Использование теории множеств в сравнительно-логических методах выделения текстов на исламскую тематику в процессе мониторинга сетевых ресурсов

Повышение уровня информатизации современного общества, расширение массива печатной и электронной продукции приводят к количественному росту и значительному содержательному и структурному усложнению спорных и конфликтогенных текстов, некоторые из которых могут носить экстремистский характер.

Экстремизм в своем юридическом значении определен в статье 1 Федерального Закона № 114-ФЗ «О противодействии экстремистской деятельности», в котором дан достаточно широкий круг явлений, подпадающих под данное понятие. По мнению О.С. Жуковой, Р.Б. Иванченко, В.В. Тру-хачева, «Информационный экстремизм — это деятельность, связанная с: а) созданием, хранением и (или) распространением информации, содержащей предусмотренные законом признаки экстремистской деятельности; б) использованием информации, обрабатываемой компьютером, компьютерной системы и (или) компьютерной сети, осуществляемым в целях воздействия на принятие решения органами государственной власти, органами местного самоуправления или международными организациями, сопряженным с различными формами психического или опосредованного физического насилия (кибертерроризм); в) использованием информации, оказывающей деструктивное воздействие на психику людей, не осознаваемым ими» [1].

Информационный экстремизм неотделим от понятия информационной среды. Информацион- ная среда содержит в себе информационные и сетевые ресурсы — отдельные документы и массивы документов в библиотеках, архивах, фондах, банках данных и других информационных системах. Cетевой ресурс — это часть информации, к которой может быть осуществлен удаленный доступ с другого компьютера, обычно через локальную компьютерную сеть или посредством корпоративного интернета, как если бы ресурс находился на локальной машине. Именно в отношении таких ресурсов имеется опасность их массового распространения по электронным библиотекам, on-line магазинам, сети Интернет.

Сетевые ресурсы представлены в цифровой форме, поэтому рутинные простейшие процедуры мониторинга сетевых ресурсов могут быть осуществлены с использованием методов прикладной лингвистики. Мониторинг сетевых ресурсов, проводимый в целях первичной идентификации, поможет выявить экстремистские материалы на этапе их порождения. Результаты мониторинга будут иметь процессуальные последствия только в случае соответствующей его оценки в рамках судебной экспертизы. Правила назначения и проведения судебной экспертизы установлены Уголовнопроцессуальным кодексом РФ, Гражданским процессуальным кодексом РФ и Федеральным законом «О государственной судебно-экспертной деятельности в Российской Федерации» от 31 мая 2001 г. № 73-ФЗ.

Судебная лингвистическая экспертиза (разновидность судебной экспертизы) определяется как «процессуально регламентированное экспертное лингвистическое исследование устного и (или) письменного текста, завершающееся составлением письменного заключения по вопросам, разрешение которых требует применения специальных познаний».

Целью досудебной профилактической экспертизы информации является отсечение информационных ресурсов потенциально опасной направленности. Закономерна последующая судьба информационных материалов, признанных судом экстремистскими. В соответствии со ст. 13 Федерального закона «О противодействии экстремистской деятельности» все экстремистские материалы заносятся в единый федеральный список, который размещается в Интернете на официальном сайте Министерства юстиции РФ.

Судебная лингвистическая экспертиза опирается на доказательства, которыми как правило являются выводы экспертов о том, что тексты сообщений, высказывания в соцсетях, материалы, распространяемые на интернет-страницах содержат элементы экстремизма. Таким образом мониторинг информационной среды является одним из эффективных методов профилактики информационного экстремизма [2].

Идентификация характера текстов может являться одной из целей мониторинга сетевых информационных ресурсов. Мониторинг сетевых ресурсов может осуществляться как вручную, так и с помощью специальных средств. Специально разработанные компьютерные программы помогают преодолеть рутину в ходе обработки цифрового контента, т. е. оцифрованных текстов.

В РФ мониторинг информационных ресурсов в сети Интернет направлен в основном на выявление экстремистских материалов на государственном (русском) языке. Поэтому в таком мониторинге участвуют как правило филологи-русисты. Однако многонациональный состав населения РФ и глобализация привели к тому, что проповедники экстремизма используют для своих целей не только русский язык, но и языки субъектов федерации, а также иностранные языки, в том числе восточные [3].

В ходе мониторинга информационных ресурсов и их идентификация используются различные методы прикладной лингвистики. Настоящая статья рассматривает такие сравнительно-статистические методы идентификации как «проверка на вхождение» и «пересечение множеств».

Текст при таких методах анализируется как последовательность отдельных составляющих его элементов (символов, словоформ, грамматических классов и т. д.) или групп элементов длиной N–N-грамм. Кроме того, исследованию подвергаются такие лексико-квантитативные проявления как би- граммы и триграммы символов, наиболее частые слова языков.

Перед тем, как выполнять эти задачи, необходимо проделать процедуры предобработки текста:

• •    Нормализация и приведение слов к стандартному виду, принятому в языках типологической группы

• •    Обработку текста документа при помощи программы-морфоанализатора

• •    Автоопределение языка посредством специальной программы

• •    Определение тональности документа (входит в разряд второстепенных задач).

• • Распознавание именных сущностей, содержащихся в документе (носит факультативный характер)

«Проверка на вхождение» заключается в проверке наличия в тексте заранее маркированных слов, предполагающих принадлежность текста к искомой тематике. Процедуру проверки на вхождение можно выразить в виде алгоритма:

%Пусть [’a’,’b’,’c’] — это пространство признаков текста. Пусть ’a’ — признак, маркирующий какое-либо свойство текста (например, содержание элементов из эталонного списка). Тогда на языке программного кода:

if 'a' in ['a','b','c']:

print «В анализируемом тексте содержатся элементы из множества А. Возможно, текст носит искомый характер. « else:

print «В исследуемом тексте не обнаружено элементов из эталонного списка»

При обнаружении вхождения эталонных ключевых слов необходимо переходить к следующему этапу: проверке через работу со множествами. Множество в Python – это “контейнер”, содержащий не повторяющиеся элементы идущие в случайном порядке [4]. С множествами можно выполнять множество операций: находить объединение, пересечение, разность и симметрическую разность.

Перечислим ряд операций по сравнению множеств «mnozh1» и «mnozh2» в языке программирования Python:

% len(mnozh1) :число элементов в множестве mnozh1(размер множества).

% x in mnozh1 :принадлежит ли x множеству mnozh1

% mnozh1.isdisjoint(mnozh2) :истина, если mnozh1 и mnozh2 не имеют общих элементов

% mnozh1 == mnozh2 :все элементы mnozh1 принадлежат mnozh2, все элементы mnozh2 принадлежат mnozh1.

% mnozh1.issubset(mnozh2) или mnozh1<= mnozh2 :все элементы mnozh1 принадлежат mnozh2.

% mnozh1.issuperset(mnozh2) или mnozh1 >= mnozh2 :аналогично

Лингвистическая экспертиза

% mnozh1.difference(mnozh2, ...) mnozh1 -mnozh2 : множество из всех элементов set, не принадлежащие ни одному из other.

% mnozh1.symmetric_difference(mnozh2) или mnozh1 ^ mnozh2 :множество из элементов, встречающихся в одном множестве, но не встречающиеся в обоих.

Прикладное значение для идентификации текстов будет иметь выявление пересечения множеств ключевых слов текста и заранее разработанного “эталонного” множества ключевых слов.

Как правило с точки зрения структурностатистического подхода тексты религиозного содержания содержат в себе большой процент сигнальных слов. Эти сигнальные слова необходимо оформить в так называемый эталонный список. Наличие в каком-либо тексте таких сигнальных слов позволяет выдвинуть предположение, что текст относится к религиозной, а в некоторых случаях и экстремистской тематике.

Источником слов, включаемых в «эталонный список», являются «прецедентные тексты». Ю.Н. Караулов определяет прецедентные тексты следующим образом: «Назовем прецедентными – тексты, (1) значимые для той или иной личности в познавательном и эмоциональном отношениях, (2) имеющие сверхличностный характер, т. е. хорошо известные и широкому окружению данной личности, включая ее предшественников и современников, и, наконец, такие, (3) обращение к которым возобновляется неоднократно в дискурсе данной личности» [5]. Содержание в анализируемом тексте отрывков из прецедентных текстов поможет идентифицировать текст [6].

Прецедентные тексты в цифровом формате хранятся в составе «лингвистических ресурсов» (Linguistic Data) [7]. Лингвистические ресурсы (ЛР) – это множество определенным образом организованных речевых и языковых данных, находящихся на машинных носителях информации и используемых в различных сферах практической деятельности (образовании, промышленности, экономике, культуре, искусстве, издательстве). В самом общем виде ЛР – это своеобразные лингвистические базы данных [8, 9], которые можно обновлять и в которых можно искать ту или иную информацию. Лингвистические ресурсы необходимы как пользователям ПК, так и различным компьютерным системам, связанным с обработкой текста речи: реферирование, аннотирование и перевод текстов, автоматический анализ текста, синтез речи и текста.

Таким образом, для того чтобы успешно выполнять операции проверки на вхождение и операции со множествами, необходимо вначале набрать корпуса прецедентных текстов, а затем выделить их них ключевую терминологию, с помощью которой можно маркировать и анализируемые тексты.

Филологи-русисты уже определили прецедентные тексты религиозного содержания для выделения ключевых высказываний для христианских текстов [10, 11]. Подобную работу по источниковедению прецедентных текстов ислама предстоит проделать и востоковедам-исламоведам.

Собранные востоковедами корпуса прецедентных текстов на исламскую тематику в дальнейшем должны быть обработаны на предмет вы-деленя ключевых «сигнальных» слов. Списки выделенных ключевых сигнальных слов в дальнейшем должны быть оформлены в виде базы данных, которые и будут источником для сравнительно-статистических методов «проверка на вхождение» и «пересечение множеств».

Таким образом, задачами востоковедов-исламоведов для использования структурностатистических методов в ходе мониторинга и идентификации текстов являются:

• •    Сбор корпусов прецедентных текстов по исламской тематике на различных языках [12].

• •    Выявление из корпусов прецедентных текстов по исламской тематике сигнальных слов, наличие которых в тексте позволяет экспертам сделать выводы о включении текста в определенную категорию. Формирование «эталонного множества» сигнальных слов для выполнения операций «проверка на вхождение» и «поиск пересечения множеств» [13].

• •    Составление базы данных сигнальных слов по исламской тематике.

• •    Разработка алгоритмов и скриптов для проведения операций «Проверка на вхождение» и «Поиск пересечения множеств».