Боты в подписчиках

Основание определения — работа Varol и соавторов: социальными ботами там названы аккаунты под управлением программ, которые алгоритмически создают содержание и взаимодействуют с другими участниками. Здесь понятие сужено до таких аккаунтов среди подписчиков выбранной страницы. ^[1]

Кратко

Автоматизация описывает способ управления аккаунтом, а накрутка — искусственное увеличение показателей. ^{[1, 3]}
Пустой профиль или необычный ритм действий не устанавливают, кто управляет аккаунтом. ^[1]
Результат исследования Twitter нельзя автоматически переносить на другую платформу и период. ^[1]
Мини-инструмент считает выполненные проверки, а не ботов.

Открыть мини-инструмент к статье → Расчёт идёт в браузере, данные никуда не отправляются.

Происхождение и история термина

Боты-подписчики относятся к более широкому явлению социальных ботов. Обзор Ferrara и соавторов показывает развитие от программ, которые главным образом автоматически публиковали сообщения, к аккаунтам, способным оформлять правдоподобные профили, выбирать собеседников и воспроизводить ритм человеческой активности. Подписка стала одним из способов расширять связи и привлекать внимание. ^[2]

В исследовании Ли, Эоффа и Каверли 60 экспериментальных аккаунтов Twitter регистрировали подписки и другие обращения с 30 декабря 2009 года по 2 августа 2010 года. Из публичной ленты авторы отобрали 120 тысяч сообщений четырёх типов, включая обычный текст, ответы, ссылки и сообщения на популярные темы. Контакт с таким аккаунтом служил поводом для дальнейшего наблюдения, сам по себе он не подтверждал автоматизацию подписчика. Работа вышла в 2011 году. ^[7]

Работа Varol и соавторов 2017 года использовала признаки содержания, связей и времени действий. Авторы проверяли модель на более новых данных и объясняли, что поведение ботов меняется. Поэтому их оценка активных англоязычных аккаунтов Twitter не является готовой оценкой современной аудитории другой платформы. ^[1]

Суть и механизм

В учебном примере программа подписывается на страницу и автоматически реагирует на новые записи. Пользователь видит подписку и действия аккаунта, но способ управления может остаться неизвестным. Если аккаунт служит для уведомлений, его функция отличается от имитации множества заинтересованных читателей. В исследованиях описаны как полезные, так и вредоносные применения социальных ботов. ^{[1, 2]}

При разборе полезно разделять три вопроса: есть ли автоматизация, соответствует ли поведение правилам конкретной платформы и создаёт ли оно ложное представление об аудитории. Это редакционная схема. Например, оплата людям за формальные подписки способна увеличить счётчик без программного управления аккаунтами. Правила X в редакции, открытой 3 ноября 2026 года, запрещают, среди прочего, согласованный обмен взаимодействиями, оплату увеличения метрик и массовые подписки с последующими отписками ради роста своего счётчика. ^[3]

Следовательно, «неактивный подписчик», «бот» и «участник накрутки» — разные предположения. Если человек ничего не публикует, это не доказывает автоматическое управление. Если программа существует, одна подписка не раскрывает договорённости между владельцами аккаунта и страницы.

Виды и классификации

Для ручной работы удобно фиксировать степень установленности автоматизации. Это классификация редакции, а не модель из исследования.

Категория	Что записать
Автоматизация подтверждена	Конкретное основание: например, описание способа работы владельцем или платформой; цель автоматизации оценивается отдельно
Наблюдения требуют объяснения	Есть повторяющееся поведение, но способ управления не установлен
Сведений недостаточно	Доступных данных не хватает для ответа

Отсутствие подозрительных наблюдений тоже не подтверждает человеческое управление. Запись «в выбранном периоде не обнаружено» точнее вывода «ботов нет»: она показывает, где заканчивается наблюдение и начинается предположение.

Как применяется на практике

Ручной разбор помогает изучить необычный рост аудитории и подготовить вопросы к отчёту о продвижении. Сначала задают страницу, период и предмет проверки. Затем сопоставляют изменение счётчика со своим журналом публикаций, рекламных кампаний и внешних упоминаний. Сопоставление организует работу, но не доказывает причину каждой подписки.

Учебная ситуация: за сутки у редакции появилось много новых подписчиков, а в тот же день другой канал сослался на её материал. Проверяющий отмечает это как возможное альтернативное объяснение и сравнивает время упоминания со временем роста. Совпадение ослабляет первоначальное подозрение, но не доказывает качество всей аудитории; несовпадение тоже не устанавливает автоматизацию.

Правила X относятся только к X, их нельзя переносить на Telegram, VK или другую платформу. ^[3] В России при ведении журнала с данными, позволяющими определить людей, нужно учитывать принципы статьи 5 закона № 152-ФЗ: законность и справедливость, заранее определённые цели, соответствующий им объём, точность и ограничение срока хранения. ^[6] Для листа наблюдений ниже имена и адреса профилей не нужны.

Как измерить или проверить

Лист наблюдений за подписчиками содержит шесть вопросов. Первые пять относятся к наблюдениям: необъяснённому скачку, повторяющимся действиям, сходному времени активности, различию между счётчиком подписчиков и просмотрами, а также сведениям об автоматизации. Шестой вопрос проверяет, найдена ли возможная альтернативная причина. Для каждого пункта доступны ответы «не проверено», «проверено: да» и «проверено: нет».

Инструмент считает заполненные пункты: «да» и «нет» одинаково означают, что проверка проведена. Отдельно выводятся число подтверждённых наблюдений среди первых пяти и результат поиска альтернативной причины. Эти числа не образуют балл подозрительности; у пунктов нет весов и диагностического порога.

Учебный расчёт: первые пять ответов — «да», «нет», «не проверено», «да», «не проверено»; шестой — «нет». Проверены четыре пункта из шести, два остались без ответа. Среди первых пяти подтвердились два наблюдения и одно не подтвердилось. При проведённой шестой проверке альтернативная причина не найдена. Знаменатель шесть — это число вопросов листа. В нём нет числа изученных аккаунтов или размера аудитории, поэтому процент ботов вычислить нельзя.

«Составить резюме» обновляет вывод, «Сбросить» возвращает все ответы в исходное состояние. Файл не обращается к соцсетям и не сохраняет ответы в постоянном хранилище. Основания и период наблюдений ведут отдельно.

Ошибки, ограничения и спорные вопросы

Заполнение листа не делает вывод автоматически достоверным. Чтобы проверить классификатор, каждому размеченному аккаунту назначают контрольную метку — принятый для проверки эталонный ответ «бот» или «человек». В исследовании Varol таким эталоном служила ручная разметка профиля, содержания и взаимодействий; разметчики могли ответить «не определено» и согласились между собой не во всех случаях. ^[1]

Ложноположительный результат возникает, когда классификатор называет ботом аккаунт с контрольной меткой «человек»: живого пользователя ошибочно считают ботом. Ложноотрицательный результат — обратная ошибка: аккаунт с меткой «бот» классификатор называет человеческим. У модели Varol были оба вида ошибок на конкретном наборе данных. ^[1] Их частоты не показывают точность редакционного листа.

Предсказательная ценность показывает, насколько результат теста согласуется с контрольной меткой. Положительная предсказательная ценность оценивает вероятность метки «бот» среди аккаунтов, которым тест выдал «бот»; отрицательная — вероятность метки «человек» среди получивших «человек». Например, если тест назвал ботом только один аккаунт и его метка тоже «бот», доля совпадений равна одному из одного, но этого слишком мало, чтобы считать результат надёжным. NIST показывает, что при очень малом числе положительных или отрицательных результатов теста оценка соответствующей предсказательной ценности особенно неопределённа. ^[4]

Если проверяющий намеренно выбирает несколько самых странных профилей, итог описывает эти выбранные случаи. В работе Varol оценка более широкой совокупности опиралась на явно заданный сбор данных, критерии активности, случайный отбор для ручной разметки и проверку ошибок модели. ^[1] Учебный лист не присваивает аккаунтам ответы «бот» или «человек» и не имеет контрольных меток: его шесть ответов лишь фиксируют, какие наблюдения проверены. Поэтому по нему нельзя рассчитать ошибки классификации, предсказательную ценность или долю ботов во всей аудитории.

Правовой аспект

Статья 5 закона № 152-ФЗ открыта 3 ноября 2026 года в редакции от 26.07.2026. Она закрепляет принципы обработки персональных данных, но сама по себе не даёт разрешения собирать любые сведения о подписчиках; применимое основание обработки требует отдельной правовой оценки. ^[6]

Правило Федеральной торговой комиссии США (FTC) действует с 21 октября 2024 года. При продаже или распространении ложных показателей § 465.8(a) учитывает, знал ли продавец об их недостоверности или должен ли был знать и могли ли эти показатели использоваться для существенного искажения влияния или значимости в коммерческих целях. При покупке или ином получении § 465.8(b) требует, чтобы такие показатели действительно существенно искажали влияние или значимость приобретателя в коммерческих целях, а приобретатель знал или должен был знать об их недостоверности. Добровольные подписки реальных людей FTC рассматривает отдельно. Это правило США. ^[5]

Частые вопросы

Пустой профиль обязательно является ботом?

Нет. Пустота описывает доступные сведения, а не способ управления аккаунтом. При недостатке данных корректный результат — неопределённость.

Бот обязательно участвует в накрутке?

Нет. Нужно отдельно установить функцию аккаунта и обстоятельства его использования. Научные работы описывают и полезные применения автоматизации. ^{[1, 2]}

Можно получить точную долю по публичному списку?

Сам по себе публичный список и несколько внешних признаков такой точности не дают. Для переноса вывода на всю аудиторию нужно описать, какие аккаунты доступны, как они выбраны, как получена контрольная метка для каждого проверочного случая и как оценены оба вида ошибок. ^{[1, 4]} Предложенный лист этих задач не решает.

Нужно сразу удалять подозрительные аккаунты?

Лист не принимает такого решения. Он помогает сформулировать вопросы; дальнейшие действия зависят от доказательств, задачи и правил конкретной платформы.

Связанные термины

Источники

Varol, O., Ferrara, E., Davis, C. A., Menczer, F., & Flammini, A. (2017). Online human-bot interactions: Detection, estimation, and characterization. Proceedings of the International AAAI Conference on Web and Social Media, 11(1), 280–289. DOI 10.1609/icwsm.v11i1.14871. Прочитанная авторская версия: https://arxiv.org/pdf/1703.03107 (дата обращения: 03.11.2026). ↑ а б в г д е ж з и к л
Ferrara, E., Varol, O., Davis, C., Menczer, F., & Flammini, A. (2016). The rise of social bots. Communications of the ACM, 59(7), 96–104. DOI 10.1145/2818717. Прочитанная авторская версия: https://arxiv.org/pdf/1407.5225, v4 от 06.03.2017 (дата обращения: 03.11.2026). ↑ а б в
X. (2025, April). Authenticity. X Help Center. https://help.x.com/en/rules-and-policies/authenticity (дата обращения: 03.11.2026). ↑ а б в
Flater, D. W. (2019). Unreliable Evidence in Binary Classification Problems. NIST Technical Note 2044. https://doi.org/10.6028/NIST.TN.2044; полный текст: https://nvlpubs.nist.gov/nistpubs/TechnicalNotes/NIST.TN.2044.pdf (дата обращения: 03.11.2026). ↑ а б
Federal Trade Commission. (2024). Trade Regulation Rule on the Use of Consumer Reviews and Testimonials, 89 Fed. Reg. 68034, § 465.8. https://www.federalregister.gov/documents/2024/08/22/2024-18519/trade-regulation-rule-on-the-use-of-consumer-reviews-and-testimonials. Консолидация: https://www.ecfr.gov/current/title-16/chapter-I/subchapter-D/part-465/section-465.8; пояснение FTC: https://www.ftc.gov/business-guidance/resources/consumer-reviews-testimonials-rule-questions-answers (дата обращения: 03.11.2026; граница eCFR: Title 16 актуален по 29.10.2026). ↑
Российская Федерация. О персональных данных : Федеральный закон от 27.07.2006 № 152-ФЗ : ред. от 26.07.2026, ст. 5 // КонсультантПлюс. URL: https://www.consultant.ru/document/cons_doc_LAW_61801/96fbc469f91f57235cc842a85e0516a99f23dc85/ (дата обращения: 03.11.2026). ↑ а б
Lee, K., Eoff, B. D., & Caverlee, J. (2011). Seven months with the devils: A long-term study of content polluters on Twitter. Proceedings of the International AAAI Conference on Web and Social Media, 5(1), 185–192. https://cdn.aaai.org/ojs/14106/14106-28-17624-1-2-20201228.pdf (дата обращения: 04.11.2026). ↑