Прикладные аспекты использования алгоритмов цифровой психометрики

Рассматриваются вопросы практического применения алгоритмов психологической диагностики, основанных на цифровых следах пользователей интернета (алгоритмов цифровой психометрики). Дается описание таких алгоритмов, обсуждается точность прогнозирования с их помощью различных индивидуально-психологических характеристик субъекта (личностных черт, эмоциональных состояний, ценностей, мотивов и др.). Выделяются две стратегии использования алгоритмов цифровой психометрики на практике. Одна из них ориентирована на выявление с их помощью индивидуально-психологических особенностей людей и последующим использованием полученной информации для решения прикладных задач, другая заключается в использовании цифровых следов непосредственно для прогноза поведенческих, когнитивных и эмоциональных реакций людей в реальной жизни. Обсуждаются возможности применения алгоритмов цифровой психометрики в различных сферах общественной жизни (политике, экономике, здравоохранении и др.). В области политики эти алгоритмы востребованы при проведении избирательных кампаний и осуществлении так называемых психологических операций. В сфере маркетинга основанные на цифровых следах алгоритмы могут применяться при психографической сегментации потребителей, а также для повышения эффективности воздействия рекламы. В этом случае алгоритмы позволяют выявлять психологические особенности людей — объектов рекламного воздействия, что дает возможность использовать наиболее эффективные для них приемы воздействия. В медицине алгоритмы анализа цифровых следов используются для выявления людей, страдающих от какого-либо заболевания, но не обращающихся к врачу; контроля состояния больных и оценки эффективности лечения; профилактики заболеваний и искоренения вредных привычек. Применяются алгоритмы цифровой психометрики и в целях борьбы с преступностью, в частности, для прогнозирования поведения преступников. Обсуждается проблема вредоносного использования алгоритмов цифровой психометрики, в частности для манипулирования людьми и нанесения ущерба их здоровью и финансовому положению. Оцениваются перспективы практического применения алгоритмов в ближайшем будущем.

Ключевые слова

Цифровая психометрика, цифровые следы, прогнозирование психологических характеристик, рекламное воздействие, персонализированное воздействие, личность, личностные черты

Получено

21.07.2020

Дата публикации

07.08.2020

Кол-во символов

28231

Цитировать

ГОСТ	Латынов В. В. , Шепелева Е. А. Прикладные аспекты использования алгоритмов цифровой психометрики // Психологический журнал – 2020. – Tом 41. – № 4 C. 66-77 [Электронный ресурс]. URL: https://psy.jes.su/S020595920010483-7-1 (дата обращения: 19.04.2024). DOI: 10.31857/S020595920010483-7
MLA	Latynov, V., Shepeleva, Elena "Applied aspects of the use of algorithms of digital psychometrics." Psikhologicheskii zhurnal 41.4 (2020):66-77. DOI: 10.31857/S020595920010483-7
APA	Latynov V., Shepeleva E. (2020). Applied aspects of the use of algorithms of digital psychometrics. Psikhologicheskii zhurnal 41(4), pp.66-77 DOI: 10.31857/S020595920010483-7

100 руб.

При оформлении подписки на статью или выпуск пользователь получает возможность скачать PDF, оценить публикацию и связаться с автором. Для оформления подписки требуется авторизация.

Оператором распространения коммерческих препринтов является ООО «Интеграция: ОН»

Всего подписок: 3, всего просмотров: 1881

Оценка читателей: голосов 0

1. Виленская Г.А. Исследования психологии интернета в “Психологическом журнале”: некоторые итоги и перспективы // Психологический журнал. 2019. Т. 40. № 4. С. 5–14.

2. Журавлев А.Л. Нестик Т.А. Психологические особенности коллективного творчества в сетевых сообществах // Психологический журнал. 2016. Т. 37. № 2. С. 19–28.

3. Латынов В.В. Психология коммуникативного воздействия. М.: Изд-во “Институт психологии РАН”, 2013.

4. Латынов В.В. Овсянникова В.В. Прогнозирование психологических характеристик человека на основании его цифровых следов // Психология. Журнал Высшей школы экономики. 2020. Т. 17. №1. С. 166–180.

5. Нестик Т.А., Журавлев А.Л. Анализ больших данных в психологии и социогуманитарных науках: перспективные направления исследований // Психологический журнал. 2019. Т. 40. № 6. С. 5–17.

6. Никишина В.Б., Петраш Е.А., Запесоцкая И.В. Лингвосемантические характеристики коммуникативного поведения молодежи в социальных сетях // Психологический журнал. 2017. № 5. С. 69–79.

7. Психологические исследования глобальных процессов: предпосылки, тенденции, перспективы / Под. ред. А.Л. Журавлева, Д.А. Китовой. М.: Изд-во “Институт психологии РАН”, 2018.

8. Психологическое воздействие в межличностной и массовой коммуникации / Под ред. А.Л. Журавлева, Н.Д. Павловой. М.: Изд-во “Институт психологии РАН”, 2014.

9. Психологическое воздействие: механизмы, стратегии, возможности противодействия / Под ред. А.Л.Журавлева, Н.Д.Павловой. М.: Изд-во “Институт психологии РАН”, 2012.

10. Соснин В.А. Интернет-технологии в основе трансформации массового сознания и поведения // Психологические исследования глобальных процессов: предпосылки, тенденции, перспективы / Под ред. А.Л.Журавлева, Д.А.Китовой. М.: Изд-во “Институт психологии РАН”, 2018. С. 27−35.

11. Alkış N., Temizel T. The impact of individual differences on influence strategies // Personality and Individual Differences. 2015. V. 87. P. 147–152.

12. Azucar, D., Marengo, D., Settanni, M. Predicting the big 5 personality traits from digital footprints on social media: A meta-analysis // Personality and Individual Differences. 2018. V. 124. P. 150–159.

13. Bagby R.M., Vachon D.D., Bulmash E.L., Toneatto T., Quilty L.C., Costa P.T. Pathological gambling and the five-factor model of personality // Personality and Individual Differences, 2007. V. 43. P. 873−880.

14. Bakker B.N., Rooduijn M., Schumacher G. The psychological roots of populist voting: Evidence from the United States, the Netherlands and Germany. // European Journ. of Political Research, 2016. V. 55. P. 302–320.

15. Chang C. Self-congruency as a cue in different advertising-processing contexts // Communication Research. 2002. V. 29. P. 503–536.

16. Chen J., Haber E., Kang R., Hsieh G., Mahmud J. Making use of derived personality: the case of social media ad targeting // Proceedings of the Ninth International AAAI Conference on Web and Social Media. 2015. P. 51−60.

17. Cichocka A., Dhont K. The personality bases of political ideology and behavior // The Sage handbook of personality and individual differences / Eds.: V. Zeigler-Hill., T. K. Shackelford. London: SAGE Publications. 2018. P. 323−352.

18. De Choudhury M., Kiciman E., Dredze M., Coppersmith G., Kumar M. Discovering shifts to suicidal ideation from mental health content in social media // Proc. Conf. Human Factors Comput. Systems. San Jose. CA. 2016. P. 2098–2110.

19. Doyle C., Herga Z., Dipple S., Szymanski B., Korniss G., Mladenic D. Predicting complex user behavior from CDR based social networks // ArXiv. 2019. V. 2. P. 1−28.

20. Drouin M., Boyd R.L., Greidanus Romaneli M. Predicting recidivism among internet child sex sting offenders using psychological language analysis // Cyberpsychology, Behavior, and Social Networking. 2018. V. 21. P. 78−83.

21. Ge R., Feng J., Gu B., Zhang P. Predicting and deterring default with social media information in peer-to-peer lending // Journ. of Management Information Systems. 2017. V. 34. P. 401–424.

22. Gladstone J.J., Matz S.C., Lemaire A. Can psychological traits be inferred from spending? Evidence from transaction data // Psychological Science. 2019. URL: http://discovery.ucl.ac.uk/10076117/3/Gladstone_final%20manuscript.pdf (дата обращения: 15.02.2020).

23. Golbeck J. Predicting personality from social media text // AIS Transactions on Replication Research. 2016. V. 2. P. 2.

24. Guntuku S.C., Preotiuc-Pietro D., Eichstaedt J.C., Ungar L. What twitter profile and posted images reveal about depression and anxiety // Proceedings of the International AAAI Conference on Web and Social Media. 2019. V. 13. P. 236−246.

25. Hirsh J.B., Kang S.K., Bodenhausen G.V. Personalized persuasion: Tailoring persuasive appeals to recipients’ personality traits // Psychological Science. 2012. V. 23. P. 578–581.

26. Huang Y., Liu H., Li W., Wang Z., Hu X., Wang W. Lifestyles in Amazon: Evidence from online reviews enhanced recommender system // International Journ. of Market Research. 2019. URL: https://journals.sagepub.com/doi/abs/10.1177/1470785319844146 (дата обращения: 15.02.2020).

27. Hullett C.R. The impact of mood on persuasion // Communication Research. 2005. V. 32. P. 423–442.

28. Jashinsky J., Burton S.H., Hanson C.L., West J., Giraud-Carrier C. Tracking suicide risk factors through Twitter in the US // Crisis. 2014. V. 35. P. 51–59.

29. 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. V. 110. P. 5802–5805.

30. Krebs P., Prochaska J.O., Rossi, J.S. A meta-analysis of computer-tailored interventions for health behavior change // Preventive Medicine. 2010. V. 51. P. 214−221.

31. Krotzek L.J. Inside the voter’s mind: The effect of psychometric microtargeting on feelings toward and propensity to vote for a candidate // International Journ. of Communication. 2019. V. 13. P. 3609–3629.

32. Liu H., Huang Y., Wang Z., Liu K., Hu X., Wang W. Personality or value: A comparative study of psychographic segmentation based on an online review enhanced recommender system // Applied Sciences. 2019. V. 9. P. 19−92.

33. Madsen J.K. Pilditch T.D. A method for evaluating cognitively informed micro-targeted campaign strategies: An agent-based model proof of principle // PLoS ONE. 2018. V. 13. URL: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0193909 (дата обращения: 15.02.2020).

34. Markowetz, A., Błaszkiewicz, K., Montag, C., Switala, C., Schlaepfer, T. E. Psycho-informatics: Big data shaping modern psychometrics // Medical Hypotheses. 2014. V. 82. P. 405–411.

35. Matz S., Kosinski M., Nave G., Stillwell D. Psychological targeting as an effective approach to digital mass persuasion // Proceedings of the National Academy of Sciences U.S.A. 2017. V. 114. P. 12714–12719.

36. Matz S., Kosinski M., Stillwell D. Nave G. Psychological framing as an effective approach to real-life persuasive communication / Eds. A. Gneezy, V. Griskevicius, P. Williams. Advances in Consumer Research. V. 45. Association for Consumer Research, Duluth, MN. 2017. P. 276−281.

37. Mohr D.C., Zhang M., Schueller S.M. Personal sensing: understanding mental health using ubiquitous sensors and machine learning // Annual review of clinical psychology. 2017. V. 13. P. 23–47.

38. Orji К. The Impact of cultural differences on the persuasiveness of influence strategies // Adjunt proceedings of the 11th iternational conference on Persuasive Technology. 2016. P. 38–41.

39. Parrish Jr, J.L., Bailey J.L., Courtney J.F. A personality based model for determining susceptibility to phishing attacks // Decision Sciences Institute. 2009. P. 285–296.

40. Raynauld V., Turcotte A. “Different strokes for different folks”: implications of voter micro-targeting and appeal in the age of Donald Trump // Political Marketing in the 2016 U.S. Presidential Election / Ed.: Gillies, J.. Palgrave Macmillan, Cham. 2018. P. 11–28.

41. Ringbeck D., Seeberger D., Huchzermeier A. Toward personalized online shopping: Predicting personality traits based on online shopping behavior // SSRN. 2019. URL: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3406297 (дата обращения: 15.02.2020).

42. Saeb S., Lattie E., Schueller S.M., Kording K., Mohr D.C. The relationship between mobile phone location sensor data and depressive symptom severity // PeerJ. 2016. V. 4. P. 2537.

43. San Pedro J., Proserpio D., Oliver N. Mobiscore: towards universal credit scoring from mobile phone data // International Conference on User Modeling, Adaptation, and Personalization. Springer. 2015. P. 195–207.

44. Sartonen M., Simola P., Timonen J., Lovén L. Cyber personalities as a target audience // European Conference on Cyber Warfare and Security. 2017. P. 411-418.

45. Stachl, C., Au, Q., Schoedel, R., Buschek, D., Völkel, S., Schuwerk, T., Bühner, M. Behavioral patterns in smartphone usage predict big five personality traits // PsyArXiv. 2019. URL: https://psyarxiv.com/ks4vd/ (дата обращения: 15.02.2020).

46. Tschiatschek S., Singla A., Rodriguez M., Merchant A., Krause A. Fake news detection in social networks via crowd signals // Companion Proceedings of The Web Conference. 2018. P. 517–524.

47. Updegraff J.A., Rothman A.J. Health message framing: moderators, mediators, and mysteries // Social and Personality Psychology Compass. 2013. V. 7. P. 668–679.

48. Wendlandt, L., Mihalcea, R., Boyd, R.L., Pennebaker, J.W. Multimodal analysis and prediction of latent user dimensions // International Conference on Social Informatics. Springer. 2017. P. 323–340. URL: http://web.eecs.umich.edu/~mihalcea/papers/wendlandt.socinfo17.pdf (дата обращения: 15.02.2020).

49. Wilson, S. R. Natural language processing for personal values and human activities University of Michigan. 2019. URL: https://deepblue.lib.umich.edu/bitstream/handle/2027.42/150025/steverw_1.pdf?sequence=1&isAllowed=y (дата обращения: 15.02.2020).

50. Yarkoni, T. Personality in 100,000 words: A large-scale analysis of personality and word use among bloggers // Journal of Research in Personality. 2010. V. 44. P. 363–373.

51. Yarkoni T., Ashar Y.K., Wager T.D. Interactions between donor Agreeableness and recipient characteristics in predicting charitable donation and positive social evaluation // PeerJ. 2015. V. 3. P. e1089. URL: https://peerj.com/articles/1089/ (дата обращения: 15.02.2020).