Введение

Исследование индивидуальных различий в значении слова относится к одной из фундаментальных задач психолингвистики и психосемантики. Указанная проблема требует привлечения экспериментальных данных и комплекса исследовательских методов, ведущими из которых являются ассоциативный эксперимент в различных его видах и методы семантического шкалирования. Несмотря на большое число исследований в данной области и значительные теоретические достижения, существует и ряд проблем методологического характера, решение которых, в том числе с использованием современных методов автоматической обработки текстов (NLP) и информационных технологий в целом, способствовало бы дальнейшему прогрессу исследований в области изучения особенностей индивидуального значения слова.

Во-первых, общедоступные базы данных ассоциаций, как правило (см. подробнее: Литвинова и др., 2022), не дают возможности исследовать значение слова на индивидуальном уровне, поскольку содержат агрегированные данные об ассоциативном значении слова (агрегация проводится на уровне слова-стимула либо – реже – на уровне групповых характеристик респондентов). Между тем на необходимость создания индивидуального словаря ассоциаций указывал еще Ю. Н. Караулов в работе 1993 года (Караулов, Коробова, 1993). Е. И. Горошко в работе 2001 года отмечает, что индивидуальное ассоциативное поведение очень редко выступает предметом исследовательского внимания (Горошко, 2001). В работе 2022 года (Wulff et al., 2022) содержится описание датасета (проект My Small World of Words) индивидуальных ассоциативных реакций 8 респондентов, при этом указывается на уникальность такого датасета; очевидно, создание подобных наборов данных является актуальной, но крайне трудоемкой исследовательской задачей (см. подробнее об этом: Литвинова, Любова, 2023).

Кроме того, имеющиеся базы данных ассоциаций, как правило, не позволяют оценивать влияние эмоционального состояния, психологических особенностей человека и т.д. на характер продуцируемых им ассоциаций. Как представляется, создание актуальных (то есть периодически обновляемых) баз данных ассоциаций в рамках концепции гражданской науки, в том числе с использованием мобильных приложений с элементами геймификации, является перспективным направлением дальнейших исследований в данной области, учитывая наблюдающийся интерес интернет-пользователей к словесным онлайн-играм (отметим, что название браузерной игры-головоломки Wordle стало самым популярным запросом в Google в 2022 году[1]).

Следует отметить, что исследование вербальных ассоциаций осложняется и отсутствием общепринятой классификации ассоциативных реакций (см. подробнее об этом: Степыкин и др., 2023). Кроме того, предложенные методики анализа ассоциативных данных трудоемки и связаны с «субъективной интерпретации зафиксированных наборов ассоциаций самим исследователем» (Горошко, 2001), а также со значительными временными затратами.

В связи с указанными обстоятельствами в работах последних лет (преимущественно англоязычных) для исследования вербальных ассоциаций все чаще привлекаются ресурсы и инструментарий компьютерной лингвистики (см. обзор: Litvinova et al., 2023), в частности данных дистрибутивных семантических моделей разных типов и методов извлечения информации из них.

Дистрибутивные семантические модели (эмбеддинги слов, Word embeddings, далее также – ДСМ, языковая модель) опираются на связи между словом и его языковым окружением (Ellis, 2019; Lenci, 2018). ДСМ, как правило, обучаются на больших данных – многомиллионных корпусах текстов. В процессе обучения модели накапливают данные о взаимоотношениях слов. Даже если слова не употребляются вместе, но используются в близких контекстах, считается, что они имеют схожие значения. ДСМ воспроизводят репрезентации значения слов в ментальном лексиконе, поскольку они реконструируют их на основе данных об их реальном употреблении в дискурсах разных типов. Отмечается, что ДСМ являются ценным материалом для исследования человеческого мышления и социолингвистических аспектов использования языка (см. подробнее: Arseniev-Koehler, Foster, 2022).

Учеными предпринимались многочисленные попытки параметризированного описания семантики слова на основе ДСМ. Для настоящего исследования особенно ценной является работа , в которой было показано, что из ДСМ возможно извлечь близкие к «человеческим» оценки слов по аффективным параметрам значения, традиционно выделяемым в англоязычных работах по семасиологии: оценка (valence или pleasantness), возбуждение (arousal; интенсивность эмоции, вызванной стимулом) и доминантность (dominance; степень контроля, проявляемая стимулом), что позволяет «автоматизировать» процесс семантического шкалирования и таким образом получить оценки большого числа слов (в отличие от традиционных психолингвистических экспериментов). Указанные измерения в целом соответствуют факторам, выделенным Ч.Осгудом – создателем метода семантического дифференциала. Однако названными измерениями не ограничивается состав семантических признаков, которые можно извлечь из ДСМ, как правило, содержащих несколько сот измерений.

Разработанные к настоящему времени методы компьютерной семантики позволяют извлекать из ДСМ, обученных на многомиллионных корпусах текстов, ценную информацию, с помощью которой возможно реконструировать представления человека о тех или иных объектах и понятиях ( ., 2022), в том числе в динамике (), обнаруживать неосознаваемые и явные ассоциации и представления (в том числе стереотипы), которые ранее возможно было выявлять только с использованием имплицитного ассоциативного теста (Garg  ., 2018;  ., 2019), и устанавливать степень семантической связи текста с тем или иным концептом, даже если он напрямую не называется в тексте (, , 2019).

Вследствие сказанного методы компьютерной семантики стали активно использоваться в социологических и культурологических работах, рассматривающих текст как источник данных (концепция texts as data, см. обзор:Matsui, Ferrara, 2022). Однако применительно к результатам ассоциативного эксперимента, их описанию и интерпретации подобные методы, несмотря на их широкое распространение в других областях, до настоящего времени, насколько нам известно, не применялись.

Целью настоящей работы является исследование индивидуальных различий в значении слов русского языка, важных для русского языкового сознания, с использованием методов компьютерной семантики, позволяющих получать оценки слов по шкалам семантического дифференциала, и анализ влияния психологических характеристик и эмоционального состояния респондентов на особенности ассоциативного значения слов, представленного в виде таких оценок.

Вслед за В. П. Серкиным под значением слова мы понимаем образующую сознания, которая является «субъективной формой отражения индивидуального и общественно-исторического опыта, приобретенного в процессе личной истории индивидуальных и совместных деятельностей» (Серкин, 2008: 98), что указывает на наличие в значении слова как уникальной, индивидуальной, составляющей, так и связанной с групповыми характеристиками респондентов компоненты.

Новизна исследования определяется следующими обстоятельствами. Во-первых, нами предложен новый метод исследования индивидуальной семантики, основанный на объединении двух ведущих традиционных психолингвистических методов исследования индивидуального значения слова - ассоциативного эксперимента и семантического шкалирования - и методов компьютерной семантики. Во-вторых, впервые предложен автоматический метод получения оценок ассоциативного значения слова по шкалам семантического дифференциала. В-третьих, впервые с использованием методов многомерного анализа данных (в том числе продвинутых методов анализа, таких как кластерный анализ на главных компонентах) оценена степень выраженности индивидуальных различий в семантике слов, важных для русского языкового сознания, в зависимости от индивидуально-психологических характеристик респондентов.

В работе используется созданный авторским коллективом датасет, специально предназначенный для исследования индивидуальных различий в семантике слов: ассоциативные реакции представлены в нем в неагрегированном формате и сопровождаются обезличенными данными о респонденте (пол, возраст, результаты психологического тестирования).

Наша работа следует принципам открытой науки: датасет и код для воспроизведения результатов открыты для исследователей[2]. Все расчеты выполнены на языке R.

1. Обзор литературы

1.1. Семантический дифференциал как метод исследования психологически реального значения слова в психосемантике и других дисциплинах

Одним из ведущих методов исследования значения слова в психосемантике, которая представляет собой совокупность «методологических подходов, моделей, методов, методик и результатов исследований психологического содержания (индивидуальных и групповых) значений и систем значений» (Серкин, 2008: 11–12), является метод семантического дифференциала (далее также – СД), предложенный Ч. Осгудом (Osgood et al., 1957).

Метод СД позволяет изучать значение стимула (не только слова, но и стимулов других модальностей) во множестве измерений и представляет собой комбинацию ассоциативного эксперимента и процедур семантического шкалирования тех или иных стимулов с помощью шкал-антонимов естественного языка (Серкин, 2008). Как и ассоциативный эксперимент, СД исследует коннотативную часть значения, понимаемую как «комплекс контекстуальных ассоциаций» (там же: 54). Именно условия деятельности и опыт, составляющие в совокупности индивидуальный деятельностный контекст значения, и определяют индивидуальность ассоциаций и оценок (там же).

В работах Ч. Осгуда была доказана перспективность рассмотрения семантики слова как многомерного пространства, в котором семантические различия слов преимущественно определяются различиями по аффективным измерениям. Ключевым выводом, полученным с использованием данного метода в работах Ч. Осгуда, является вывод о том, что большая часть вариации оценок стимулов по шкалам СД может быть объяснена тремя ортогональными (то есть независимыми друг от друга) факторами: оценки, силы и активности, что согласуется с теорией управления эмоциями (affect control theory), согласно которой люди интерпретируют события и ведут себя с учетом культурно обусловленных смыслов, определяемых такими измерениями, как evaluation, potency и activity (EPA) (см. также: Schröder et al., 2016).

Работа Ч. Осгуда и соавторов (Osgood et al., 1957) неоднократно цитировалась в качестве доказательства низкой размерности значения слова (то есть того, что все многообразие значения слова может быть описано тремя измерениями), однако подобное утверждение не совсем верно. В более поздней работе (Osgood, 1969) исследователь подчеркивал, что СД отражает именно аффективные компоненты значения, которым, как известно, значение слова не ограничивается, – денотативные компоненты значения описываются другими параметрами. Подобное утверждение согласуется с полученными в компьютерной семантике результатами, согласно которым ДСМ кодируют компоненты значения, соответствующие современным представлениям о нейробиологически обусловленной структуре значения (Utsumi, 2018).

Результаты, полученные с использованием СД, дают возможность формализованного описания индивидуальных различий в значении слов, поскольку слово-стимул представляется как вектор в многомерном семантическом пространстве. Лингвисты, применяющие методику СД, «открывают» ранее не известные аспекты (коннотативного) значения, которое может быть выявлено и описано не только у эмоционально окрашенных слов, но и у традиционно относимых к нейтральным: «По-видимому, это связано с тем, что человек оценивает все явления, с которыми он сталкивается, отнюдь "не бесстрастно", поэтому эмоциональную окраску получают все слова, "пропущенные" через его сознание и опыт» (Глухов, 2005: 301).

Как отмечают исследователи, метод СД, «несмотря на критику исходных теоретических положений Ч. Осгуда, широко используется в практике современных лингвистических, психолингвистических и психологических исследований» (Новиков, Новикова, 2011: 70), в социологических работах (Сикевич, 2016) и др. Так, в БД Scopus поисковый запрос semantic differential в поле «Название статьи, реферат ключевые слова» выдает 5324 документа, при этом наблюдается устойчивый интерес ученых к данному методу (за последние 10 лет в год публикуется около 150 статей, соответствующих указанному поисковому запросу). Большая часть изданий, публикующих данные работы (1708), относится к предметной области «Психология», на втором месте – «Общественные науки» (1501), на третьем – «Медицина» (1431). Издания, публикующие работы по разделам гуманитарных наук (куда входит и лингвистика), выпустили 640 работ, использующих методику СД.

Таким образом, методика СД является активно используемым инструментом современных исследований, применяющимся в разных областях знаний, и одним из ведущих методов исследования психологически реального значения слова.

Как и любой метод работы с респондентами, СД связан с определенными ограничениями, связанными прежде всего с ограничением по числу респондентов, оцениваемых стимулов и шкал. Кроме того, при использовании данного метода, как правило, производится сравнение ответов респондентов в рамках эксперимента, тогда как продуктивным было бы также сравнение ответов респондентов с некоторым базовым, общим уровнем. В качестве такого уровня могут выступать данные языковых моделей, обученных на многомиллионных корпусах текстов, которые могут служить в качестве универсальной базы знаний, отражающей структуру ментального лексикона носителя того или иного языка. Сравнение оценок респондентов по шкалам СД с оценками, полученными на основе ДСМ, может существенно расширить возможности СД как метода.

1.2. Семантическое шкалирование с использованием методов компьютерной семантики

В настоящее время развитие методов компьютерной семантики позволяет получить оценки отдельных слов и текстов, отражающие их положение на любых антонимических шкалах (при условии, что слова-антонимы присутствуют в ДСМ), то есть автоматизировать процедуру семантического шкалирования.

Одной из первых работ, в которых на основе ДСМ были получены оценки текстов по культурно значимым бинарным оппозициям, стала работа «Geometry of Culture» (Kozlowski et al., 2019) (на данный момент имеет более 200 цитирований в БД Scopus). Ее авторы предложили новый подход, связанный с использованием ДСМ в социологическом анализе культуры и позволяющий конструировать культурные измерения, задаваемые путем операции вычитания векторов слов в ДСМ («бедный – богатый», «красивый – уродливый», «старый – новый» и т.д.). Под культурными измерениями (cultural dimensions) понимаются параметры, которые люди используют в повседневной жизни для классификации акторов и объектов в мире (Там же: 911). Авторы цитируемой работы указывают, что проекции слов на подобные измерения отражают их частотные ассоциации (как неосознаваемые, так и регистрируемые в ходе соцопросов), присущие представителям той или иной культуры. Например, проецируя на измерение «благосостояние» названия профессий, можно обнаружить, что традиционно хорошо оплачиваемые профессии, такие как банкир и юрист, располагаются на одном конце шкалы, тогда как плохо оплачиваемые (няня, плотник – все примеры взяты из цитируемой статьи) – на другом. Авторы статьи объясняют подобное обстоятельство тем, что контексты, в которых используется слово «банкир», часто содержат слова с семой «богатый», а няня – слова с семой «бедный». Проанализировав тексты миллионов книг, опубликованных более чем за 100-летний период, с использованием описанного метода, Kozlowski с соавторами сделали важные выводы об изменениях в коллективных представлениях о социальных классах в США, происходивших на протяжении XX века.

В другой известной работе, связанной с выявлением стереотипов в текстах (Caliskan et al., 2017), было показано, что позиция вектора слова на шкалах «Гендер» и «Раса» тесно связана с ассоциациями, выявленными с использованием имплицитного ассоциативного теста (Greenwald et al., 1998), и отражает негативные расовые и гендерные стереотипы, присутствующие в текстах в неявном виде. Названная работа убедительно показала перспективность использования ДСМ для исследования культурных коннотаций концептов.

M. A. Taylor и D. S. Stoltz (2021) модернизировали метод Concept Movers Distance (Stoltz, Taylor, 2019), с помощью которого возможно получать количественные оценки выраженности в тексте того или иного понятия (даже если самих слов, выражающих исследуемые понятия, в тексте нет) на основе ДСМ, специально для случая бинарных шкал и реализовали его в библиотеке R text2map (Stoltz, Taylor, 2022).

Используя разработанный метод, M. A. Taylor и D. S. Stoltz (2021) продемонстрировали, что число смертей в пьесах Шекспира имело положительную статистически значимую связь с оценкой пьес по бинарной шкале «Смерть – жизнь», но подобной связи не было установлено для шкал, определенных только одним словом данной антонимической пары.

Благодаря тому, что предложенный авторами метод реализован в библиотеке на языке R, другие исследователи также стали использовать его для решения разнообразных задач, связанных с анализом текстов. Так, в работе Voyer et al. (2022) на материале исторического корпуса текстов, описывающих социальные нормы, были исследованы изменения оценок по шкале «Strange – Normal», вычисленные для фрагментов текстов, в которых говорится об основных группах мигрантов в США, в зависимости от года создания текста, и выявлены временные характеристики и траектории подобных изменений для каждой из исследуемых групп.

В работе S. Daenekindt и J. Schaap (2022) данный метод использовался для исследования семантических изменений в дискурсе о популярной музыке по шкале «Гендер» за 20-летний период. Был проанализирован корпус из более чем 20000 текстов музыкальных обзоров, и установлено смещение оценок с течением времени в сторону «женского» полюса шкалы.

Таким образом, в компьютерной семантике разработаны и успешно апробированы методы, позволяющие извлекать из текстов оценки их семантической близости к тому или иному полюсу бинарной шкалы (даже в случае отсутствия в текстах соответствующих слов-антонимов) на основе информации, закодированной в ДСМ. Насколько нам известно, подобные методы ранее не применялись по отношению к ассоциативным реакциям, за исключением нашего пилотного исследования (Литвинова и др., 2023), в котором мы рассматривали три шкалы семантического дифференциала и анализировали связь оценок ассоциативного значения слова по данным шкалам, рассчитанным  автоматически, с психологическими особенностями респондентов.

1.3. Влияние психологических характеристик и эмоционального состояния индивида на ассоциативное значение слова

Влияние эмоций на результаты ассоциативного эксперимента рассматривалось в «громадном количестве исследований» (Горошко, 2001), а сам ассоциативный эксперимент может быть использован как психодиагностическая методика. Наиболее изучены особенности протекания процесса ассоциирования в состоянии эмоциональной напряженности, стресса, аффекта. В работах, выполненных на русскоязычном материале (см. их обзор, а также результаты собственных исследований автора в монографии (Горошко, 2001)), отмечается смысловая связь ассоциативных реакций с контекстом ситуации стресса, их повышенная оценочность, увеличение  стереотипности реакций, количества отрицательно окрашенных реакций и отказов от реагирования вообще. В работе (Schmolling, 1978) говорится о противоречивости данных о влиянии стресса на характер ассоциаций, полученных на англоязычном материале, что связывается с методологическими различиями в исследованиях, затрудняющими сопоставление результатов. В самой названной работе было показано, что в ситуации стресса (в сравнении с нормой) снижается число частотных реакций, однако подобный эффект не проявлялся для слов, одинаковые ассоциаты к которым были даны более чем 60% респондентов (то есть стимулов с сильной ассоциативной связью с реакциями). Был сделан вывод о том, что уменьшение числа частотных ассоциативных реакций у слов-стимулов, имеющих слабую либо умеренную связь с ассоциатами, является типичной реакцией на стресс.

Работа Isen et al. (1985) стала одним из первых исследований, посвященных анализу влияния позитивного аффекта на частотность ассоциативных реакций (на данный момент статья имеет более 600 цитирований в Scopus и 1500 цитирований в Google Scholar). В исследовании было показано, что респонденты в состоянии позитивного аффекта давали больше необычных ассоциативных реакций на эмоционально нейтральные слова, чем в обычном состоянии. Отметим, что в данной работе, наряду с аффектом, рассматривалось влияние эмоциональной оценочности стимула на характер ассоциативных реакций,  и было показано, что реакции на положительно окрашенные слова более разнообразны и менее стереотипны,  чем реакции на стимулы с нейтральной и отрицательной эмоциональной окраской.

В работе (Lukavsky, 2004) описаны результаты эксперимента, в ходе которого респондентам предлагалось не только продуцицировать ассоциации, но и оценить валентность слова-стимула. Была установлена тенденция респондентов оценивать нейтральные слова как позитивные. Автор указанной работы связывает данное наблюдение с контрастом между негативными и нейтральными словами, который воспринимается как более значительный, нежели контраст между позитивными и нейтральными словами. Участники эксперимента, страдающие маниями и зависимостями, воспринимали нейтральные слова как еще более позитивные, чем респонденты в контрольной выборке. Напротив, страдающие тревожными и депрессивными расстройствами, а также респонденты с расстройствами личности воспринимали нейтральные слова как более негативные. Восприятие лиц, страдающих шизофренией, отличалось от всех остальных групп, однако общего тренда установить не удалось. Цитируемая работа ценна для нас тем, что в ней указывается на важность дополнения ассоциативного эксперимента данными о субъективных оценках эмоциональной окрашенности слов-стимулов.

Таким образом, как показал анализ соответствующих работ, при исследовании влияния эмоционального состояния индивида на характер продуцируемых им ассоциативных реакций необходимо учитывать множество факторов, в том числе характеристики самого слова-стимула (его эмоциональную окрашенность, силу связи с ассоциатами) и психологические особенности респондентов.

Кроме того, как отмечается самими исследователями, работающими в данной предметной области, сравнение описанных в различных работах результатов затруднено вследствие сложности самой проблемы: существуют различные подходы к пониманию термина «эмоция», отсутствуют общепринятые классификации эмоций. Продуктивной представляется комплексная оценка эмоционального состояния респондента по набору теоретически обоснованных шкал. Е. И. Горошко предлагает использовать для подобных исследований «в качестве некоторой обобщающей концепции по теории эмоций» (Горошко, 2001) концепцию теории дифференциальных эмоций Томкинса, основываясь на которой К. Изард выделила 10 базовых эмоций, которые определяют компонентный состав разнообразных проявлений эмоциональной жизни (интерес, радость,  удивление,  горе,  гнев,  отвращение, презрение, страх, стыд, вина). В рамках данной теории эмоции рассматриваются как элементы системы, которые могут противопоставляться друг либо же находиться в иерархических отношениях (см. подробнее о данной классификации с описанием каждой эмоции в работе (Зуева, 2006)).

Мало исследованной является проблема влияния устойчивых личностных характеристик информантов на результаты ассоциативного эксперимента. В англоязычных работах большое внимание уделяется анализу влияния такой характеристики, как креативность, на характер ассоциативных реакций (см., например, работу Merseal et al. (2023), выполненную на основе данных, собранных в ходе масштабного проекта Big-C Project, посвященного исследованию креативности, в том числе путем сравнительного анализа ассоциативной продукции известных представителей творческих профессий, ученых и рядовых носителей языка), при этом преимущественно исследуется уровень стереотипности/необычности реакций (в работах последних лет, в том числе в процитированной выше, – с использованием данных ДСМ).

В ряде работ указывается на связь отдельных психологических характеристик информантов и особенностей ассоциирования. Так, на связь оценок респондентов по шкалам «Экстраверсия/Интроверсия», «Торможение/Импульсивность» со временем реакции, числом частотных реакций указывается в работе (Eberhard & Owens, 1975). T. Merten отмечает положительную корреляцию между выраженностью психотизма и числом уникальных ассоциативных реакций в различных условиях проведения ассоциативного эксперимента (Merten, 1993). В названных работах, а также в исследовании (Innes, 1972) отмечается, что сравнение полученных результатов затруднено вследствие использования разных инструментов оценки психологических характеристик респондентов и опоре на разные теоретические концепции.

Как и в случае с эмоциями, продуктивным представляется исследование комплекса личностных характеристик, составляющих систему. Одной из наиболее влиятельных и широко используемых теоретических моделей личности человека является «Большая Пятерка» («The Big Five»). Данная модель состоит из следующих черт личности: экстраверсия, доброжелательность, добросовестность, нейротизм (другое название – негативная эмоциональность) и открытость опыту. Валидность модели была подтверждена и на российской популяции, разработаны инструменты для оценки выраженности черт большой пятерки у русскоязычных респондентов (см. подробнее о модели и русскоязычных тестах: Калугин и др., 2021).

Данная модель является наиболее часто используемой в современных работах (преимущественно англоязычных), посвященных психологическому профилированию автора текста и – шире – проблеме отражения в тексте психологических характеристик его создателя (см. обзор: Azucar et al., 2018). Нам, однако, не известно о работах, в которых бы названная модель применялась по отношению к анализу ассоциативных реакций в их связи с психологическими характеристиками респондентов (отметим, что работы по влиянию психологических характеристик информантов на результаты ассоциативного эксперимента датируются в основном 1960-1990-ми годами).

По нашему мнению, для дальнейшего прогресса в области изучения влияния эмоционально-психологических характеристик индивидов на особенности  ассоциативного (то есть психологически реального) значения слова необходимо использование валидных тестов, рассматривающих эмоциональное состояние и психологические характеристики респондентов как систему, учет эмотивности слов-стимулов и использование методов анализа ассоциативных реакций, предполагающих возможность автоматизации и воспроизводимости результатов  и, следовательно, снижающих уровень субъективности анализа и временные затраты исследователя на его проведение. Подобные методики не отменяют, безусловно, качественный («ручной») анализ ассоциативных данных, но могут служить его эффективным дополнением.

2. Материал и методы

2.1. Материал

2.1.1. Описание эксперимента

Материалом данного исследования выступил собранный нами датасет ассоциативных реакций к 50 словам, важным для русского языкового сознания (Литвинова и др., 2022). Слова были отобраны нами из списка стимулов Русского сопоставительного ассоциативного словаря (РСпАС) (Черкасова, 2008), содержащего 253 стимула, отобранных по материалам трех ассоциативных опросов, проведенных с интервалами 10–20 лет с носителями русского языка. В данный словарь вошли русские слова-стимулы, которые повторялись в трех или двух массовых ассоциативных опросах, по материалам которых опубликованы важнейшие ассоциативные словари русского языка. Слова-стимулы тщательно отбирались авторами словарей как вербализующие наиболее важные для русского языкового сознания объекты, понятия, свойства, действия и т.д.

Для создания датасета из 253 стимулов были отобраны 47 на основании частоты встречаемости в текстах разных жанров, входящих в БД RusIdiolect (Litvinova, 2021) (поскольку создание датасета являлось одним из этапов сравнительного исследования особенностей индивидуального значения слова в ассоциативном эксперименте и дискурсе): бабушка, бог, богатый, враг, встретить, глаз, глупый, добро, дом, дорогой, друг, думать, душа, жизнь, история, лес, любить, маленький, мама (в РСпАС отсутствует, но есть слово «мать», но в материале БД RusIdiolect частотность слова «мама» значительно выше, чем у слова «мать», в связи с чем в итоговый список стимулов мы внесли именно эту лексему), место, много, настоящий, начало (в РСпАС отсутствует, но есть начать), ненавидеть, новый, обещать, обман, огонь, плохо, помощь, простой, путь, радость, результат, родной, русский, свет, связь, семья, смерть, смысл, счастье, труд, увидеть, учиться, хотеть. К этому списку были добавлены три слова, частотных в текстах БД RusIdiolect, но отсутствующих в РСпАС, - дерево, мир (оба слова входят, согласно данным (Уфимцева, 2009), в ядро русского языкового сознания), а также слово Россия.

Опросная анкета[3] содержала 50 слов-стимулов, при этом 10 из них были представлены два раза в случайном порядке для проверки устойчивости ассоциативного значения слова в языковом сознании (добро, дом, друг, жизнь, мир, настоящий, путь, семья, счастье, хотеть), 17 стимулов были продублированы изображениями. Таким образом, каждый участник эксперимента должен был продуцировать 77 (50 вербальных стимулов + 10 повторяющихся вербальных стимулов + 17 изображений) ассоциативных рядов.

В эксперименте приняли участие 49 человек (из них 42 женщины, возраст участников – 17-25 лет) – студентов российских вузов (Воронежа, Перми, Санкт-Петербурга), для которых русский язык является родным. Информация об эксперименте распространялась в соцсетях; желающие принять участие в эксперименте получали ссылку на анкету и выполняли задание на личных электронных устройствах. Были также получены логи файлов, дающие возможность исследовать клавиатурное поведение респондентов во время продуцирования ассоциативных реакций (Литвинова и др., 2022).

Перед началом эксперимента был проведен онлайн-семинар, в ходе которого участники получили дополнительные разъяснения по процедуре эксперимента. Участники получали инструкцию в письменном виде дать не менее 5 ассоциативных реакций на каждый стимул (вербальный либо визуальный). Считается, что подобный способ проведения эксперимента (продолженный ассоциативный эксперимент) «обеспечивает доступ не к вербальным сетям, а к глубинным структурам знания (долговременной памяти человека) и запускает процессы естественного семиозиса (смыслопорождения) в соответствии с нормами и правилами национальной культуры» (Курганова, 2019: 27), а письменный способ фиксации реакций – в нашем случае подкрепленный также записями логов – «еще больше усиливает определенную направленность сознания участников экспериментов на актуализацию того или иного фрагмента сознания» (там же).

В итоге был получен 3771 ассоциативный ряд от 49 респондентов (в двух анкетах отсутствовали по 1 ассоциативному ряду).

Большинство респондентов выполнили задания в соответствии с инструкцией, однако некоторые респонденты указали меньшее число ассоциатов, чем того требовала инструкция.

Помимо выполнения заданий по продуцированию ассоциаций все респонденты до выполнения задания проходили тест на определение эмоционального состояния, а также – в любое удобное для них время – тест «Большая пятерка» и заносили результаты обоих тестов в анкету. Конкретные варианты тестов были выбраны в ходе консультации со специалистом-психологом. Тестирование проводилось онлайн, по предложенным респондентам ссылкам. Для получения оценок по 5 шкалам «Большой пятерки» использовалась одна из последних методик тестирования, свободно доступная для некоммерческого использования (Калугин и др., 2021). Для исследования эмоционального состояния респондентов использовался тест «Шкала дифференциальных эмоций», в результате прохождения которого респонденты получали оценки по 10 шкалам, отражающим уровень выраженности эмоций, выделяемых в рамках теории дифференциальных эмоций, а также по 3-м комбинированным шкалам: шкале позитивных эмоций (ПЭМ) и шкале острых негативных эмоций (НЭМ), показывающих соответственно степень позитивного либо общий уровень негативного эмоционального отношения к ситуации, а также по шкале тревожно-депрессивных эмоций (ТДЭМ), которая показывает уровень относительно устойчивых индивидуальных переживаний тревожно-депрессивного комплекса эмоций, опосредующих субъективное отношение к ситуации.

Данные анкетирования были сведены в единый табличный файл, где строки соответствуют индивидуальным ассоциативным рядам, колонки – метаданным (ID респондента, тип стимула, баллы по тестам)[4].

2.1.2. Описание датасета

В данном исследовании анализировались только ассоциативные реакции на вербальные стимулы. Далее был проведен контроль выполнения задания путем анализа логов: были сверены текстовые файлы и файлы логов, после чего из дальнейшего анализа были удалены ответы респондента 14 (для одного стимула пользователь подобрал 1 ассоциацию, что не соответствует исходному заданию), респондента 31 (в логе у многих стимулов записан не тот порядок следования, что в итоговом файле, а также разнятся ассоциаты), респондента 33 (приведен либо один ассоциат, либо они не приведены вообще).

Далее были удалены ряды, содержащие множественные (более двух реакций) ассоциаты в виде словосочетаний. Если ряд содержал 1-2 реакции-словосочетания, они сокращались до одного слова, несущего основную смысловую нагрузку, путем независимой разметки тремя дипломированными лингвистами (например, быть популярным было сокращено до популярный и т.д.); в случае разночтений реакция удалялась.

Далее реакции были обработаны при помощи библиотеки udpipe (определена лемма и часть речи), после чего удалены ассоциаты, отсутствующие в ДСМ (как правило, это имена собственные, а также служебные слова и местоимения).

Для дальнейшего анализа мы оставили только ассоциативные ряды, состоящие (после обработки) из одинакового числа ассоциативных реакций (n = 5) (были удалены как ряды, состоящие из меньшего числа слов, так и ряды с большим числом слов). Всего для экспериментов, результаты которых представлены в настоящей статье, был отобран 1981 ассоциативный ряд (число респондентов – 46). Данные о распределении ассоциативных реакций по авторам и стимулам в виде графиков в дополнительных материалах к статье[5].

Представленная схема обработки материала, безусловно, не является единственно возможной, однако для данного эксперимента, который является пилотным, мы выбрали подобный «строгий» подход к отбору ассоциативных рядов с целью их максимальной сопоставимости по типу реакций (однословные, многословные) и их числу. В дальнейших исследованиях нами будет проведено сопоставление полученных результатов с данными, полученными на материале без обработки многословных ассоциаций и удаления рядов, содержащих разное число ассоциаций.

Датасет исследования размещен в дополнительных материалах к статье[6].

2.2. Методы анализа материала

2.2.1. Списки шкал семантического дифференциала

Список шкал семантического дифференциала был составлен на основе материалов, представленных в работе В.Ф.Петренко «Основы психосемантики» (Петренко, 2005: 94−97). Ниже приведены названия факторов и соответствующие антонимические пары, выделенные В.Ф.Петренко; названия шкал даны нами условно для удобства обозначения на графиках и понимания по тексту:

1) фактор «»: приятный − неприятный (шкала «Приятность»), полезный − бесполезный (шкала «Полезность»), веселый − грустный (шкала «Веселость»), живой − безжизненный (шкала «Живость»);

2) фактор «»: быстрый − медленный (шкала «Быстрота»), яркий − тусклый (шкала «Яркость»), пассивный − активный (шкала «Пассивность»);

3) фактор «» (или «»): упорядоченный − хаотичный (шкала «Упорядоченность»), устойчивый − изменчивый (шкала «Устойчивость»), кратковременный − длительный (шкала «Кратковременность»), единый − дискретный (шкала «Единость»);

4) фактор «»: конкретный − абстрактный (шкала «Конкретность»), сложный − простой (шкала «Сложность»);

5) фактор «»: большой − маленький (шкала «Крупность»), сильный − слабый (шкала «Сила»);

6) фактор «»: редкий − частый (шкала «Редкость»), единичный − повторяющийся (шкала «Единичность»);

7) фактор «»: опасный − безопасный (шкала «Опасность»).

Указанные шкалы выступают в нашем исследовании как бинарные оппозиции, которые будут сконструированы на основе ДСМ. Мы не объединяли шкалы по факторам; отдельным этапом нашего исследования являлся факторный анализ оценок ассоциативных рядов по данным шкалам, вычисленным на основе ДСМ, результаты которого мы сравнили с выделенными В.Ф.Петренко факторами.

2.2.2. Языковая модель

Предобученные языковые модели рекомендуются использовать для анализа текста в широком культурном и лингвистическом контексте (Taylor, Stoltz, 2021), что и является одной из задач нашего исследования – получение оценок ассоциативного ряда как единого целого по шкалам семантического дифференциала на основе статистики совместной встречаемости слов в больших корпусах текстов (насчитывающих миллионы слов и тысячи контекстов).

Для настоящей работы нами была использована предобученная модель word2vec. Выбор данной модели обусловлен тем, что, как показали исследования, она является одной из наиболее эффективных в задаче предсказания оценок близости слов, даваемых респондентами (Iordan et al., 2022; Pereira et al., 2016), и одной из наиболее часто используемых в исследованиях, применяющих те или иные методы семантической проекции.

Для вычисления оценок по шкалам семантического дифференциала была использована предобученная на корпусах НКРЯ и Википедии за ноябрь 2021 года модель ruwikiruscorpora_upos_cbow_300_10_2021[7]. Размер корпуса, на котором обучалась модель, – 1,2 миллиарда слов, объем словаря – 249 333 слов, размер окна – 10. Модель, выпущенная в декабре 2021 года, является наиболее «свежей» из доступных для скачивания и наиболее близка к дате создания нашего датасета (октябрь – декабрь 2022 года). Как отмечается в литературе (Taylor, Stoltz, 2021), важным является выбор языковой модели, максимально близкой по временному периоду ко времени создания анализируемых данных. Кроме того, поскольку языковая модель лежит в основе работы функции, извлекающей значение СД, важным является выбор «надежной» модели, натренированной на большом объеме текстов.

2.2.3. Получение значений оценок по шкалам семантического дифференциала

Для получения основанных на языковой модели оценок слов, входящих в ассоциативный ряд, по антонимическим шкалам мы использовали функцию CMDist из библиотеки text2map на языке R (Stoltz, Taylor, 2022). Как отмечалось в разделе 1.2, данная функция вычисляет для каждого документа (в нашей работе мы рассматриваем каждый ассоциативный ряд как «документ») значение, отражающее степень близости всех составляющих документа слов к полюсам заданной антонимической пары (то есть представляет собой оценку по шкале СД). Функция get_direction позволяет получать оценки по шкале несколькими способами, в том числе использовать для каждого полюса шкалы несколько слов и усреднять их векторы, однако в нашей работе мы стремились максимально приблизиться к методике семантического дифференциала, поэтому каждый полюс шкалы соответствовал одному слову, в связи с чем мы использовали дефолтную опцию 'paired' функции get_direction: для каждой антонимической пары из каждого слова вычитается строго одного слово. Таким образом, каждый ассоциативный ряд (который обрабатывался как текст) получал оценку по каждой шкале СД.

Теоретически разброс значений оценок лежит в пределах от –3 до 3, однако для сравнения оценок по словам данные необходимо нормировать путем приведения их к одному диапазону. На следующем этапе анализа мы нормализовали оценки, приведя их значение в диапазон от 0 до 1 c использованием пакета BBmisc (опция нормализации – range, первое значение в диапазоне 0–1 представляет собой замененное минимальное значение переменной, второе – максимальное), так что значения СД ближе к 1 указывали на близость оценки к полюсу СД, выраженному первым словом оппозиции (приятный, веселый) (или степень выраженности обозначенного в названии шкалы понятия – приятности, веселости), значения, близкие к 0, – ко второму члену оппозиции (неприятный, грустный), значения, близкие к 0,5, указывали на слабую связь ассоциативного значения слова-стимула с данной шкалой СД.

2.2.4. Методы анализа данных

При подборе методов исследования мы ориентировались на необходимость получения интерпретируемых результатов, а также на возможность как анализа явной (прямой) структуры данных, так и выявления имплицитной (скрытой) структуры данных – оценок по шкалам СД: «Сопоставление результатов, полученных при помощи двух методов, является наиболее информативным» (Серкин, 2008: 276). В связи с этим мы использовали совокупность методов анализа данных: 1) эксплораторные методы, описывающие явную структуру данных (вычисление коэффициента вариации оценок по шкалам СД, составление и визуализация профилей слов); 2) методы, направленные на поиск скрытой структуры в данных, – методы сокращения размерности (PСА), факторный анализ, кластеризация на главных компонентах с последующей интерпретацией различий между кластерами.

3. Результаты и обсуждение

3.1. Анализ явной структуры данных

На первом этапе анализа мы вычислили коэффициент вариации оценок по каждой шкале СД.

Коэффициент вариации (, , далее также – КВ) количественно выражает вариативность исследуемого признака и вычисляется путем деления стандартного отклонения на среднее и умножения на 100, что позволяет проводить сравнение вариабельности разных признаков.

Высокие значения КВ указывают на более высокую вариабельность признаков, то есть более широкий разброс их значений относительно среднего, и наоборот.

Значения КВ для исследуемых шкал СД были рассчитаны двумя способами для исследования разных аспектов вариабельности оценок. Нами был вычислен разброс значений КВ оценок слов-стимулов по шкалам СД, сгруппированным по словам-стимулам (например, был вычислен коэффициент вариации оценок по шкале «Опасность» для слова бабушка, данных всеми респондентами, то же самое для слова бог и т.д.; далее на основе полученных значений построены диаграммы размаха, на которых «ящик» отражает 50% значений КВ, выбросы обозначены красными точками). Также нами была построена диаграмма размаха, отражающая дисперсию КВ оценок всех стимулов по шкалам СД, сгруппированных по респондентам (рисунки размещены в папке[8]).

Мы сравнили значения КВ оценок, сгруппированных по словам-стимулам и по респондентам, с использованием и установили, что для всех шкал СД средние значения коэффициента вариации оценок, сгруппированных по респондентам, больше, чем значения КВ оценок, сгруппированных по стимулам.

Наиболее широкий разброс оценок наблюдается для шкал «Яркость», «Сложность», «Конкретность», «Единичность». Более «согласованны» оценки по шкалам «Кратковременность», «Полезность», «Редкость» (сказанное касается сгруппированных как по респондентам, так и по стимулам КВ оценок).

Далее для каждого слова-стимула нами был построен профиль оценок по всем шкалам СД. Рассмотрим построенные профили на примерах слов-стимулов бабушка, мама и враг (рис.1). Подобная визуализация («ящики с усами») позволяет увидеть различия в профилях слов, отражающие не только медианные значения, но и размах вариации.

Мы видим, что профили стимулов мама и бабушка более похожи друг на друга, чем на профиль стимула враг (что ожидаемо), однако и между ними есть различия. Стимул бабушка имеет более высокие средние оценки по шкале «Веселость», «Пассивность», «Приятность», стимул мама – более высокие оценки по шкале «Единость», «Живость», «Опасность», «Крупность», «Конкретность», «Сложность».

Стимул бабушка имеет большую вариацию оценок полезности, живости, яркости, веселости, быстроты, мама – устойчивости, конкретности.

Враг в сравнении с приведенными выше стимулами менее «яркий», «упорядоченный» (хотя оценка по данному признаку имеет широкий размах), более «сложный», «сильный», «опасный», менее «редкий», «приятный», «полезный», «живой», менее веселый (но только в сравнении с бабушкой), более быстрый.

Рисунок 1. Профили отдельных стимулов

Figure 1. Profile of individual stimuli

Построение подобных профилей (еще больше примеров визуализаций приведено в папке[9] с использованием «ящика с усами» является эффективным методом сравнения коннотативного значения слов у отдельных респондентов, групп респондентов и т.д. и позволяет выявить ранее не известные компоненты значения.

3.2. Анализ скрытой структуры данных

Исследования с использованием коэффициента вариации и визуализация профилей слова с использованием «ящика с усами» позволяют анализировать явную (Серкин, 2008) структуру в данных. Для выявления скрытой структуры в датасете – наборе ассоциативных рядов с метаданными – будут использованы методы снижения размерности (в частности, метод главных компонент, PCA) с последующей кластеризацией на главных компонентах (HCPC) и интерпретацией различий в кластерах.

Первым этапом выявления скрытой структуры в данных является анализ корреляций между параметрами. Корреляционный анализ оценок АР по шкалам СД (рис.2; на рис. также обозначены уровни корреляционной связи). Построенная при помощи пакета corrplot коррелограмма позволяет выявить группы связанных признаков и направления корреляции. Среди наиболее значимых положительных корреляций – корреляции оценок по шкалам «Крупность» и «Устойчивость», «Крупность» и «Сложность», «Устойчивость» и «Конкретность», «Полезность» и «Устойчивость», «Яркость» и «Живость», «Приятность» и «Веселость». Среди наиболее значимых отрицательных корреляций – корреляции оценок по шкалам «Конкретность» и «Сила», «Сложность» и «Кратковременность», «Крупность» и «Кратковременность», «Устойчивость» и «Кратковременность», «Устойчивость» и «Опасность», «Упорядоченность» и «Опасность». В целом, как показывает критерий -- (), данные коррелируют друг с другом умеренно ( = 0.634, 23212.97, (153), . < 0.001), что означает их пригодность для дальнейшего факторного анализа.

Рисунок 2. Корреляционная матрица оценок по шкалам семантического дифференциала

(*** – p < 0.001, ** – p < 0.01, * – p < 0.05)

Figure 2. Correlation matrix of ratings according to semantic differential scales

(*** – p < 0.001, ** – p < 0.01, * – p < 0.05)

Коррелограмма, построенная по результатам психологического тестирования информантов (рис.3), показывает наличие связей между исследуемыми характеристиками эмоционального состояния (прежде всего – между различными негативными эмоциями, а также между радостью, интересом и интегральным показателем положительных эмоций ). Черты «Большой пятерки» в среднем коррелируют умеренно (отметим отрицательную корреляцию между негативной эмоциональностью и экстраверсией).

Эмоциональные состояния и психологические характеристики коррелируют на довольно низком уровне (за исключением отрицательной корреляции стыда и экстраверсии).

Рисунок 3. Корреляционная матрица данных психологического анкетирования респондентов

(*** – p < 0.001, ** – p < 0.01, * – p < 0.05)

Figure 3. Correlation matrix of values of psychological characteristics of respondents

(*** – p < 0.001, ** – p < 0.01, * – p < 0.05)

Для проведения факторного анализа (метод PCA, вращение varimax) мы оставили первые 7 компонент (по числу выделенных в работе В.Ф.Петренко (2005) факторов). Кроме того, выбор данного значения соответствует правилу локтя (). В общей сложности 7компонент объясняют 82,37% вариации, что является хорошим показателем (рекомендуется для дальнейшего анализа оставлять компоненты, объясняющие не менее 70% вариации) ().

В таблице 1 представлены факторы в порядке убывания собственных значений и объясненной вариации и наибольшие (свыше 0,5 по модулю) нагрузки шкал по выделенным факторам.

Таблица 1. Выделенные факторы и нагрузки шкал по факторам

Table 1. The selected factors and scales loadings

Наибольший процент вариации объясняют первые два фактора, один из которых (фактор 2) может быть назван фактором оценки. Как отмечает В. Ф. Петренко на основании проведенных им экспериментальных исследований, данный фактор является ведущим в экспериментах с вербальными стимулами. Максимальную нагрузку по данному фактору в наших экспериментах имеет шкала «Приятность» (отметим, что нагрузки данной шкалы по фактору оценки на уровне 0,8 отмечены и в цитируемой работе В. Ф. Петренко). Также высокие нагрузки по данному фактору имеют шкалы «Яркость», «Полезность», «Редкость», причем во всех этих шкалах названным фактор является доминирующим.

Фактор 1, объясняющий, наряду с фактором оценки, наибольший процент вариации в наших данных (наибольшие нагрузки по данному фактору имеют шкалы «Быстрота», «Крупность» «Устойчивость», «Конкретность»), может быть условно назван фактором «Устойчивость». Он не имеет прямых аналогов среди выделенных В. Ф. Петренко факторов.

В нашем материале, как и в экспериментах В. Ф. Петренко, выделяется фактор«Упорядоченность» (фактор 3). Отметим отрицательную корреляцию шкалы «Опасность» с данным фактором («то, что упорядочено, безопасно»).

В нашем материале, в отличие от экспериментов В. Ф. Петренко, выделяется отдельный фактор «Единость» (фактор 4), наибольшую нагрузку по которому имеет шкала с соответствующим названием (в экспериментах В. Ф. Петренко данная шкала входит в фактор «Упорядоченность»). Также высокую нагрузку по данному фактору имеет шкала «Живость».

Осгудовский фактор силы (фактор 5) представлен двумя основными шкалами. Помимо силы, наибольшую нагрузку по данному фактору имеет шкала «Кратковременность», что указывает на положительную связь соответствующих понятий.

Отметим полное совпадение состава шкал, представляющих фактор «Обычность» (фактор 6), в наших данных и экспериментах В. Ф. Петренко. Несмотря на то что данный фактор представлен всего двумя шкалами, как и в экспериментах исследователя, в нашем материале он также имеет четкое содержание и ясную семантику (иное название фактора – «частота встречаемости»).

Осгудовский фактор «Активность» в нашем материале объяснял небольшой процент вариации (фактор 7). Отметим отрицательную корреляцию с данным фактором шкалы «Сила», что указывает на связь пассивности и бессилия.

Таким образом, в целом в нашем материале выделяются основные шкалы, выделенные В. Ф. Петренко, однако конкретный состав шкал, представляющих факторы, может отличаться. Отметим ведущую роль фактора оценки, отмеченную в экспериментах Ч. Осгуда и В. Ф. Петренко, а также полное совпадение структуры выделенного В. Ф. Петренко фактора «Обычность».

Продолжая исследовать скрытую структуру в данных, перейдем к анализу ассоциативного значения изучаемых слов, выраженного в оценках по шкалам СД, с использованием метода главных компонент. Сочетание пакетов (, , 2017) и f(ê  ., 2008) дает возможность строить визуализации (рис. 4), отражающие взаимосвязь изучаемых признаков (оценок по шкалам СД) и метаданных (в терминологии создателей пакета f– дополнительные, то есть не участвующие в анализе, а используемые только для интерпретации переменные) – психологических характеристик и эмоциональных состояний респондентов (дополнительные количественные переменные) и категориальных переменных «тип стимула» и «респондент».

Направления на рис.4 указывают на направление связи переменных с компонентой: например, со второй компонентой связаны высокие значения оценок ассоциатов по шкалам «Приятность», «Редкость» (они вносят наибольший вклад в компоненту 2), высокие значения радости, экстраверсии, доброжелательности, добросовестности.

Рисунок 4. Визуализация результатов РСА

Figure 4. Visualization of PCA

Первая компонента значимо (для оценки значимости связи признаков с компонентами в пакете используется однофакторный анализ ) связана с переменной «тип стимула» (R2 = 0,335, = 9.180973e-131). По первой компоненте противопоставляются стимулы ненавидеть, смерть, обман, встретить, враг, плохо, глупый, увидеть (отрицательные значения координат) и результат, труд, простой, делать, связь (положительные значения координат). Отрицательно коррелируют с данной компонентой шкалы «Кратковременность», «Опасность», «Сила», положительно – «Устойчивость», «Полезность», «Крупность», «Конкретность» (слова, имеющие отрицательные значения по данной компоненте, имеют высокие значения оценок по шкалам «Кратковременность», «Опасность», «Сила»; стимулы, имеющие положительные координаты по данной компоненте, – высокие значения по шкалам «Устойчивость», «Полезность», «Крупность», «Конкретность»).

Вторая компонента положительно коррелирует со шкалами «Приятность», «Редкость», «Яркость», отрицательно – со «Сложность», «Конкретность». Она также значимо связана с типом стимула (R2 = 0,393, р=5.885226e-167). коррелируют с компонентой 2 стимулы настоящий, счастье1, добро1, душа, настоящий2, дерево, отрицательно – смерть, ненавидеть, обман, встретить, плохо.

По третьей компоненте противопоставляются стимулы смысл, обман, настоящий2, ненавидеть, плохо, с одной стороны, место, дом1, богатый, огонь, дом2, лес – с другой. Положительно коррелируют с данной компонентой оценки по шкалам СД «Опасность», «Живость», «Единость», «Яркость»; отрицательно – оценки по шкалам «Веселость», «Быстрота», «Приятность».

Таким образом, РСА позволяет установить основные источники различий в семантике слов, учитывая при этом связь признаков (оценок по шкалам СД).

Дальнейшим шагом нашего исследования является проведение кластерного анализа с целью обнаружения групп ассоциативных рядов, близких друг другу исходя из оценок по исследуемым шкалам СД. Существует множество методов кластерного анализа. В нашей работе мы используем впервые в семантических исследованиях метод кластеризации данных, основанный не на «сырых» значениях, а на выделенных на первом этапе компонентах (, ). Данный метод реализован в небольшом числе библиотек. В нашем исследовании мы использовали его реализацию в библиотеке F. Данный метод комбинирует

Выбор числа кластеров в данном методе основан на критерии Результат кластеризации представлен на рис.5.

Рисунок 5. Визуализация результатов анализа с использованием метода иерархической кластеризации на главных компонентах (HCPC)

Figure 5. Visualization of the analysis results using the hierarchical clustering method on the main components (HCPC)

Следующим этапом анализа стала интерпретация различий между кластерами. Для проверки существования различий в оценках слов по шкалам СД проводился однофакторный дисперсионный анализ (oneway ANOVA) с последующим

Тест one-way ANOVA подтвердил наличие различий по кластерам в средних значениях оценок по всем шкалам СД (значения p-values ниже 0,05). Следовательно, все переменные были использованы для дальнейшей интерпретации.

С использованием библиотеки autoEDA был осуществлен отбор самых информативных признаков (шкал) СД для разделения кластеров (таблица 2) (применялся критерий Kolmogorov Smirnov distance measure).

Таблица 2. Вклад шкал в кластерное решение

Table 2. Contribution of SD scales to the cluster solution

Для оценки различий по характеристикам респондентов в кластерах мы использовали непараметрический аналог критерийКрускала– Уоллиса с последующим множественным анализом. Статистически значимые различия между кластерами были обнаружены для следующих устойчивых характеристик респондентов (в порядке убывания значения р): доброжелательность, открытость опыту (р < 0,0005), добросовестность (р < 0,005), экстраверсия (р < 0,05) и для следующих эмоциональных состояний: радость (р < 0,0005), презрение, интерес, ПЭМ (р < 0,005), стыд (р < 0,05).

Далее слова-стимулы на основании частоты встречаемости в кластерах были условно распределены нами на три группы.

1. Стимулы с одним основным значением, выраженным в оценках по шкалам СД, то есть преимущественно входящие в один из кластеров (относительная частота встречаемости в одном из кластеров выше 0,5, то есть более 50% всех ассоциативных рядов данного стимула входят в один из 4-х выделенных нами кластеров, в других кластерах – ниже 0,3): бог, враг, глупый, делать, добро1, душа, любить, мама, место, настоящий1, настоящий2, ненавидеть, обман, огонь, плохо, простой, путь1, результат, свет, связь, смерть, счастье1, счастье2, труд, учиться.

2. Стимулы с двумя значениями были разделены нами на две подгруппы: а) стимулы с двумя основными значениями (частота встречаемости в одном из кластеров не ниже 0,3, но не более 0,6, разница между частотами встречаемости в двух доминирующих кластерах менее 0,25): бабушка, богатый, встретить, глаз, добро2, дом1, дорогой, друг1, друг2, думать, лес, мир2, много, обещать, путь2, семья2, смыслб) стимулы с двумя значениями, одно из которых является доминирующим (частота встречаемости стимула в каждом из кластеров не ниже 0,25, но не выше 0,6; разница между ними более 0,25: семья1, радость, дом2, маленький.

3. Стимулы с несколькими значениями/диффузным значением разделены нами на две подгруппы: а) с тремя основными значениями (частота встречаемости стимула в каждом из кластеров не ниже 0,2): дерево, жизнь1, мир1, новый, помощь, увидеть, хотеть1, хотеть2 б) стимулы с диффузным значением (максимальная частота встречаемости в каждом кластере не превышает 0,4, другие значения не превышают 0,25): жизнь2, история

Отметим, что стимулы, ассоциации на которые респонденты давали два раза, оказываются, как правило, в одной группе (настоящий, счастье, друг, хотеть) либо в подгруппах одной группы (жизнь, семья, дом), что свидетельствует об устойчивости их ассоциативного значения, несмотря на различное лексическое наполнение рядов. Стимулы добро, путь, мир оказались в разных группах, что, возможно, обусловлено многозначностью указанных стимулов.

Анализ распределения респондентов по кластерам показал, только 3 респондента заметно «тяготеют» к одному из кластеров (свыше 50% их ассоциативных реакций входит в один кластер). 19 респондентов имеют тенденцию к предпочтению одного из кластеров (частотность встречаемости их ассоциативных реакций в одном из кластеров от 0,4 до 0,5).

Рассмотрим характеристики каждого из кластеров. Первый кластер характеризуется низкими значениями по шкалам «Приятность», «Полезность», «Веселость», «Живость», «Быстрота», «Упорядоченность», «Устойчивость», «Редкость», «Яркость», «Конкретность», высокими значениями – «Пассивность» и «Опасность», «Сила». Среди респондентов, чьи ответы отнесены в данный кластер, преобладают респонденты с самыми низкими оценками по доброжелательности, экстраверсии, добросовестности, интересу, радости, самые высокие оценки по шкалам «Стыд», «Презрение». Мы условно назвали данный кластер негативным.

Как в основной входят в данный кластер лексемы враг, глупый, ненавидеть, обман, плохо, смерть. В качестве одного из частотных вхождение в данный кластер зафиксировано для стимулов думать, начало, обещать, увидеть. От 20 до 30% от общего числа рядов к стимулам жизнь2, история, огонь, смысл входят в данный кластер, а также от 10 до 20% ассоциативных реакций к стимулам бог, встретить, душа, любить, учиться, хотеть1.

Для респондентов, ассоциативные ряды которых составляют второй кластер, характерны самые высокие значения доброжелательности, экстраверсии, добросовестности, открытости опыту, интереса, радости и интегрального показателя позитивных эмоций, низкие оценки по шкалам «Стыд» и «Презрение». Таким образом, данный кластер можно охарактеризовать как противоположный первому по характеристикам респондентов.

Ассоциативные ряды, входящие во второй кластер, характеризуются самыми высокими значениями по шкале «Веселость», «Кратковременность», «Сила», умеренно высокими оценками по шкале «Приятность», низкими значениями по шкале «Яркость», «Опасность», самыми низкими значениями по шкале «Живость», «Единость», «Конкретность», «Крупность».

Как в основной входят в данный кластер стимулы место, огонь, путь1, свет. В качестве доминирующего (при наличии других частотных значений) данный кластер выступает для следующих стимулов: бабушка, встретить, глаз, дом1, дом2, лес, маленький, хотеть2, является одним частотных для стимулов богатый, дерево, жизнь2, мир1, новый, путь2, радость, увидеть, учиться, хотеть2. Данный кластер можно с условностью назвать позитивная сила.

Для респондентов, ассоциативные ряды которых составляют третий кластер, характерны умеренно высокие значения по шкалам доброжелательности, экстраверсии, добросовестности, открытость опыту, средние значения интереса, радости, низкие оценки по шкале «Презрение».

Ассоциативные ряды, входящие в третий кластер, характеризуются самыми высокими значениями по шкалам «Приятность», «Живость», «Яркость», «Упорядоченность», «Единость», «Редкость», «Единичность», самыми низкими значениями по шкале «Сложность». Как в основной (без иных высокочастотных кластеров) в данный кластер входят стимулы бог, добро1, душа, любить, мама, настоящий1, настоящий2, русский, счастье1, счастье2. В качестве доминирующего (при наличии других частотных) данный кластер выступает для следующих стимулов: добро2, дорогой, друг1, история, мир2, помощь, радость, семья1, семья2, смысл, увидеть, в качестве одного из частотных - для стимулов встретить, глаз, дерево, дом1, друг2, жизнь1, лес, маленький, мир1, много, хотеть1, хотеть2. Данный кластер можно назвать приятная витальность.

Для респондентов, ассоциативные ряды которых составляют четвертый кластер, характерны умеренно низкие значения по шкале доброжелательности, экстраверсии, добросовестности, низкие значения открытости опыту, средние значения интереса, радости, презрения, умеренно низкие оценки по интегральному показателю позитивных эмоций.

Ассоциативные ряды, входящие в четвертый кластер, характеризуются невысокими значениями по шкале «Приятность», «Живость», самыми высокими – по шкале «Полезность», «Быстрота», «Упорядоченность», «Устойчивость», «Конкретность», «Сложность», «Крупность», низкими – по шкале «Кратковременность», «Сила», «Опасность». Назовем условно данный кластер полезная упорядоченность.

Как в основной (без иных высокочастотных кластеров) в данный кластер входят стимулы богатый, делать, простой, результат, связь, труд, учиться. В качестве доминирующего (при наличии других частотных) данный кластер выступает для следующих стимулов: друг2,думать (интересно, что второй по частотности вхождения кластер этого стимула – первый), жизнь1, жизнь2, мир1, много, новый, путь2, хотеть1, как один из частотных – для стимулов дерево, добро2, дом2, дорогой, друг1, мир2, начало (второй по частотности вхождения кластер этого стимула – первый), обещать, помощь, семья2, смысл,хотеть2.

Таким образом, как показал проведенный анализ, около половины слов-стимулов имеют общее – по оценкам семантического дифференциала – для большинства респондентов значение (то есть ассоциативные ряды к данному слову-стимулу входят преимущественно в один кластер). К таким словам относятся преимущественно стимулы из первого, негативного, кластера: враг, глупый (60, хотя более 20ассоциативных рядов данного стимула входят в кластер 3 приятнаявитальность, что может свидетельствовать о связи индивидуальной семантики этого слова и психологических характеристик респондентов), ненавидеть, обман (93всех ассоциативных рядов к данному стимулу входит в один кластер, что говорит о минимальных индивидуальных различиях в семантике данного стимула), плохо Таким образом, слова из негативной семантикой, как правило, характеризуются невысокой степенью выраженности индивидуальных различий (по крайней мере применительно к анализируемому нами датасету), хотя для ряда слов из данного кластера отмечено наличие подобных различий.

Среди стимулов, входящих в другие кластеры, одни из самых «однозначных» – свет (80ассоциативных рядов данного стимула входит в кластер 2 позитивная сила, настоящий1,2 (свыше 70ассоциативных рядов данного стимула входит в кластер 3 приятная витальность), бог, душа (70 и 76вхождений в кластер 3 приятная витальность соответственно), простой, результат, труд (69, 86, 83ассоциативных рядов данных стимулов соответственно входят в кластер 4 полезная упорядоченность).

Представляется весьма примечательным тот факт, что ассоциативные ряды некоторых слов-стимулов входят с близкой частотностью в противоположные по семантике кластеры (1 и 4, 1 и 3), например, ассоциативные ряды стимулов думать, история, начало, обещать, увидетьчто свидетельствует о значительных различиях в индивидуальной семантике указанных слов в языковом сознании наших респондентов, обусловленных в том числе различиями в психологических характеристиках и эмоциональных состояниях последних.

Выводы

Несмотря на то что существование различий в индивидуальной семантике слова признается многими учеными, исследование подобных различий представляет собой непростую задачу. Комплексность и сложность данной задачи обусловлена несколькими факторами, и прежде всего трудностями объективации критериев для описания семантических параметров (компонентов значения). В данной работе нами предложен метод получения оценок ассоциативного значения слова по шкалам семантического дифференциала с использованием языковой модели на основании специально созданного датасета – набора ассоциативных реакций на слова-стимулы, важные для русского языкового сознания. Указанный метод позволяет квантифицировать и описывать различия в индивидуальной семантике слов. В совокупности с рядом продвинутых методов анализа данных, таких как кластерный анализ на главных компонентах, данный метод позволил нам разделить исследуемые слова-стимулы на группы в зависимости от выраженности индивидуальных различий в их семантике.

Нами также обнаружена связь индивидуального значения слова, измеренного по шкалам семантического дифференциала, с психологическими характеристиками респондентов: выделенные нами кластеры ассоциативных рядов различаются как по психологическим характеристикам респондентов, так и по оценкам по шкалам семантического дифференциала. При этом было установлено, что для разных стимулов степень влияния психологических характеристик и состояний респондента на особенности их семантического представления в языковом сознании различается.

Метод оценивания семантики языковых единиц по отношению к бинарным оппозициям, основанный на использовании данных дистрибутивных семантических моделей, ранее применялся в основном по отношению к текстам. В данной работе мы впервые применили данный метод по отношению к ассоциативным рядам, что позволило нам по-новому подойти к проблеме изучения ассоциативного значения слова в индивидуальном языковом сознании. Предложенная методика ни в коей мере не заменяет традиционные методы исследования психологически реального значения слова (ассоциативный эксперимент, семантический дифференциал), но может служить их эффективным дополнением.

Предложенный метод может быть использован с различными вариантами семантического дифференциала и – шире – с различными бинарными оппозициями, а также с разными языковыми моделями.

Кроме ассоциативных рядов, предложенная методика может быть применена к текстам для исследования индивидуальной семантики слов, воплощенной в дискурсах разных типов.

Как и любое другое, наше исследование имеет ограничения. Во-первых, полученные результаты непосредственно связаны с используемой языковой моделью, ее настройками, составом корпуса, на котором она обучалась, и, соответственно, статистикой совместной встречаемости слов в корпусе. В данной работе была использована только одна языковая модель, и хотя ее выбор был нами обоснован, применение других языковых моделей и сравнение полученных результатов представляется одним из перспективных направлений дальнейших исследований. Также ограничения текущего исследования связаны со сравнительно небольшим объемом датасета, на котором оно проводилось. Расширение датасета – как по линии увеличения числа респондентов, в том числе за счет расширения состав социальных групп, участвующих в опросах, так и по линии увеличения числа слов-стимулов – позволит в дальнейшем уточнить полученные нами результаты и усовершенствовать предложенную методику анализа.