Мониторинг упоминаний

Происхождение и история термина

Один из исследовательских корней современного анализа упоминаний — автоматическая обработка оценок в интернете. В работе Peter Turney, представленной на конференции Association for Computational Linguistics в 2002 году, алгоритм определял, рекомендует ли автор отзыва описываемый объект. Программа получала текст отзыва и оценивала сочетания слов, а не просто искала название товара. Это исторический пример перехода от обнаружения документа к извлечению выраженной в нём оценки. ^{[6, с. 417–418]}

В 2014 году David Schweidel и Wendy Moe исследовали уже связь тональности сообщений о бренде и типа площадки, где их разместили. В аннотации авторы сообщают: выводы зависят от места наблюдения, а объединение сообщений без учёта различий площадок способно исказить показатель отношения к бренду. ^[4] Эти два исследования показывают развитие задач анализа: сначала распознать оценку текста, затем учесть, как сформировался набор текстов. Они не устанавливают дату появления русского выражения «мониторинг упоминаний» или единственного автора social listening.

Для практики это различие существенно. Программа может правильно прочитать каждое найденное сообщение, но общий вывод останется ограниченным, если в набор попала только одна часть обсуждения. Поэтому историю метода полезно понимать как развитие способов искать, классифицировать и объяснять сообщения, а не как историю одной кнопки или торгового названия.

Суть и механизм

Разберём учебный пример городского интернет-издания «Маяк города». Все названия, сообщения и числа в нём вымышлены. Редакция хочет за неделю обнаружить вопросы о платной подписке и понять, какие условия читателям непонятны. Это конкретная задача: найти затруднения для проверки, а не измерить отношение всех жителей города к изданию.

Сначала команда задаёт область наблюдения. В примере это результаты поисковых уведомлений, комментарии под десятью выбранными видео редакции и сообщения, доступные через поиск одного выбранного сервера Mastodon. Указываются названия источников, список видео, сервер, язык, даты начала и конца периода и время выгрузки. Другой набор источников означал бы другой исследуемый материал, даже при том же названии бренда.

Возможности способов сбора различаются. Google Alerts присылает письма при появлении новых подходящих результатов поиска; в настройках задаются частота, типы сайтов, язык и регион. ^[1] YouTube Data API, программный интерфейс получения данных, позволяет методом commentThreads.list запрашивать ветки комментариев определённого видео или канала, отбирать их по словам и получать следующие страницы ответа. ^[2] Поиск Mastodon зависит от настройки сервера; документация связывает полнотекстовый поиск сообщений с поисковым серверным компонентом и авторизованным запросом. ^[3] Поэтому перечень источников важнее общей надписи «соцсети» в отчёте.

Затем составляют поисковый запрос — правила, по которым сообщение попадает в предварительный набор. Для «Маяка города» команда проверяет точное название, вариант «МаякГорода», название сайта и известную опечатку. Само слово «маяк» даёт совпадения с навигационными сооружениями и другими организациями. Добавление слова «подписка» сузит поиск, но пропустит сообщение «Оплатил МаякГорода, доступ не появился». Поэтому в примере название ищут шире, а тему подписки отмечают уже при разборе.

Формулировка «название ИЛИ его вариант» здесь описывает логику отбора, а не готовую команду для всех площадок. Её переводят в поддерживаемые конкретным источником параметры. Сохраняют и версию правил: если после вторника добавили опечатку, рост результатов в среду сначала проверяют на изменение поиска. Иначе исправление запроса легко принять за рост интереса аудитории.

Для каждого результата создают карточку: ссылка или идентификатор сообщения, источник, время публикации и обнаружения, текст для разбора, признак соответствия объекту, тема, тональность и связь с повторами. Эта схема — предлагаемая редакционная методика. Она позволяет восстановить путь от исходного сообщения до итогового числа и исправить ошибку, не пересобирая весь отчёт по памяти.

Виды и классификации

Ниже приведено рабочее деление задач, а не обязательный отраслевой стандарт. В зависимости от цели одно сообщение рассматривают по-разному.

В учебном кейсе сообщение «У Маяка города непонятна отмена подписки, но новости отличные» относится сразу к условиям подписки и к качеству материалов. Для темы допускают несколько меток. Для общей оценки редакция заранее вводит отдельную категорию «смешанная», чтобы не превращать два разных суждения в одно отрицательное. Если задача — найти проблемы подписки, первая часть всё равно попадёт в соответствующую группу.

В пределах этого учебного проекта разграничим соседние задачи. Если команда захочет сравнить условия подписки «Маяка города» и другого издания, она создаст отдельное задание о конкурентах: изменятся объект поиска и вопросы к сообщениям. Если потребуется узнать мнение всех подписчиков, нынешний набор комментариев такого ответа не даст: в нём нет данных о тех, кто ничего не написал. Для отчёта о реакциях на конкретный пост команда отдельно соберёт выбранные ею показатели, например число комментариев; число упоминаний из разных источников не подставляется вместо них. Это рабочие границы нашего кейса, а не общие определения мониторинга конкурентов, маркетингового исследования или вовлечённости.

Как применяется на практике

После сбора команда «Маяка города» проверяет релевантность — относится ли результат к нужному объекту и задаче. За неделю получено 120 разных сообщений после удаления повторных загрузок одного и того же идентификатора. Из них 24 оказались о других «Маяках», а 96 — о нужном издании. Среди релевантных сообщений обнаружены 16 дословных перепечаток других сообщений из этого же набора. Для разбора содержания их объединяют с оригиналами; остаётся 80 текстовых групп.

Здесь нужно различать два вида повторов. Повторная загрузка того же комментария не создаёт новую публикацию. Перепечатка по другому адресу — отдельная публикация, важная для распространения, но не обязательно новая оценка. В примере команда сохраняет обе величины: 96 релевантных публикаций и 80 групп содержания. Если удалить перепечатки без следа, нельзя будет восстановить распространение; если считать их независимыми отзывами, одна исходная жалоба получит избыточный вес.

В нашем расчёте единицей наблюдения назовём объект, которому соответствует одна строка данных и который входит в знаменатель показателя. Сначала это отдельная публикация с собственным идентификатором; после объединения повторов для содержательного анализа — группа текстов. Несколько разных сообщений одного автора здесь остаются отдельными группами. Следовательно, 80 групп не означают ни 80 человек, ни 80 клиентов. Это заранее выбранное правило учебного кейса, а не способ надёжно установить личности.

Редактор читает сообщения о подписке и выделяет три темы: доступ после оплаты, отмена продления и состав платных материалов. Он передаёт примеры сотруднику, который проверяет условия и работу доступа. Само сообщение ещё не доказывает технический сбой: читатель мог описать другой продукт, неверно понять условие или столкнуться с отдельной ошибкой. Решение проверить проблему опирается на сигнал; подтверждение требует проверки самой ситуации.

Такой процесс можно использовать в российской редакции с учётом применимого права и в международной команде с другим составом источников. Приведённые способы Google, YouTube и Mastodon показывают технические варианты международных платформ. ^{[1, 2, 3]} Здесь не предполагается, что они заменяют поиск на российских площадках: выбранный учебный набор специально ограничен и должен быть прямо назван в выводах.

Как измерить или проверить

Для качества поиска полезно разделить точность и полноту. В учебнике Manning, Raghavan и Schütze точность — доля релевантных документов среди найденных, а полнота — доля найденных среди всех релевантных документов рассматриваемого набора. ^[7] В учебном наборе проверены все 120 сообщений до объединения перепечаток. Из них подходят 96, поэтому:

Здесь (P) — точность, (R) — число релевантных найденных сообщений, (F) — число всех найденных сообщений. Расчёт означает, что каждые четыре результата из пяти соответствовали объекту. О полноте он ничего не говорит: за пределами поиска могли остаться другие нужные сообщения.

Для проверки полноты команда заранее вручную сохраняет контрольный набор из 50 известных релевантных публикаций в тех же выбранных источниках за ту же неделю. Этот набор составлен отдельно от результатов проверяемого запроса. Запрос находит 40 из них:

Здесь (C) — полнота внутри контрольного набора, (H) — число найденных контрольных публикаций, (K) — размер контрольного набора. Команда разбирает десять пропусков: например, какие варианты названия или условия доступа помешали поиску. Контрольные 50 публикаций не представляют весь интернет, поэтому показатель нельзя назвать «найдено 80% всех упоминаний». После настройки запроса качество проверяют на другом контрольном наборе: прежние примеры уже участвовали в настройке.

Затем оценивают содержание 80 групп. В учебной ручной разметке получилось 20 отрицательных, 30 положительных, 20 нейтральных, 5 смешанных и 5 неясных. Нейтральное сообщение не содержит оценки выбранного объекта; в неясном контекста недостаточно для решения. При знаменателе всех 80 групп доля отрицательных равна:

Здесь (N) — отрицательные группы, (U) — все релевантные группы после объединения повторов. Если исключить десять смешанных и неясных групп, получится 20 из 70, около 28,6%. Это другой показатель. Для сравнения недель выбирают одно правило знаменателя и показывают, сколько сообщений осталось спорными.

Наконец, проверяют автоматическую разметку. На тех же 80 группах программа отметила 24 отрицательных, из которых ручная проверка подтвердила 16. Ещё четыре отрицательных группы программа пропустила. Точность её отрицательной метки равна 16/24, около 66,7%; полнота обнаружения отрицательных относительно ручной разметки — 16/20, или 80%. Такое применение точности и полноты к двум классам соответствует разбору в учебнике. ^[7] Это два результата конкретной учебной проверки, а не общая точность программы. Восемь ложных тревог и четыре пропуска стоит разобрать по текстам.

Ручные метки тоже нуждаются в правилах. В предлагаемой процедуре два сотрудника независимо размечают спорные примеры, затем сравнивают решения. Если они расходятся, уточняют инструкцию и сохраняют причину итоговой метки. Такое согласование создаёт проверяемый эталон для данного задания, но не превращает человеческую оценку в бесспорную истину.

Ошибки, ограничения и спорные вопросы

Тональность — оценка определённого объекта, а не настроение всех слов в тексте. В учебной фразе «Какой ужас случился на дороге — спасибо Маяку города за проверенную информацию» отрицательное событие соседствует с положительной оценкой издания. Сообщение «Ну да, доступ работает прекрасно, уже третий день не могу войти» требует распознавания иронии. Поэтому команда хранит ссылку и соседний контекст, а сомнительный результат отправляет на разбор. Значение контекста видно и в исторической работе Turney: одно прилагательное может оцениваться по-разному в отзывах о разных объектах. ^{[6, с. 418]}

Другая ошибка — переносить вывод с корпуса сообщений на всё население. Schweidel и Moe связывают показатели тональности с выбором площадок. ^[4] Если в следующую неделю добавить форум жалоб, доля отрицательных групп может измениться из-за нового источника. Перед сравнением проверяют перечень площадок, период, запрос, доступность и правила очистки. Если условия изменились, отдельно показывают сопоставимую часть данных.

Пропуски также имеют разные причины. YouTube документирует ошибки при отключённых комментариях или недостаточных правах, а Mastodon — зависимость результатов от настройки сервера. ^{[2, 3]} В журнале сбора стоит различать «успешный запрос без совпадений» и «получить данные не удалось». Ноль в первом случае и неизвестное значение во втором имеют разный смысл. Поисковое уведомление Google относится к найденным результатам поиска, а не служит переписью всех опубликованных сообщений. ^[1]

Наконец, мониторинг сам по себе не устанавливает причинный эффект. Допустим, редакция исправила объяснение подписки, после чего жалоб стало меньше. В этом учебном наблюдении одновременно могли измениться число покупателей, состав площадок или доступность комментариев. Корректный вывод: в выбранном наборе после изменения обнаружено меньше жалоб. Чтобы утверждать, что именно новый текст вызвал снижение, понадобится отдельный план проверки причинного объяснения.

Правовой аспект

Если российский проект обрабатывает персональные данные авторов, цель сбора и состав сведений оценивают по закону № 152-ФЗ. В действующем на 21.10.2026 тексте, в редакции от 26.07.2026, статья 5, части 2, 4 и 5, требует заранее определить законные цели и соотнести с ними состав и объём данных. Часть 7 ограничивает срок хранения сведений в форме, позволяющей определить человека, целями обработки; исключения могут следовать из федерального закона или указанного в этой части договора. По достижении целей либо утрате необходимости данные подлежат уничтожению или обезличиванию, если закон не предусматривает иного. ^[5] В учебном отчёте о темах подписки сбор телефонов авторов без обоснованной необходимости не следует из самой исследовательской задачи. Это применение принципа к вымышленному заданию, а не заключение о законности реального проекта.

Цель и минимальный объём данных не заменяют правового основания: условия допустимости обработки перечислены в статье 6, части 1, того же закона. Пункт 8 этой части предусматривает обработку для профессиональной деятельности журналиста или законной деятельности СМИ при соблюдении прав и законных интересов человека. ^[5] Он не означает автоматического разрешения на любой сбор данных редакцией. Из требований статьи 6 следует, что и для публично видимого сообщения нужно установить применимое основание обработки; одной видимости для такого вывода недостаточно. ^[5] Конкретную схему сбора, доступа и хранения оценивают отдельно с юристом.

Используемые принципы статьи 5 и журналистское основание пункта 8 части 1 статьи 6 изложены в редакции закона № 261-ФЗ от 25.07.2011. Этот изменяющий закон связывает вступление в силу с официальным опубликованием и распространяет положения на отношения, возникшие с 01.07.2011. ^[8] Дата редакции всего № 152-ФЗ не означает, что каждое его положение введено в этот день. В частности, закон № 265-ФЗ от 26.07.2026 меняет статью 12, а его отложенная до 01.09.2027 статья 2 касается другого закона — о статусе столицы. Эти поправки нельзя подставлять вместо используемого текста статей 5 и 6. ^[9]

Частые вопросы

Связанные термины

• Мониторинг конкурентов
• Репутация бренда
• Работа с негативом
• Вовлечённость
• Персональные данные
• Маркетинговое исследование