Опубликовано: 30.04.2026 | Источник: Псих1

Цифровые эмоции и алгоритмы в дипломе: как изучать влияние на когнитивные процессы при чтении

Поддомен: Когнитивные исследования | Роль: Когнитивист/Экспериментатор

Введение

Современный читатель редко осознаёт, что его внимание, память и способность к критическому мышлению формируются не только содержанием текста, но и скрытыми алгоритмами, подбирающими материал под его эмоциональное состояние. Как показано в статье How Algorithms and Emotions Are Undermining the Way We Read Online, цифровые платформы активно манипулируют эмоциональной валентностью контента, что снижает глубину переработки информации и искажает процессы восприятия. Для студентов, пишущих ВКР в области когнитивной психологии, это — не просто тренд, а исследовательская ниша с высокой научной и практической значимостью. Интеграция этих данных позволяет не только актуализировать теоретическую базу, но и разрабатывать методики диагностики и коррекции когнитивного искажения в цифровой среде.

Выбранная тема открывает доступ к междисциплинарным методам — от экспериментального дизайна до анализа поведенческих данных. Важно, что такие исследования соответствуют требованиям научной строгости: их можно валидизировать через рандомизированные контролируемые условия, использовать стандартные когнитивные шкалы и применять современные статистические подходы. Это делает работу защищаемой даже перед строгим научным руководителем.

Темы ВКР: карточки для выбора

• Тема 1: Влияние эмоциональной валентности контента, подаваемого алгоритмами, на процессы когнитивного контроля при чтении онлайн
  Актуальность: Статья указывает, что алгоритмы усиливают эмоциональные реакции, что может подавлять аналитическое мышление. Это напрямую связано с функционированием префронтальной коры и механизмами когнитивного контроля.
  Цель: Изучить, как алгоритмически подобранный эмоционально заряженный контент влияет на показатели когнитивного контроля (внимание, торможение, переключение).
  Задачи:
  1. Провести теоретический анализ конструктов «когнитивный контроль» и «эмоциональная валентность».
  2. Разработать экспериментальную парадигму с рандомизацией подачи контента.
  3. Измерить производительность в тестах Струпа, n-back, Flanker до и после просмотра алгоритмически подобранного контента.
  4. Проанализировать данные с учётом уровня цифровой грамотности участников.
  Структура: Глава 1 — Понятийный аппарат и обзор литературы; Глава 2 — Экспериментальный дизайн, выборка, методы; Глава 3 — Результаты, интерпретация, рекомендации по цифровому детоксу.
• Тема 2: Алгоритмическая персонализация и снижение критического мышления: когнитивно-психологический анализ
  Актуальность: Статья поднимает тревогу о снижении критического мышления из-за «эмоционального фильтра» в лентах. Это открывает возможность изучить механизмы когнитивной лени и подтверждения (confirmation bias).
  Цель: Выявить связь между уровнем персонализации контента и показателями критического мышления.
  Задачи:
  1. Определить операциональные критерии «персонализации» и «критического мышления».
  2. Адаптировать методику Watson-Glaser Critical Thinking Appraisal (или аналог на русском).
  3. Провести онлайн-эксперимент с двумя группами: с алгоритмической лентой и без.
  4. Проанализировать данные с помощью регрессионного анализа и ANOVA.
  Структура: Глава 1 — Теоретический обзор; Глава 2 — Организация и методы; Глава 3 — Результаты, интерпретация, рекомендации по цифровой гигиене.
• Тема 3: Эмоциональная контагия в цифровой среде и её влияние на глубину текстовой переработки
  Актуальность: Эмоциональная контагия, усиленная алгоритмами, может снижать уровень глубокого чтения — феномен, описанный в статье как «поверхностное сканирование». Это связано с теорией двойных процессов (System 1 vs System 2).
  Цель: Исследовать, как эмоциональная контагия влияет на глубину семантической переработки текста.
  Задачи:
  1. Проанализировать механизмы эмоциональной контагии и их когнитивные последствия.
  2. Разработать текстовые материалы с нейтральной, позитивной и негативной валентностью.
  3. Измерить глубину переработки через тесты на понимание, задержку фиксации (при наличии eye-tracking) или самоотчёт.
  4. Оценить роль цифровой зависимости (по шкале SDS).
  Структура: Глава 1 — Теория; Глава 2 — Методология; Глава 3 — Анализ и выводы.

Основная часть: как интегрировать статью в ВКР

Глава 1: Теоретический обзор — от статьи к научной базе

Статья из Psychreg — это не первичный источник, но отличный «якорь» для начала. Включите её в обзор как пример актуализации проблемы, но не как основу теории. Вместо этого используйте её для перехода к фундаментальным работам:

• Когнитивная нагрузка (Sweller, 1988) — объясняет, почему эмоционально заряженный контент перегружает рабочую память.
• Теория двойных процессов (Kahneman, 2011) — помогает интерпретировать смещение к System 1 при эмоциональном возбуждении.
• Эмоциональная контагия в соцсетях (Kramer et al., 2014, PNAS) — ключевое исследование, подтверждающее механизм из статьи.

Обязательно укажите, что алгоритмическая персонализация — это не просто технология, а психологический интервенционный фактор, влияющий на когнитивные установки.

Глава 2: Методология — дизайн, этика, выборка

Для исследования влияния алгоритмов и эмоций на чтение используйте экспериментальный дизайн с рандомизацией. Пример:

• Независимые переменные: тип контента (нейтральный, позитивный, негативный), наличие алгоритмической подачи (симуляция).
• Зависимые переменные: время чтения, точность понимания, показатели когнитивного контроля (тест Струпа), самооценка вовлечённости.
• Выборка: n ≥ 60 (для ANOVA с достаточной мощностью 0.8, эффект средний — f = 0.25, α = 0.05). Рекрутируйте через соцсети, но исключите профессионалов IT и психологии (риск валидности).

Этика: соблюдайте Этический кодекс РПО — получите информированное согласие, обеспечьте анонимность, предоставьте право на выход. Обязательно укажите в приложении шаблон согласия по ГОСТ Р 7.0.11-2011.

# Пример синтаксиса для JASP (ANOVA)
ANOVA ReadingTime ~ EmotionType * AlgorithmExposure
+ RandomEffects (Subject)
+ PostHoc (EmotionType, AlgorithmExposure)

Глава 3: Анализ и интерпретация — от статистики к выводам

Используйте многофакторный дисперсионный анализ (ANOVA) или линейную регрессию, если переменные количественные. Проверьте:

• Нормальность распределения (тест Шапиро-Уилка).
• Однородность дисперсий (Левене).
• Надёжность шкал — α Кронбаха (должен быть ≥ 0.7).

Если данные не нормальны — переходите на непараметрические критерии (Краскела-Уоллиса, Манна-Уитни). Интерпретируйте эффекты через η² (размер эффекта):

• η² = 0.01 — слабый,
• η² = 0.06 — средний,
• η² = 0.14 — сильный.

Чему вы научитесь

Работая с этой темой, вы освоите:

1. Разрабатывать экспериментальные парадигмы с контролем внешних переменных (например, симуляцией алгоритмической ленты).
2. Подбирать валидные и надёжные методики (например, адаптировать тест Струпа для онлайн-формата).
3. Рассчитывать мощность выборки и обосновывать её объём с помощью G*Power.
4. Оформлять этическое заключение в соответствии с требованиями РПО и вузов.
5. Интерпретировать статистические результаты не только с точки зрения p-уровня, но и размера эффекта.

FAQ

Источник: How Algorithms and Emotions Are Undermining the Way We Read Online (опубликовано 2026-04-11)