью, опросы, эксперименты, фокус-группы и др.), которые основывались на непосредственном и осознанном вовлечении исследуемого в исследовательские процедуры.

В качестве «нереактивных» можно обозначить целый класс данных, полученных в результате такого измерения. Уэбб и коллеги исходно выделили три типа нереактивных данных - наблюдение (observation), физические следы (physical traces) и архивы (archives) [Webb и др., 1966]; в последнюю группу входят также документы, дневниковые записи, фото- и видеозаписи. Однако широкого распространения концепция не получила, интерес к ней появился только в начале 2000-х. Одним из первых на возрастающий объем онлайн-информации обратил внимание Реймонд М. Ли [Lee, 2000], который описал цифровые данные как новый тип нереактивных данных. Он же предложил другую классификацию данных, основанную не на разной физической природе, а на роли исследователя в сборе и обработке нереактивных данных. Он разделяет данные на: «найденные» (found),

«собранные/зарегистрированные» (captured) и «извлеченные» (retrieved) [Девятко, 2012]. По сравнению с дихотомией «реактивный/нереактивный» в основе этой классификации артикулируется характер активности

исследователя (и возможное влияние методов сбора данных на ошибку измерения)1.

Можно отметить низкую степень изученности концепции «нереактивности» российскими исследователями. Фёдорова и Николаенко отмечают, что к «нереактивности» как к исследовательской стратегии российские исследователи не обратились ни в период первых волн интереса (в 1970-е и 1990-е), ни в настоящее время, когда очевидно растет внимание к изучению цифровых данных [Фёдорова & Николаенко, 2017]. Вместе с тем представляется важным артикулировать «нереактивность» при обсуждении методологических вопросов интеграции как важное концептуальное различение, где одним из главных вопросов является различие между типами связываемых данных, а также способами их получения.

Вторым важным теоретическим базисом в настоящей диссертации является концепция социологического измерения и критерии оценки его качества. Общие представления об измерении были заложены Адольфом Кетле, основоположником статистического анализа в социальных науках, и Огюстом Контом. Начиная с активного развития эмпирической социологии в 1920-е годы в США за опросом закрепился ярлык главного социологического метода и инструмента для измерения. Долгое время опросы действительно были одним из основных инструментов в методологическом арсенале исследователей социальных наук, а отчасти остаются таковыми и по сей день. Вместе с этим появлялись и методологические наработки в части оценок качества, устойчивости и надёжности опросных исследований. Пик академического интереса к вопросам качества социологического измерения (в частности, измерению установок, шкалированию, процедурам факторного анализа и латентно-структурного анализа) пришёлся на 1940 - 1950-е гг. После, достигнув некоторого плато, исследования в этой области приостановились, а в повседневном практическом социологическом обороте

1 Ошибка измерения - отклонение наблюдаемого значения переменной от её истинного значения [Carmines & Zeller, 1979].

остались сравнительно простые шкалы и индексы [Blalock, 1974]. Однако стремительное развитие технологических возможностей для проведения исследований (например, сбор и анализ больших данных, использование ИИ в исследовательской практике), как видится, вновь проблематизирует обозначенные ранее вопросы к качеству социологического измерения [Девятко, 2018]. Прежде всего, вопросы качества адресованы новым типам нереактивных данных - цифровым поведенческим следам, которые и находятся в фокусе внимания настоящего диссертационного исследования. Оценивать качество нереактивных данных (и цифровых поведенческих следов, в частности) мы будем через концепт валидности измерения.

Валидностъ измерения (validity) принято определять как соответствие измерения его цели, иначе говоря, в какой мере мы измеряем то, что намереваемся измерить. В настоящем диссертационном исследовании мы сфокусируемся на оценке критериальной валидности (criterion validity) ретроспективных самоотчётов об использовании смартфона, а также на оценке их конкурентной валидности (concurrent validity)2.

Проведение оценки качества измерения представляется трудоемким занятием, которое требует разработки методологических программ, стандартов и критериев оценки. Однако эти процедуры представляются необходимым условием для построения теорий среднего уровня и развития социологической теории в целом.

Методологической основой исследования является подход «пожертвование данных» (data donation) [Ohme, Araujo, de Vreese & Piotrowski, 2021]. Он позволяет исследователям собирать цифровые поведенческие следы непосредственно от участников исследования, т. е. получать доступ к тем данным, которые уже собрали о пользователях цифровые платформы. Важно отметить, что эти данные собираются и

2 Конкурентная валидность - подвид критериальной валидности. Далее в работы мы дадим более комплексное определение этому подтипу валидности.

хранятся устройствами, платформами в фоновом режиме, а не интенционально производятся индивидами. С помощью подхода возможно собирать цифровые поведенческие следы без установки трекинговых приложений участникам со стороны исследователей, что потенциально снижает уровень воспринимаемой угрозы конфиденциальности.

В рамках диссертационного исследования были проведены два методических эксперимента по измерению валидности ретроспективного самоотчёта с использованием опросных данных и цифровых поведенческих следов как частных примеров реактивных и нереактивных данных соответственно. Кросс-валидация данных самоотчёта с цифровыми поведенческими следами представляется как первый шаг в апробации предложенного теоретико-методологического подхода к интеграции данных.

Цели экспериментов состояли в оценке конкурентной валидности самоотчётов об использовании мобильных устройств на разном наборе параметров. Однако эксперименты различались по дизайну.

Эксперимент №1 реализовывался в формате СА"Ш: анкета об использовании смартфона заполнялась участниками самостоятельно онлайн в удобное им время и в удобном месте. В преамбуле к анкете содержалась информация о том, что участникам предстоит оценить использование смартфона самостоятельно, а потом прикрепить информацию из трекеров их устройств.

Эксперимент №2 реализовывался в форматах РАР1 и CAWI: анкета заполнялась группам участников самостоятельно - в одном месте и одно время на бумаге, затем скриншоты с устройств участников подгружались к онлайн-анкете. При заполнении анкеты участники не были осведомлены о дизайне эксперимента и не знали, что их самоотчёты будут связаны с данными трекеров их устройств в дальнейшем.

В рамках эмпирического этапа диссертационного исследования возможности и ограничения разрабатываемого теоретико-методологического

подхода к интеграции данных будут соотнесены через оценку конкурентной валидности данных о пользовании смартфоном. Поскольку низкая валидность источников данных сама по себе может сделать проблематичной реализацию остальных этапов подхода.

Ключевые термины, используемые в диссертационном исследовании

1. Интеграция данных (data integration) - комплекс процедур в социальных науках, который преследует основной целью объединение данных разных типов в единой теоретическо-методологической рамке для повышения качества измерения.

2. Связывание данных (data linking) - техническая процедура соотнесения наблюдений из разных источников. Может реализовываться на индивидуальном (по конкретному объекту наблюдения) или агрегированном (по совокупности объектов наблюдения) уровнях.

3. Нереактивное измерение (unobtrusive measurement) - измерение, которое не требует от испытуемого ни участия в исследовании, ни, что, возможно, более важно, осознания факта участия в исследовании [Webb и др., 1966].

4. Реактивное измерение (obtrusive measurement) - измерение, в рамках которого участники осознают факт участия в исследовании и непосредственно участвуют [Webb и др., 1966].

5. Нереактивные (малореактивные) данные (unobtrusive data) - данные о деятельности человека, произведенные за пределами исследования. Альтернативный термин «малореактивные» [Девятко, 2012] не является конвенциональным в академической литературе, но указывает на важное гипотетическое допущение, что участник исследования может корректировать своё поведение на основании «нереактивных» данных или же других внешних факторов, что напрямую не укладывается в

концепцию нереактивного измерения. Примеры нереактивных и малореактивных данных: данные о физической активности (шаги, пульс), цифровые поведенческие следы (данные трекеров цифровых устройств и/или платформ).

6. Реактивные данные (obtrusive data) - данные, полученные в результате реактивного измерения. Примеры реактивных данных: опросные данные, результаты интервью, фокус-групповых обсуждений.

7. Конкурентная валидность (concurrent validity) - валидность индикатора латентной переменной (конструкта) по отношению к другому индикатору (методу измерения) этого же конструкта, используемому как критерий (стандарт) [Everitt & Howell, 2021]. Конкурентная валидность является подвидом критериальной валидности.

8. Пожертвование данных (data donation) - методический подход к сбору социологических данных, в рамках которого нереактивные и малореактивные данные (цифровые следы, информация о физической активности и т. д.) собираются непосредственно от участников исследования. С помощью этого подхода можно получить доступ к тем данным, которые уже собрали о пользователях цифровые платформы [Ohme, Araujo, Boeschoten, Freelon, Ram, Reeves & Robinson, 2024].

Научная новизна исследования

Научная новизна исследования заключается в следующих результатах диссертационного исследования:

1. Интеграция опросных данных и цифровых поведенческих следов концептуализирована как сложный теоретико-методологический процесс. Теоретические основания интеграции указанных типов данных определяются через идею «нереактивного - реактивного» измерения.

2. Оценены возможности и ограничения связывания опросных данных и цифровых следов на индивидуальном уровне для их дальнейшей интеграции в социальных науках.

3. Впервые в российской социологической литературе определены основные тематические направления интеграции данных, которые охарактеризованы по следующим параметрам: объекту исследования, уровню интеграции, типу сбора данных, решаемым методологическим проблемам и перспективам развития.

4. Обозначены угрозы валидности и надежности данным самоотчётов, а также систематизирована информация об альтернативных самоотчёту источниках данных для измерения поведения и установок участников исследований социальных наук.

5. Разработан теоретико-методологический подход к интеграции данных, состоящий из семи этапов, который может использоваться как для практического проектирования дизайна исследования с элементами интеграции данных, так и для анализа уже реализованных исследовательских проектов.

6. Апробирован методологический подход «пожертвование данных» для сбора цифровых поведенческих следов об использовании смартфона. Предлагаемый подход позволяет повысить качество измерения медиаактивности участников социологических исследований, а также снизить организационные и финансовые затраты на сбор цифровых следов. Результаты экспериментов с использованием такого подхода для сбора данных со смартфонов представляются в русскоязычной научной литературе впервые.

7. Оценена конкурентная валидность самоотчёта об использовании мобильных устройств, результаты позволяют охарактеризовать уровень конкурентной валидности самоотчёта этого вида как слабо удовлетворительный.

Основные результаты исследования и положения, выносимые на защиту

1. Интеграция данных открывает возможности для проведения исследований, где латентный конструкт может быть измерен с использованием эмпирических индикаторов разной природы (опросных данных, цифровых поведенческих следов, административных данных, параданных). Важнейшей задачей в таких исследованиях является формирование общей теоретико-методологической рамки, в которой эти разные источники данных могут быть объединены.

2. Цифровые поведенческие следы представляют собой новый класс малореактивных данных и могут выступать в качестве объективных поведенческих индикаторов, предоставляя возможность получения более валидных данных с более высоким уровнем детализации. Потенциально использование цифровых следов может снизить нагрузку на респондентов и уменьшить ошибку измерения, однако их использование в исследованиях социальных наук должно быть теоретико-методологически обосновано.

3. Разработанный в рамках диссертационного исследования общий теоретико-методологический подход к интеграции данных предлагает рассматривать процесс интеграции через следующие семь элементов: 1) уровень интеграции данных, 2) временной модус сбора данных, 3) класс интегрируемых данных, 4) тип интегрируемых данных, 5) способ сбора данных, 6) тип связывания данных, 7) оценка угроз валидности и надёжности для каждого класса данных.

4. Результаты серии экспериментов позволяют оценить методический подход «пожертвование данных» как релевантный для сбора цифровых следов с мобильных устройств. Рассматриваемый подход может использоваться как для получения оценок об использовании смартфона,

так и потенциально для сбора цифровых данных из других трекеров (например, шагомеров, трекеров геолокации). Подход позволяет исследователям получать объективные поведенческие данные об активности человека (в частности, об использовании смартфона) без установки сторонних приложений, что минимизирует уровень вмешательства со стороны исследователя. Функции трекинга, предусмотренные разработчиками в цифровых устройствах, исходно имеют целью предоставить пользователю возможность осуществления контроля за своим использованием платформ, однако, как показывают методические эксперименты, эти функции могут использоваться и в исследовательских целях.

Список литературы диссертационного исследования кандидат наук Сапонова Анастасия Владимировна, 2025 год

СПИСОК ЛИТЕРАТУРЫ

1. Аванесов B.C. Тесты в социологическом исследовании. М.: Наука, 1982.

2. Батыгин Г.С. Обоснование научного вывода в прикладной социологии / Отв. ред. Г.В. Осипов. М.: Наука, 1986. 272 с.

3. Богданов М.Б., Смирнов И.Б. Возможности и ограничения цифровых следов и методов машинного обучения в социологии // Мониторинг общественного мнения: экономические и социальные перемены. 2021. № 1.

4. Бызов А.А. Интеллектуальный анализ текстов в социальных науках // Социология: методология, методы, математическое моделирование (Социология: 4М). 2019. № 49. С. 131-160.

5. Губа К. С. Большие данные в социологии: Новые данные, новая социология? Социологическое обозрение, 2018. № 17(1). С. 213-234.

6. Давыдов С.Г., Логунова О.С. Проект «Индекс цифровой грамотности»: методические эксперименты // Социология: методология, методы, математическое моделирование (Социология: 4М). 2015. Том. 0. №2 41. С. 120141.

7. Девятко И.Ф. Инструментарий онлайн-исследований: попытка каталогизации // В кн.: Онлайн-исследования в России 3.0 / Отв. ред.: И. Ф. Девятко, А. В. Шашкин, С. Г. Давыдов; науч. ред.: И. Ф. Девятко. М.: OMI RUSSIA, 2012. С. 17-30.

8. Девятко И.Ф. Новые данные, новая статистика: от кризиса воспроизводимости к новым требованиям к анализу и представлению данных в социальных науках // Социологические исследования. 2018. № 12. С. 30-38.

9. Девятко И.Ф. Социологическая теория: старые трудности, новые вызовы // Социологические исследования. 2021. № 10. С. 3-11.

10. Девятко И.Ф. Диагностическая процедура в социологии: Очерк истории и теории. М.: Наука, 1993. 175 с.

11. Девятко И.Ф. От «виртуальной лаборатории» до «социального

телескопа»: метафоры тематических и методологических инноваций в

онлайн-исследованиях // Онлайн-исследования в России: тенденции и

130

перспективы / Под общ. ред. А.В. Шашкина, И.Ф. Девятко, С.Г. Давыдова. М.: Онлайн маркет интеллидженс, 2016. С. 19-33.

12. Дудина В.И. Цифровые данные - потенциал развития социологического знания // Социологические исследования. 2016. № 9. С. 21-30.

13. Задорин И.В., Сапонова А. В. Динамика основных коммуникативных практик россиян // Коммуникации. Медиа. Дизайн. 2019. Т. 4. № 3. С. 48-68.

14. Задорин И.В., Сапонова А. В. Сравнительный анализ индексов медиаграмотности в странах Центральной Азии // Коммуникации. Медиа. Дизайн. 2020. Т. 5. № 3. С. 63-89.

15. Карнап Р. Преодоление метафизики логическим анализом языка // Аналитическая философия: становление и развитие. Антология / Общ. ред. и сост. А.Ф. Грязнова. М.: Дом интеллектуальной книги, Прогресс-Традиция, 1998. С. 69-90.

16. Климова А.М., Куликов С.П., Чмель К. Ш. Роль социальных медиа в формировании регионального экологического протеста в России // Мониторинг общественного мнения: экономические и социальные перемены. 2021. № 6.

17. Лебедев Д. В. Параданные: определение, типы, сбор и возможное применение // Мониторинг общественного мнения: экономические и социальные перемены. 2020. No 2. С. 4—32.

18. Мягков А.Ю. Социально-демографические переменные в социологическом исследовании: Проблемы достоверности самоотчетов респондентов. Москва: Флинта, Наука, 2002.

19. Ним Е.Г. «Вы есть ваши данные»: селф-трекинг как феномен глубокой медиатизации // Вестник Московского университета. Серия 10. Журналистика. 2020. Т. 2020. № 5. С. 29-53.

20. Одинцов А.В. Социология общественного мнения и вызов Big Data //Мониторинг общественного мнения: экономические и социальные перемены. 2017. № 3. С. 30-43.

21. Рогозин Д. М. Когнитивный анализ опросного инструмента // Социологический журнал. 2000. № 3-4. С. 18-68.

22. Садмен C., Брэдберн Н., Шварц Н. Как люди отвечают на вопросы: применение когнитивного анализа в массовых обследованиях. М. : Институт Фонда «Общественное мнение», 2003. 304 с.

23. Сапонова А. В., Куликов С. П. Интеграция опросных данных и цифровых следов: обзор основных методологических подходов // Социология: методология, методы, математическое моделирование. 2021. № 53. С. 117-164.

24. Сапонова А. В. Оценка валидности самоотчетов об использовании смартфона: сравнение субъективных и объективных данных // Социологический журнал. 2024. Т. 30. № 4. С. 79-103

25. Федорова А.А., Николаенко Г.А. Нереактивная стратегия: применимость незаметных методов сбора социологической информации в условиях web 2.0 на примере цифровой этнографии и big data // Социология власти, 2017. T. 29, № 4. С. 36-54.

26. Afriat H., Dvir-Gvirsman S., Tsuriel K., Ivan L. "This is capitalism. It is not illegal": Users' attitudes toward institutional privacy following the Cambridge Analytica scandal // The Information Society. 2021. Vol. 37, № 2. P. 115-127.

27. Araujo T., Wonneberger A., Neijens P., de Vreese C. How Much Time Do You Spend Online? Understanding and Improving the Accuracy of Self-Reported Measures of Internet Use // Communication Methods and Measures. 2017. Vol.11. № 3. P. 173-190.

28. Araujo T., Neijens P. Unobtrusive Measures for Media Research // The International Encyclopedia of Media Psychology. John Wiley & Sons, Ltd, 2020. P. 1-7.

29. Bach R. L., Kernn C., Amaya A., Keusch F., Kreuter F., Hecht J., Heinemann J. Predicting Voting Behavior Using Digital Trace Data // Social Science Computer Review. 2021. Vol. 39. № 5. P. 862-883.

30. Baranowski T. Validity and Reliability of Self Report Measures of Physical Activity: An Information-Processing Perspective // Research Quarterly for Exercise and Sport. 1988. Vol. 59. № 4. P. 314-327.

31. Barbera P., Casas A., Nagler J., Egan P. J., Bonneau R., Jost J. T., Tucker J. A. Who leads? Who follows? Measuring issue attention and agenda setting by legislators and the mass public using social media data // American Political Science Review. 2019. Vol. 113. № 4. P. 883-901.

32. Baumgartner S. E., Sumter S. R., Petkevic V., Wiradhany W. A Novel iOS Data Donation Approach: Automatic Processing, Compliance, and Reactivity in a Longitudinal Study // Social Science Computer Review. 2023. Vol. 41. № 4. P. 1456-1472.

33. Beatty P. C., Willis G. B. Research Synthesis: The Practice of Cognitive Interviewing // Public Opinion Quarterly. 2007. Vol. 71. № 2. P. 287-311.

34. Beauchamp N. Predicting and interpolating state-level polls using Twitter textual data // American Journal of Political Science. 2017. Vol. 61. P. 490-503.

35. Beninger K., Digby A., MacGregor J. Understanding Society: How people decide whether to give consent to link their administrative and survey data // Understanding Society at the Institute for Social and Economic Research. 2017. 65 p.

36. Beuthner C., Weiß B., Silber H., Keusch F., Schröder J. Consent to data linkage for different data domains - the role of question order, question wording, and incentives // International Journal of Social Research Methodology. 2023. Vol. 27. №. 4. P. 1-14.

37. Blair E., Burton S. Cognitive Processes Used by Survey Respondents to Answer Behavioral Frequency Questions // Journal of Consumer Research. 1987. Vol. 14. № 2. P. 280 -288.

38. Blalock H. M. Measurements in the Social Sciences: Theories and Strategies / ed. by H. M. Blalock. — New Jersey: AldineTransaction, 1974. 464 p.

39. Boase J., Ling R. Measuring Mobile Phone Use: Self-Report Versus Log Data // Journal of Computer-Mediated Communication. 2013. Vol. 18. № 4. P. 508-519.

133

40. Bollinger C. R., Tasseva I.V. Income Source Confusion using the SILC // Public Opinion Quarterly. 2023. Vol. 87. № S1. P. 542-574.

41. Bouchard Jr T. J. Field research methods: Interviewing, questionnaires, participant observation, systematic observation, unobtrusive measures // Handbook of industrial and organizational psychology / Ed. by M. D. Dunnette. Chicago: Rand McNally. 1976. Vol. 1. P. 363-413.

42. Brown J.R., Enos R.D., Feigenbaum J., Mazumder S. Childhood cross-ethnic exposure predicts political behavior seven decades later: Evidence from linked administrative data // Science Advances. 2021. Vol. 7, №. 24. -.

43. Cahalan D. Correlates of Respondent Accuracy in the Denver Validity Survey // Public Opinion Quarterly. 1968. Vol. 32. № 4. P. 607-621.

44. Campbell D. T., Fiske D. W. Convergent and discriminant validation by the multitrait-multimethod matrix // Psychological bulletin. 1959. Vol. 56. №. 2. P. 81.

45. Campbell S. W. Mobile media and communication: A new field, or just a new journal? // Mobile Media & Communication. 2013. Vol. 1. № 1. P. 8-13.

46. Cannell C. F., Miller P. V., Oksenberg L. Research on Interviewing Techniques // Sociological Methodology. 1981. Vol. 12. P. 389-437.

47. Carmines, E. G., & Zeller, R. A. Reliability and Validity Assessment. New York: Sage Publications, 1979. 72 p.

48. Chang L.C., Krosnick J.A. Measuring the frequency of regular behaviors: Comparing the "typical week" to the "past week" // Sociological Methodology. 2003. Vol. 33, №. 1. P. 55-80.

49. Choi K.H., Ramaj S., Haan M. Age of the oldest child and internal migration of immigrant families: A study using administrative data from immigrant landing and tax files // Population Space and Place. 2021. Vol. 27. № 4. -.

50. Cicourel A. V. Interviews, surveys, and the problem of ecological validity // The American Sociologist. 1982. P. 11-20.

51. Cohen A.A., Lemish D. Real Time and Recall Measures of Mobile Phone Use: Some Methodological Concerns and Empirical Applications // New Media & Society. 2003. Vol. 5. № 2. P. 167-183.

134

52. Cohen J. Statistical Power Analysis for the Behavioral Sciences. 2nd ed. Hillsdale, NJ: Lawrence Erlbaum Associates, 1988. 567 p.

53. Connelly R., Playford C., Gayle V., Dibben C. The role of administrative data in the big data revolution in social science research // Social Science Research. 2016. Vol. 59. P. 1-12.

54. Conrad F. G., Gagnon-Bartsch J. A., Ferg R. A., Schober M. F., Pasek J., Hou E. Social Media as an Alternative to Surveys of Opinions About the Economy // Social Science Computer Review. 2021. Vol. 39. № 4. P. 489-508.

55. Couper M. P. Is the Sky Falling? New Technology, Changing Media, and the Future of Surveys // SRM. 2013. Vol. 7. № 3. P. 145-156.

56. Couper M. P., Antoun C., Mavletova A. Mobile Web Surveys: A Total Survey Error Perspective // Total Survey Error in Practice / Ed. by P. P. Biemer et al. Hoboken: Wiley, 2017. № 1. P. 133-154.

57. Cronin J., von Hohenberg B.C., Gonfalves J. F. F., Menchen-Trevino E., Wojcieszak M. The (null) over-time effects of exposure to local news websites: Evidence from trace data // Journal of Information Technology & Politics. 2023. Vol. 20. № 4. P. 407-421.

58. Del Boca F. K., Darkes J. The validity of self-reports of alcohol consumption: state of the science and challenges for research: The validity of self-reports of alcohol consumption // Addiction. 2003. Vol. 98. P. 1-12.

59. Deng T., Kanthawala S., Meng J., Peng W., Kononova A., Hao Q., Zhang Q., David P. Measuring smartphone usage and task switching with log tracking and self-reports // Mobile Media & Communication. 2019. Vol. 7. № 1. P. 3-23.

60. Diaz F., Gamon M., Hofman J. M., Kiciman E., Rothschild D. Online and Social Media Data As an Imperfect Continuous Panel Survey // PLOS ONE. 2016. Vol. 11. № 1. P. -.

61. DiGrazia J., McKelvey K., Bollen J., Rojas F. More Tweets, More Votes: Social Media as a Quantitative Indicator of Political Behavior // PLOS ONE. 2013. Vol. 8. № 11. -.

62. Ellis D. A., Davidson B. I., Shaw H., Geyer K. Do smartphone usage scales predict behavior? // International Journal of Human-Computer Studies. 2019. Vol. 130. P. 86-92.

63. Ettema J.S. Explaining information system use with system-monitored vs. self-reported use measures // Public Opinion Quarterly. 1985. Vol. 49, №2. 3. P. 381387.

64. Everitt B. S., Howell D. C. Encyclopedia of Statistics in Behavioral Science. Hoboken: John Wiley & Sons, 2021. 2368 p.

65. Ezzati M., Martin H., Skjold S., Hoorn S. V., Murray C. J. Trends in National and State-Level Obesity in the USA after Correction for Self-Report Bias: Analysis of Health Surveys // Journal of the Royal Society of Medicine. 2006. Vol. 99. № 5. P. 250-257.

66. Fitzgerald J. L., Mulford H. A. Self-report validity issues. // J. Stud. Alcohol. 1987. T. 48. № 3. C. 207-211.

67. Geers S., Bos L. Priming Issues, Party Visibility, and Party Evaluations: The Impact on Vote Switching // Political Communication. 2017. Vol. 34, №2 3. P. 344366.

68. Ghiselly E.E., Campbell J.P., Pedeck S. Measurement Theory for the Behavioral Sciences. San Francisco: W.H. Freema and Co, 1981.

69. Gower A. D., Moreno M. A. A Novel Approach to Evaluating Mobile Smartphone Screen Time for iPhones: Feasibility and Preliminary Findings // JMIR mHealth and uHealth. 2018. Vol. 6. № 11. -.

70. Greenberg B. S., Eastin M. S., Skalski P., Cooper L., Levy M., Lachlan K. Comparing Survey and Diary Measures of Internet and Traditional Media Use // Communication Reports. 2005. Vol. 18. № 1-2. P. 1-8.

71. Haeffel G. J., Howard G. S. Self-Report: Psychology's Four-Letter Word // The American Journal of Psychology. 2010. Vol. 123. № 2. P. 181-188.

72. Haenschen K. Self-Reported Versus Digitally Recorded: Measuring Political Activity on Facebook*77 // Social Science Computer Review. 2020. Vol. 38. № 5. P. 567-583.

73. Hafferty J. D., Campbell A. I., Navrady L. B., Adams M. J., MacIntyre D., Lawrie S.M. Self-reported medication use validated through record linkage to national prescribing data // Journal of Clinical Epidemiology. 2018. Vol. 94. P. 132 -142.

74. Harron K., Dibben C., Boyd J., Hjern A., Azimaee M., Barreto M. L., Goldstein, H. Challenges in administrative data linkage for research // Big Data & Society. 2017. Vol. 4. № 2. -.

75. Henderson M., Jiang K., Johnson M., Porter L. Measuring Twitter Use: Validating Survey-Based Measures // Social Science Computer Review. 2021. Vol. 39. № 6. P. 1121-1141.

76. Henninger F, Kieslich P.J., Fernandez-Fontelo A, Greven S, Kreuter F. Privacy Attitudes Toward Mouse-Tracking Paradata Collection // Public Opinion Quarterly. 2023. Vol. 87. №S1. P. 602-618.

77. Hessler J. Peoplemeter Technologies and the Biometric Turn in Audience Measurement // Television & New Media. 2021. Vol. 22. № 4. P. 400-419.

78. Hill, A. D., White, M. A., & Wallace, J. C. (2014). Unobtrusive measurement of psychological constructs in organizational research. Organizational Psychology Review. Vol. 4. № 2. P. 148-174.

79. Hine C. Internet Research and Unobtrusive Methods // Social Research Update. 2011. №. 61.

80. Hodes L. N., Thomas K. G. F. Smartphone Screen Time: Inaccuracy of self-reports and influence of psychological and contextual factors // Computers in Human Behavior. 2021. Vol. 115. -. -.

81. Hofstra B., Corten R., Van Tubergen F., Ellison N.B. Sources of Segregation in Social Networks: A Novel Approach Using Facebook*78 // American Sociological Review. 2017. Vol. 82. № 3. P. 625-656.

82. Hopmann D.N., Vliegenthart R., de Vreese C. H., Alb^k E. Effects of Election News Coverage: How Visibility and Tone Influence Party Choice // Political Communication. 2010. Vol. 27, № 4. P. 389-405.

83. Hopp T., Vargo C.J., Dixon L., Thain N. Correlating Self-Report and Trace Data Measures of Incivility: A Proof of Concept // Social Science Computer Review. 2020. Vol. 38. № 5. P. 584-599.

84. Howison J., Wiggins A., Crowston K. Validity issues in the use of social network analysis with digital trace data // Journal of the Association for Information Systems. 2011. Vol. 12. №. 12. P. 767-797.

85. Humphreys L. Cellphones in public: social interactions in a wireless era // New Media & Society. 2005. Vol. 7. № 6. P. 810-833.

86. Iannelli L., Giglietto F., Rossi L., Zurovac E. Facebook* Digital Traces for Survey Research: Assessing the Efficiency and Effectiveness of a Facebook* Ad-Based Procedure for Recruiting Online Survey Respondents in Niche and Difficult-to-Reach Populations // Social Science Computer Review. 2020. Vol. 38. № 4. P. 462-476.

87. Ignatow G. Sociological theory in the digital age. New York: Routledge, Taylor & Francis Group, 2020. 132 p.

88. Jenkins H. Convergence culture: where old and new media collide. New York: New York University Press, 2006. 308 p.

89. Jenkins H. The Cultural Logic of Media Convergence // International Journal of Cultural Studies. 2004. Vol. 7. № 1. P. 33-43.

90. Jones-Jang S. M., Heo Y. J., McKeever R., Kim J. H., Moscowitz L., Moscowitz D. Good News! Communication Findings May be Underestimated:

Comparing Effect Sizes with Self-Reported and Logged Smartphone Use Data // Journal of Computer-Mediated Communication. 2020. Vol. 25. № 5. P. 346-363.

91. Junco R. Comparing actual and self-reported measures of Facebook*79 use // Computers in Human Behavior. 2013. Vol. 29. № 3. P. 626-631.

92. Jungherr A., Jürgens P., Schoen H. Why the Pirate Party Won the German Election of 2009 or The Trouble With Predictions: A Response to Tumasjan, A., Sprenger, T. O., Sander, P. G., & Welpe, I. M. "Predicting Elections With Twitter: What 140 Characters Reveal About Political Sentiment" // Social Science Computer Review. 2012. Vol. 30. № 2. P. 229-234.

93. Jürgens P., Stark B., Magin M. Two Half-Truths Make a Whole? On Bias in Self-Reports and Tracking Data // Social Science Computer Review. 2020. Vol. 38. № 5. P. 600-615.

94. Kalokyri V., Borgida A., Marian A., Vianna D. Integration and Exploration of Connected Personal Digital Traces // Proceedings of the ExploreDB'17. Chicago IL USA: ACM, 2017. P. 1-6.

95. Karlsen, R., Enjolras, B. Styles of social media campaigning and influence in a hybrid political communication system: Linking candidate survey data with Twitter data. // The International Journal of Press/Politics. 2016. Vol. 21, P. 338357.

96. Keeter S., Christian L. A Comparison of Results from Surveys by the Pew Research Center and Google Consumer Surveys. Washington, DC: Pew Research Center, 2012. 30 p.

97. Keusch F., Struminskaya B., Antoun C., Couper M.P., Kreuter F. Willingness to Participate in Passive Mobile Data Collection // Public Opinion Quarterly. 2019. Vol. 83. № S1. P. 210-235.

98. Keusch F., Wenz A., Conrad F. Do you have your smartphone with you? Behavioral barriers for measuring everyday activities with smartphone sensors // Computers in Human Behavior. 2022. Vol. 127. -.

99. Keusch F., Struminskaya B., Kreuter F., Weichbold M. Combining active and passive mobile data collection: A survey of concerns // Big Data Meets Survey Science: A Collection of Innovative Methods / ed. by C.A. Hill, P.P. Biemer, T.D. Buskirk, L. Japec, A. Kirchner, S. Kolenikov, L.E. Lyberg. Hoboken, NJ: Wiley, 2021. P. 657-682.

100. Kim J.-H. Psychological issues and problematic use of smartphone: ADHD's moderating role in the associations among loneliness, need for social assurance, need for immediate connection, and problematic use of smartphone // Computers in Human Behavior. 2018. Vol. 80. P. 390-398.

101. Kobayashi T., Boase J. No Such Effect? The Implications of Measurement Error in Self-Report Measures of Mobile Communication Use // Communication Methods and Measures. 2012. Vol. 6. № 2. P. 126-143.

102. Kormos C., Gifford R. The validity of self-report measures of proenvironmental behavior: A meta-analytic review // Journal of Environmental Psychology. 2014. Vol. 40. P. 359-371.

103. Kosinski M., Stillwell D., Graepel T. Private traits and attributes are predictable from digital records of human behavior // Proceedings of the national academy of sciences. 2013. Vol. 110. № 15. P. 5802-5805.

104. Lazer D., Kennedy R., King G., Vespignani A. The Parable of Google Flu: Traps in Big Data Analysis // Science. 2014. Vol. 343. № 6176. P. 1203-1205.

105. Lee R. M. Unobtrusive Measures in Social Research. Philadelphia, PA: Open University Press. 2000. 175 p.

106. Lee R. M. Unobtrusive Methods // Handbook of Research Methods in Health Social Sciences / Ed. by P. Liamputtong. Singapore: Springer Singapore, 2019. P. 491-507.

107. Matthes J. Exposure to Counterattitudinal News Coverage and the Timing of Voting Decisions // Communication Research. 2012. Vol. 39. № 2. P. 147-169.

108. Maxfield M. G., Weiler B. L., Widom C. S. Comparing Self-Reports and Official Records of Arrests // Journal of Quantitative Criminology. 2000. Vol. 16. № 1. P. 87-110.

109. McCombs M.E., Shaw D.L. The Agenda-Setting Function of Mass Media // Public Opinion Quarterly. 1972. Vol. 36, № 2. P. 176-187.

110. Menchen-Trevino E. Web Historian: Enabling Multi-Method and Independent Research with Real-World Web Browsing History Data // IConference 2016 Proceedings. 2016.

111. Menon G. Judgments of Behavioral Frequencies: Memory Search and Retrieval Strategies // Autobiographical Memory and the Validity of Retrospective Reports / Ed by N. Schwarz, S. Sudman. New York, NY: Springer, 1994. P. 161172.

112. O'Connor B., Balasubramanyan R., Routledge B.R., Smith N.A. From Tweets to Polls: Linking Text Sentiment to Public Opinion Time Series // ICWSM 2010: Proceedings of the 4th International AAAI Conference on Weblogs and Social Media. 2010. P. 122-129.

113. Ohme J., Araujo T., Boeschoten L., Freelon D., Ram N., Reeves B. B., Robinson T. N. Digital Trace Data Collection for Social Media Effects Research: APIs, Data Donation, and (Screen) Tracking // Communication Methods and Measures. 2024. Vol. 18. № 2. P. 124-141.

114. Ohme J., Araujo T., de Vreese C.H., Piotrowski J.T. Mobile data donations: Assessing self-report accuracy and sample biases with the iOS Screen Time function // Mobile Media & Communication. 2021. Vol. 9. № 2. P. 293-313.

115. Oulasvirta A., Rattenbury T., Ma L., Raita E. Habits make smartphone use more pervasive // Personal and Ubiquitous computing. 2012. Vol. 16. № 1. P. 105114.

116. Parry D.A., Davidson B.I., Sewall C.J., Fisher J.T., Mieczkowski H., Quintana D.S. A systematic review and meta-analysis of discrepancies between logged and self-reported digital media use // Nature Human Behaviour. 2021. Vol. 5. № 11. P. 1535-1547.

117. Parry H. J., Crossley H. M. Validity of Responses to Survey Questions // Public Opinion Quarterly. 1950. Vol. 14. № 1. P. 61-80.

118. Pasek J., McClain C. A., Newport F., Marken S. Who's Tweeting About the President? What Big Survey Data Can Tell Us About Digital Traces? // Social Science Computer Review. 2020. Vol. 38. № 5. P. 633-650.

119. Paulhus D. L., Vazire S. The Self-Report Method // Handbook of Research Methods in Personality Psychology. Ed. by Richard W. Robins, R. Chris Fraley, Robert F. Krueger. 2007. P. 224-239.

120. Peterson R.A., Kerin R.A. The Quality of Self-Report Data: Review and Synthesis // Annual review of marketing. Ed. by B. Emis B.M., Roering K.J. Chicago: American Marketing Association. 1981. P. 5-20.

121. Prior M. The Immensely Inflated News Audience: Assessing Bias in Self-Reported News Exposure // Public Opinion Quarterly. 2009. Vol. 73. № 1. P. 130143.

122. Rampazzo F., Bijak J., Vitali A., Weber I., Zagheni E. A. Framework for Estimating Migrant Stocks Using Digital Traces and Survey Data: An Application in the United Kingdom // Demography. 2021. Vol. 58, № 6. P. 2193-2218.

123. Revilla M., Ochoa C., Loewe G. Using Passive Data From a Meter to Complement Survey Data in Order to Study Online Behavior // Social Science Computer Review. 2017. Vol. 35. № 4. P. 521-536.

124. Savage M., Burrows R. The Coming Crisis of Empirical Sociology // Sociology. 2007. Vol. 41. № 5. P. 885-899.

125. Scharkow M. The Accuracy of Self-Reported Internet Use-A Validation Study Using Client Log Data // Communication Methods and Measures. 2016. Vol. 10. № 1. P. 13-27.

126. Scherpenzeel A. Mixing Online Panel Data Collection with Innovative Methods // Methodische Probleme von Mixed-Mode-Ansätzen in der Umfrageforschung / Ed. by S. Eifler, F. Faulbaum. Wiesbaden: Springer Fachmedien Wiesbaden, 2017. P. 27-49.

127. Schmuckler M. A. What is ecological validity? A dimensional analysis // Infancy. 2001. Vol. 2. №. 4. P. 419-436.

128. Schober M. F., Pasek J., Guggenheim L., Lampe C., Conrad F. G. Social Media Analyses for Social Measurement // Public Opinion Quarterly. 2016. Vol. 80. № 1. P. 180-211.

129. Schwarz N. How the Questions Shape the Answers // American Psychologist. 1999. Vol. 54. № 2. P. 93-105.

130. Schwarz N., Oyserman D. Asking Questions About Behavior: Cognition, Communication, and Questionnaire Construction // American Journal of Evaluation. 2001. Vol. 22. № 2. P. 127-160.

131. Shin J. How Do Partisans Consume News on Social Media? A Comparison of Self-Reports With Digital Trace Measures Among Twitter Users // Social Media + Society. 2020. Vol. 6. № 4. -.

132. Shlomo N. Overview of Data Linkage Methods for Policy Design and Evaluation // Data-Driven Policy Impact Evaluation / Ed. by N. Crato, P. Paruolo. Cham: Springer International Publishing, 2019. P. 47-65.

133. Stier S., Breuer J., Siegers P., Thorson K. Integrating Survey Data and Digital Trace Data: Key Issues in Developing an Emerging Field // Social Science Computer Review. 2020. Vol. 38. № 5. P. 503-516.

134. Strack F., Martin L.L. Thinking, Judging, and Communicating: A Process Account of Context Effects in Attitude Surveys // Social Information Processing and Survey Methodology. Ed. by Hippler H.J., Schwarz N., Sudman S. New York, NY: Springer New York, 1987. P. 123-148.

135. Strube G. Answering survey questions: The role of memory //Social information processing and survey methodology. - New York, NY: Springer New York, 1987. P. 86-101.

136. Struminskaya B., Keusch F. From web surveys to mobile web to apps, sensors, and digital traces // Survey Methods: Insights from the Field. 2020. -. -. P. 1-7.

137. Struminskaya B., Sakshaug J.W. Ethical Considerations for Augmenting Surveys with Auxiliary Data Sources // Public Opinion Quarterly. 2023. Vol. 87. P. №S1. 619-33.

138. Thorson K., Cotter K., Medeiros M., Pak C. Algorithmic inference, political interest, and exposure to news and politics on Facebook*80 // Information, Communication & Society. 2021. Vol. 24. № 2. P. 183-200.

139. Thrift N. Knowing Capitalism. London, London: Sage Publications, 2005.

140. Tourangeau R., Rasinski K. A Cognitive Processes Underlying Context Effects in Attitude Measurement // Psychological Bulletin. 1988. Vol. 103. №. 3. P. 299-314.

141. Tourangeau R., Rips L. J., Rasinski K. The Psychology of Survey Response. Cambridge: Cambridge University Press, 2000.

142. van der Voort T.H.A., Vooijs M.W. Validity of children's direct estimates of time spent television viewing // Journal of Broadcasting & Electronic Media. 1990. Vol. 34, №1. P. 93-99.

143. van Driel I. I., Giachanou A., Pouwels J. L., Boeschoten L., Beyens I., Valkenburg P. M. Promises and Pitfalls of Social Media Data Donations // Communication Methods and Measures. 2022. Vol. 16. № 4. P. 266-282.

144. Van Spanje J., de Vreese C. Europhile Media and Eurosceptic Voting: Effects of News Media Coverage on Eurosceptic Voting in the 2009 European Parliamentary Elections // Political Communication. 2014. Vol. 31. № 2. P. 325354.

145. Vanden Abeele M., Beullens K., Roe K. Measuring mobile phone use: Gender, age and real usage level in relation to the accuracy and validity of self-reported mobile phone use // Mobile Media & Communication. 2013. Vol. 1. № 2. P. 213-236.

146. Verbeij T., Pouwels J. L., Beyens I., Valkenburg P. M. Experience sampling self-reports of social media use have comparable predictive validity to digital trace measures // Scientific Reports. 2022. Vol. 12. № 1. P. 7611.

147. Vraga E. K., Tully M. Who Is Exposed to News? It Depends on How You Measure: Examining Self-Reported Versus Behavioral News Exposure Measures // Social Science Computer Review. 2020. Vol. 38. № 5. P. 550-566.

148. de Vreese C. H., Semetko H. A. News matters: Influences on the vote in the Danish 2000 euro referendum campaign // European Journal of Political Research. 2004. Vol. 43. № 5. P. 699-722.

149. Walzenbach S., Burton J., Couper M. P., Crossley T. F., jAckle A. Experiments on Multiple Requests for Consent to Data Linkage in Surveys // Journal of Survey Statistics and Methodology. 2023. Vol. 11. № 3. P. 518-540.

150. Weaver C. N., Swanson C. L. Validity of Reported Date of Birth, Salary, and Seniority // Public Opinion Quarterly. 1974. Vol. 38. № 1. P. 69.

151. Webb E.J., Campbell D.T., Schwartz R.D., Sechrest L. Unobtrusive Measures: Non-reactive Research in the Social Sciences. Chicago: Rand McNally, 1966. 220 p.

152. Wenz A., Jackle A., Couper M. P. Willingness to use mobile technologies for data collection in a probability household panel // Survey Research Methods. 2019. Vol. 13. № 1. P. 1-22.

153. Wenz A., Jackle A., Mick P. Couper. 2017. "Willingness to Use Mobile Technologies for Data Collection in a Probability Household Panel." ISER Working Paper 2017-10. Режим доступа: https: //www. understandingsociety. ac. uk/research/publications/workingpaper/unde rstanding-society/2017- 10.pdf

154. Wenz A., Keusch F., Bach R. L. Measuring Smartphone Use: Survey Versus Digital Behavioral Data // Social Science Computer Review. 2024. Vol. -. № -. P. 1-20.

155. Wonneberger A., Irazoqui M. Tell it like it is? Inaccuracies of self-reported TV exposure in comparison to people-meter data // Annual Conference of the International Communication Association. London, UK. 17-21 June 2013.

156. Wu-Ouyang B., Chan M. Overestimating or underestimating communication findings? Comparing self-reported with log mobile data by data donation method // Mobile Media & Communication. 2023. Vol. 11. № 3. P. 415-434.

157. Yan T., Olson K. Analyzing Paradata to Investigate Measurement Error / Yan T., Olson K. // Improving Surveys with Paradata: Analytic Uses of Process Information / edited by F. Kreuter. Hoboken, NJ: Wiley, 2013. P. 73-95.

158. Yanovitzky I. Effect of Call-In Political Talk Radio Shows on Their Audiences: Evidence from a Multi-Wave Panel Analysis // International Journal of Public Opinion Research. 2001. Vol. 13. № 4. P. 377-397.

159. Yoshida Y., Haan M., Schaffer S. Administrative data linkage in Canada: Implications for sociological research // Canadian Review of Sociology. 2022. Vol. 59, № 2. P. 251-270.

160. Zadorin, I., Saponova, A., Reshetova, V., Chizhova, D. Measuring Media Literacy Level: A Case of Central Asia // Internet in the Post-Soviet Area: Technological, Economic and Political Aspects / Ed. by Davydov, S. Cham: Springer, 2023. P. 203-225.

161. Zaller J., Feldman S. A Simple Theory of the Survey Response: Answering Questions versus Revealing Preferences // American Journal of Political Science. 1992. Vol. 36. № 3. P. 579.

162. Zeller R.A., Carmines E.G. Measurement in the Social Sciences: The Link between Theory and Data. Cambridge: Cambridge University Press, 1980. 198 p.

ПРИЛОЖЕНИЕ А. АНКЕТА ЭКСПЕРИМЕНТА №1

Здравствуйте! Благодарим Вас за интерес к участию в исследовании!

Мы приглашаем Вас к участию в эксперименте, направленном на исследование особенностей мобильного медиапотребления студентов.

Ваша задача будет заключаться в том, чтобы самостоятельно попытаться оценить время, которое Вы проводите за мобильным телефоном. Хотим подчеркнуть, что на эти вопросы не существует правильных или неправильных ответов, отвечая на них, пожалуйста, опирайтесь только на свои собственные оценки и предположения. В конце анкеты Вам необходимо будет приложить скриншоты о медиапотреблении со своего телефона.

Важно! Заполняя форму, не используйте данные мобильного телефона. Попытайтесь оценить своё медиапотребление самостоятельно.

Ваши ответы будут использованы только в обобщенном виде и исключительно в научных целях. Участие в исследовании займет ориентировочно 7-10 минут. Вы, как и другие добровольные участники исследования, сможете получить от команды исследователей информацию о результатах исследования после его завершения.

Участие в данном экспериментальном исследовании является добровольным. Ваше решение участвовать или не участвовать в исследовании никак не повлияет на оценки, которые Вы получаете в процессе обучения.

Если после прочтения данной формы Вы соглашаетесь участвовать в исследовании, помните, что Ваше участие является добровольным и за Вами сохраняется право отказаться от участия сейчас или в дальнейшем, что не повлечет никаких негативных последствий для Вас. Конфиденциальность любой полученной от Вас личной информации будет соблюдаться в любых публикациях по результатам исследования.

Если у Вас возникнут вопросы или трудности в связи с этим исследованием, Вы можете обратиться к Анастасии Сапоновой по электронному адресу: [e-mail]

Q0. Принимаете ли Вы данные условия и готовы ли Вы приступить к участию в исследовании?

1. Да

2. Нет (завершение опроса)

Q1. Как бы Вы оценили интенсивность пользования мобильным телефоном в целом по шкале от 1 до 5, где 5, где 1 - очень мало использую, а 5 - очень много использую.

Шкала от 1 до 5

Q2. Сколько времени Вы проводите в среднем за мобильным телефоном? Оцените, пожалуйста, примерное число в часах или минутах.

Q3. Сколько времени Вы провели за мобильным телефоном СЕГОДНЯ? Оцените, пожалуйста, примерное число в часах или минутах.

Q4. А теперь попробуйте оценить количество часов, которые Вы провели за мобильным телефоном за ПОСЛЕДНЮЮ НЕДЕЛЮ. Оцените, пожалуйста, примерное число в часах или минутах.

Для чего Вы используете мобильный телефон чаще всего? Отметьте не более ПЯТИ вариантов ответов.

В качестве точки отсчета используйте понедельник этой недели, в качестве точки окончания - момент заполнения анкеты.

Q5. Для чего Вы используете мобильный телефон чаще всего? Отметьте не более ПЯТИ вариантов ответов.

1. Провожу время в социальных сетях и мессенджерах

2. Совершаю финансовые операции (мобильный банкинг)

3. Использую для навигации и передвижения по городу (навигаторы, расписание общественного транспорта, вызов такси)

4. Использую электронную почту

5. Слушаю музыку и/или подкасты

6. Учусь (Тимс, Зум и др), использую приложения для образования (РУЗ и другие)

7. Делаю покупки

8. Смотрю видео-контент

9. Ищу информацию через браузер

10. Делаю звонки через мобильную связь

11. Снимаю/обрабатываю фото/ видео

12. Другое:_

Q6. Ниже напишите, пожалуйста, названия пяти приложений, которыми Вы пользуетесь чаще всего. Проранжируйте их по убыванию - от часто используемых к менее используемым. Пример: Telegram, VK, Instagram*81, Яндекс.Электрички, Музыка.

Q7. А теперь попробуйте оценить количество часов, сколько Вы провели в каждом из названных приложений на этой неделе. Скопируйте перечисленные Вами приложения и укажите затраченное время.

Пример: Telegram - 5 часов, VK - 6 часов, Instagram* - 7 часов, Яндекс.Электрички -1 час, Музыка - 3 часа.

Q8. Пользуетесь ли Вы функциями или приложениями, которые ограничивают время пользования мобильным телефоном?

1. Да

2. Нет

Q9. Пользовались ли Вы информацией о Вашем экранном времени во время заполнения этой анкеты?

1. Да

2. Нет

D1. Укажите, пожалуйста, Ваш пол.

1. Мужской

2. Женский

D2. Сколько полных лет Вам исполнилось?

D3. На какой образовательной программе Вы обучаетесь в настоящее время?

Q10. В завершении опроса мы просим Вас приложить несколько скриншотов из раздела «Экранное время» на Вашем мобильном телефоне. Зайти в раздел «Экранное время» и сделайте скриншот первой страницы открывшегося раздела, как на примере ниже.

1. Далее нажмите на вкладку «Смотреть активность» и приложите скриншот со статистикой за день, как на примере ниже.

2. Теперь нажмите на вкладку «Неделя» и приложите скриншот со статистикой за неделю, как на примере ниже.

3. А теперь пролистните вниз и сделайте скриншот с топом самых используемых приложений.

4. Укажите, пожалуйста, почту, на которую Вы бы хотели получить результаты исследования.

5. Напишите, пожалуйста, Ваше ФИО, чтобы мы засчитали Вам балл за участие. Благодарим за уделенное время! И не забудьте нажать кнопку «Отправить» :)

ПРИЛОЖЕНИЕ Б. АНКЕТА ЭКСПЕРИМЕНТА №2

Здравствуйте!

Благодарим Вас за интерес к участию в исследовании!

Мы приглашаем Вас к участию в эксперименте, направленном на исследование особенностей мобильного медиапотребления студентов.

Ваша задача будет заключаться в том, чтобы самостоятельно попытаться оценить время, которое Вы проводите за мобильным телефоном. Хотим подчеркнуть, что на эти вопросы не существует правильных или неправильных ответов, отвечая на них, пожалуйста, опирайтесь только на свои собственные оценки и предположения.

Важно! Пожалуйста, оценивайте свое медиапотребление, опираясь на свои собственные представления, основанные на личных воспоминаниях и интуитивных оценках времени.

Ваши ответы будут использованы только в обобщенном виде и исключительно в исследовательских целях. Участие в исследовании займет ориентировочно 10-15 минут. Вы, как и другие добровольные участники исследования, сможете получить от команды исследователей информацию о его результатах после его завершения.

Если после прочтения данной формы Вы соглашаетесь участвовать в исследовании, помните, что Ваше участие является добровольным и за Вами сохраняется право отказаться от участия сейчас или в дальнейшем, что не повлечет никаких негативных последствий для Вас. Конфиденциальность любой полученной от Вас личной информации будет соблюдаться в любых публикациях по результатам исследования.

Если у Вас возникнут вопросы в связи с исследованием, Вы можете обратиться к Анастасии Сапоновой по электронному адресу: [e-mail]

00. Принимаете ли Вы данные условия и готовы ли Вы приступить к участию в исследовании?

1. Да

2. Нет (завершение опроса)

Q1. Как бы Вы оценили интенсивность своего пользования мобильным телефоном в целом по шкале от 1 до 5, где 5, где 1 - очень мало использую, а 5 - очень много использую.

1-2-3-4-5

Q2. Для чего Вы используете мобильный телефон больше всего? Оцените исходя из затраченного времени (количества часов или минут). Отметьте не более ПЯТИ вариантов ответов.

1. Провожу время в социальных сетях и мессенджерах

2. Совершаю финансовые операции (мобильный банкинг)

3. Использую для навигации и передвижения по городу (навигаторы, расписание общественного транспорта, вызов такси)

4. Использую электронную почту

5. Слушаю музыку и/или подкасты

6. Учусь, использую приложения для образования

7. Делаю покупки

8. Смотрю видео-контент

9. Пользуюсь переводчиком

10. Обрабатываю фото и/или видео

11. Ищу информацию через браузер

12. Снимаю фото/видео

13. Читаю книги

14. Звоню по мобильной связи (не через мессенджер)

15. Свой вариант ответа:_

Далее мы просим Вас оценить время использования мобильного телефона. Обратите внимание, что во всех вопросах речь идёт об активном использовании смартфона. Пожалуйста, читайте вопросы внимательно.

Т1. Сколько времени Вы провели за мобильным телефоном сегодня? Оцените, пожалуйста, примерное количество в часах или минутах.

Т2. Сколько времени Вы провели за мобильным телефоном вчера? Оцените, пожалуйста, примерное количество в часах или минутах.

Т3. Сколько времени Вы проводите в среднем за обычный день за мобильным телефоном? Оцените, пожалуйста, примерное количество в часах или минутах.

Т4. Сколько времени Вы провели на прошлой неделе (7 дней) за мобильным телефоном? Оцените, пожалуйста, примерное количество в часах или минутах.

В качестве точки отсчёта используйте понедельник прошлой недели, в качестве конечной точки - последнее воскресенье.

Т5. Сколько времени Вы проводите в среднем за обычную неделю (7 дней) за мобильным телефоном? Оцените, пожалуйста, примерное суммарное количество в часах или минутах.

Т6. Пожалуйста, попробуйте, спрогнозировать, сколько времени вы проведёте, пользуясь мобильным телефоном на текущей неделе?

В качестве точки отсчёта используйте понедельник текущей недели, в качестве конечной точки - ближайшее воскресенье.

Т7. Ниже напишите, пожалуйста, названия пяти приложений, которыми Вы пользуетесь больше всего. Проранжируйте их по убыванию - от наиболее используемых к менее используемым.

Пример: Приложение 1, Приложение 2, Приложение 3, Приложение 4, Приложение 5.

Т8. А теперь попробуйте оценить суммарное количество часов, которое Вы провели в каждом из названных приложений на прошлой неделе. Учитывайте, пожалуйста, только активное использование приложения.

Пример: Приложение 1 - 7 часов, Приложение 2 - 6 часов, Приложение 3 - 5 часов, Приложение 4 - 4 часа, Приложение 5 - 3 часа.

Q3. Пользуетесь ли Вы функциями или приложениями, которые ограничивают время пользования мобильным телефоном?

1. Да

2. Нет

Q4. Пользовались ли Вы информацией о Вашем экранном времени во время заполнения этой анкеты?

1. Да

2. Нет

Q5. На какой операционной системе работает Ваш смартфон?

1. iOS

2. Android

И, напоследок ответьте, пожалуйста, на пару вопросов о себе.

D1. Укажите, пожалуйста, Ваш пол.

1. Мужской

2. Женский

D2. Сколько полных лет Вам исполнилось?

Б4. Напишите, пожалуйста, Ваши фамилию и имя, чтобы мы засчитали Вам балл за участие.

D5. Напишите, пожалуйста, номер Вашей учебной группы.

Благодарим Вас за участие в исследовании!