Влияние моделей потребления в социальных сетях на самооценку пользователей

В современную цифровую эпоху социальные сети превратились из инструмента коммуникации в мощную среду социализации, оказывающую глубокое влияние на психологическое благополучие и идентичность личности. Особую остроту приобретает проблема формирования самооценки, которая все чаще кристаллизуется в виртуальном пространстве, насыщенном образами и стандартами «идеального тела». Несмотря на общепризнанный тезис о негативном влиянии интенсивного использования соцсетей, эмпирические данные о конкретных поведенческих паттернах, лежащих в основе этого влияния, остаются фрагментарными. Существует явное противоречие между декларируемой связью и недостатком понимания ее структурных механизмов: что именно в цифровом поведении — не вообще «время онлайн», а конкретные практики — служит ключевым фактором уязвимости?

Целью данного исследования является выявление и описание структурных взаимосвязей между поведенческими практиками в социальных сетях, рассмотренными на примере такого объективного показателя, как численность подписок, и компонентами самооценки, связанными с восприятием тела.

В рамках работы решаются следующие задачи:

Макарова Софья Андреевна - студент Липецкого государственного технического университета

Силкина Наталья Александровна - кандидат социологических наук, доцент, доцент кафедры социологии

Липецкого государственного технического университета (научный руководитель)

S. Makarova - Student of Lipetsk State Technical University

N. Silkina - Candidate of Sociological Sciences, Associate Professor, Associate Professor of the Department of Sociology, Lipetsk State Technical University (Scientific supervisor)

• -    проверяется центральная гипотеза о том, что численность подписок в социальных сетях определяет самооценку человека;

• -    выявляются скрытые факторы, структурирующие установки пользователей в отношении самооценки и образа тела;

• -    выстраиваются типичные психолого-поведенческие профили пользователей на основе их цифровых практик.

Исходная гипотеза исследования заключается в том, что численность подписок выступает ключевым поведенческим фактором, детерминирующим уровень и характер самооценки пользователя, создавая информационную среду, которая непосредственно влияет на процессы социального сравнения и самовосприятия.

Для верификации данной гипотезы и решения поставленных задач было проведено авторское исследование методом онлайн-опроса. Полученные данные были подвергнуты статистическому анализу с применением двух взаимодополняющих методов: факторного анализа, направленного на выявление скрытых конструктов, и кластерного анализа, призванного перейти от переменных к типологии пользователей. Это позволило не только проверить наличие связи, но и вскрыть ее внутреннюю структуру и механизм работы.

Теоретической основой для осмысления выявленных взаимосвязей послужили классические и современные социологические и социально-психологические концепции. Фундаментальный механизм, лежащий в основе влияния социальных сетей на самооценку, описывается теорией социального сравнения Леона Фестингера. Согласно ей, индивиды обладают врожденным стремлением оценивать свои мнения и способности, и в условиях отсутствия объективных критериев делают это путем сравнения с другими людьми [2]. В контексте цифровой среды этот процесс интенсифицируется: пользователь оказывается в перманентной ситуации «восходящего сравнения», где постоянно сталкивается с тщательно отобранными и отредактированными образами блогеров и знаменитостей, которые воспринимаются как релевантная референтная группа. Это создает устойчивую основу для формирования негативной самооценки, так как реальная внешность и жизнь индивида почти неизбежно проигрывают в этом виртуальном сопоставлении.

Дополнительное давление на пользователя оказывает практика «управления впечатлениями», концептуализированная Ирвингом Гофманом как театрализованное представление себя в повседневном взаимодействии [1]. В социальных сетях этот процесс достигает своего апогея, превращаясь в целенаправленную жизнь — курируемую версию реальности, где каждая деталь (от фильтра до текста поста) подчинена созданию идеализированного имиджа. Однако постоянное проецирование «идеального Я» порождает внутренний конфликт и давление, заставляя индивида соответствовать транслируемому же им же стандарту. Это приводит к явлению, известному как «самообъективация» [4], когда человек начинает воспринимать себя преимущественно как внешний объект для оценки, а его самооценка становится зависимой от соответствия этим навязанным, часто недостижимым, визуальным канонам.

Современные эмпирические исследования последовательно подтверждают эти теоретические построения. Многочисленные работы демонстрируют устойчивую корреляцию между интенсивностью использования визуально-ориентированных платформ и ростом риска развития негативного образа тела, дисморфических расстройств, тревожности и симптомов депрессии [5]. Ключевым фактором здесь выступает не просто пассивное потребление контента, а именно активная вовлеченность в оценочные практики: постоянный мониторинг чужих профилей, сравнение и, что особенно важно, зависимость от внешней валидации в форме лайков и комментариев. Исследования показывают, что именно эта зависимость от фидбека превращает самооценку в «рыночный актив», чья стоимость колеблется в зависимости от социального одобрения [3]. Таким образом, современный научный дискурс смещает фокус с количественных показателей использования соцсетей на качественные аспекты пользовательского опыта, связанные с эмоциональными и сравнительными паттернами поведения, что и определило методологический замысел данного исследования.

Для эмпирической проверки гипотезы было проведено авторское исследование, основанное на количественной методологии. Сбор данных осуществлялся методом онлайн-опроса, географически локализованного в Липецкой области. Целевой контингент составила молодежь в возрасте от 14 до 35 лет — социально активная группа, наиболее вовлеченная в цифровые практики и восприимчивая к нормам, транслируемым через социальные сети. Общий объем выборки составил 200 респондентов, из которых после процедуры контроля и очистки данных для последующего статистического анализа было отобрано 188 валидных наблюдений, что свидетельствует о высоком качестве первичного материала и корректности процедуры сбора.

Инструментарий исследования включал блок вопросов, направленных на диагностику двух ключевых групп переменных. Первую группу составили поведенческие практики, в частности, объективный показатель — «Число подписок на аккаунты (примерно)». Вторую группу образовали субъективно-психологические установки, измеряемые по пятибалльной шкале Лайкерта (от 1 — «Полностью не согласен» до 5 — «Полностью согласен»). К ним относятся: «Для меня важно количество лайков и комментариев под моими постами», «Я часто сравниваю свою внешность с внешностью блогеров/знаменитостей», «Это сравнение чаще заставляет меня чувствовать себя неуверенно» и «Я чувствую давление со стороны соцсетей, чтобы соответствовать определенным стандартам внешности».

Для комплексного анализа данных были применены два взаимодополняющих статистических метода, что позволило рассмотреть объект исследования с разных сторон. Факторный анализ был использован с целью верификации внутренней структуры изучаемого феномена. Задача заключалась в том, чтобы выявить скрытые (латентные) конструкты, лежащие в основе множества наблюдаемых переменных, и проверить, образуют ли вопросы, касающиеся самооценки и образа тела, единый фактор, и как в эту структуру интегрируется поведенческая переменная — «число подписок». Этот метод направлен на проверку структуры взаимосвязей между признаками.

С целью перехода от анализа признаков к анализу самих носителей этих признаков был применен кластерный анализ. Его ключевой целью была объективная классификация респондентов на однородные группы по схожему сочетанию поведенческих и психологических характеристик. Мы стремились проверить, существуют ли в реальности четко различимые типы пользователей, такие как «уязвимые» и «устойчивые», и как в рамках этих эмпирически выявленных профилей соотносится паттерн потребления контента (число подписок) с комплексом установок, связанных с самооценкой. Таким образом, если факторный анализ отвечает на вопрос о структуре явления, то кластерный анализ отвечает на вопрос о типологии его носителей.

Проведенный статистический анализ выявил сложный, нелинейный характер взаимосвязей между изучаемыми переменными. Первоначальная проверка гипотезы с помощью факторного анализа дала вполне определенный результат. Как показали расчеты, переменная «Число подписок» демонстрирует статистически незначимые корреляции с психологическими показателями (коэффициенты находятся в диапазоне от -0,009 до 0,166), а в итоговой факторной структуре была вынесена в отдельный, ортогональный фактор. Достоверность проведенного анализа подтверждается высокими значениями метрик: показатель KMO (0,780) и уровень значимости критерия Бартлетта (p < 0,001) свидетельствуют о релевантности данных для факторного анализа.

Центральным результатом стало формирование основного фактора, условно обозначенного как «Эмоционально-оценочная уязвимость», который объяснил 56,7% общей дисперсии. В этот латентный конструкт с высокими факторными нагрузками (от 0,782 до

0,906) вошли все переменные, связанные с самооценкой и восприятием тела: склонность к социальному сравнению, переживание неуверенности, давление социальных стандартов и значимость внешней валидации (лайки, комментарии) (табл. 1). При этом переменная количества подписок не вошла в структуру данного фактора. Таким образом, на структурном уровне первоначальная гипотеза не подтвердилась: численность подписок не является интегральным компонентом психологического конструкта самооценки. Основным фактором уязвимости выступает не объем потребляемого контента как таковой, а внутренние механизмы социального сравнения и эмоциональной зависимости от обратной связи, что полностью согласуется с положениями теории социального сравнения Фестингера и современными исследованиями, подчеркивающими значение оценочных практик в цифровой среде.

Таблица 1. Матрица компонентов (метод главных компонент)

Матрица компонентов
	Компонент
	1	2
Насколько вы согласны со следующими утверждениями об образе тела в соцсетях? (Шкала: 1 «Полностью не согласен», 5 «Полностью согласен») / Это сравнение чаще заставляет меня чувствовать себя неуверенно.	,906
Насколько вы согласны со следующими утверждениями об образе тела в соцсетях? (Шкала: 1 «Полностью не согласен», 5 «Полностью согласен») / Я часто сравниваю свою внешность с внешностью блогеров/знаменитостей.	,851
Насколько вы согласны со следующими утверждениями об образе тела в соцсетях? (Шкала: 1 «Полностью не согласен», 5 «Полностью согласен») / Я чувствую давление со стороны соцсетей, чтобы соответствовать определенным стандартам внешности (диеты, спорт, процедуры).	,823
Насколько вы согласны с утверждениями? (Шкала: 1 «Полностью не согласен», 5 «Полностью согласен») / Для меня важно количество лайков и комментариев под моими постами.	,782	-,228
На скольких аккаунтах вы подписаны (примерно)?	,177	,975
Метод выделения факторов: метод главных компонент. Извлечено компонентов - 2.

Более глубокое понимание исследуемого феномена предоставил кластерный анализ, который позволил перейти от анализа переменных к идентификации типологии реальных пользователей. Несмотря на отсутствие прямой структурной связи на уровне латентных конструктов, анализ выявил два статистически значимых и устойчивых сегмента. Все примененные методы — двухэтапный, иерархический и k-средних — продемонстрировали конвергентные результаты в идентификации двух кластеров. Двухэтапный метод автоматически определил оптимальную модель с двумя сбалансированными группами (86 и 102 человека). Иерархический метод визуализировал процесс кластеризации, показав, как переменные самооценки формируют компактное «ядро», которое на высоком уровне статистического расстояния объединяется с кластером, содержащим поведенческую переменную. Метод k-средних окончательно подтвердил существование двух дискретных кластеров с высокозначимыми межгрупповыми различиями (ANOVA, p < 0,001 для всех переменных), что позволило построить их содержательные психологические портреты.

Кластер 1 («Устойчивые пользователи с низкой вовлеченностью») характеризуется последовательно низкими показателями по всем шкалам самооценки (≈2 балла по 5-балльной шкале), что отражает их психологическую стабильность и независимость от внешней оценки. Кластер 2 («Вовлеченные пользователи с уязвимой самооценкой») демонстрирует противоположный профиль с высокими значениями (≈4 балла) по шкалам социального сравнения, переживания неуверенности, давления стандартов внешности и значимости лайков. Примечательно, что среднее значение количества подписок в обоих кластерах оказалось статистически идентичным (≈2 балла), что опровергает упрощенное представление о прямой детерминации между объемом потребляемого контента и особенностями самооценки (табл. 2).

Таблица 2. Конечные центры кластеров

Конечные центры кластеров
	Кластер
	1	2
На скольких аккаунтах вы подписаны (примерно)?	2	2
Насколько вы согласны со следующими утверждениями об образе тела в соцсетях? (Шкала: 1 «Полностью не согласен», 5 «Полностью согласен») / Я чувствую давление со стороны соцсетей, чтобы соответствовать определенным стандартам внешности (диеты, спорт, процедуры).	2	4
Насколько вы согласны со следующими утверждениями об образе тела в соцсетях? (Шкала: 1 «Полностью не согласен», 5 «Полностью согласен») / Это сравнение чаще заставляет меня чувствовать себя неуверенно.	2	4
Насколько вы согласны со следующими утверждениями об образе тела в соцсетях? (Шкала: 1 «Полностью не согласен», 5 «Полностью согласен») / Я часто сравниваю свою внешность с внешностью блогеров/знаменитостей.	2	4
Насколько вы доверяете мнению о красоте и теле от микро-инфлюенсеров (1-10 тыс. подписчиков) по сравнению с мнением крупных звезд?	3	3
Насколько вы согласны с утверждениями? (Шкала: 1 «Полностью не согласен», 5 «Полностью согласен») / Для меня важно количество лайков и комментариев под моими постами.	2	4
Насколько вы согласны с утверждениями? (Шкала: 1 «Полностью не согласен», 5 «Полностью согласен») / Я доверяю мнению блогеров/экспертов, на которых подписан(а).	3	4

Кажущееся противоречие между результатами факторного и кластерного анализа находит свое разрешение при их комплексной интерпретации. Факторный анализ показал, что число подписок не определяет самооценку на уровне индивидуальных установок и не входит в структуру соответствующего латентного конструкта. В то же время кластерный анализ демонстрирует, что данный поведенческий показатель выступает стабильным маркером системного поведенческого паттерна. Это означает, что для формирования уязвимой самооценки важна не абсолютная величина потребления контента, а то, что даже умеренная активность в социальных сетях в сочетании с определенным психологическим складом — выраженной склонностью к социальному сравнению, потребностью в постоянной валидации и повышенной чувствительностью к социальному давлению — формирует целостный и клинически релевантный синдром «уязвимого пользователя».

Таким образом, первоначальная гипотеза получает существенное уточнение: хотя численность подписок не является прямой детерминантой самооценки, она выступает значимым элементом поведенческого контура, который замыкается на комплекс психологической уязвимости, создавая тем самым самоподдерживающийся цикл негативного самовосприятия. Это объяснение позволяет снять кажущееся противоречие между отсутствием структурной связи и наличием четкой типологической дифференциации, демонстрируя многомерный характер изучаемого феномена.

Проведенное исследование позволяет сделать ряд существенных выводов, уточняющих природу взаимосвязи между цифровыми практиками и самооценкой. Первоначальная гипотеза о прямом детерминирующем влиянии численности подписок на самооценку не получила подтверждения на структурном уровне. Факторный анализ четко показал, что поведенческий показатель объема потребляемого контента не входит в латентный конструкт «эмоционально-оценочной уязвимости», образуя независимую переменную. Однако применение кластерного анализа позволило вскрыть более сложный характер этой связи. Было установлено, что число подписок выступает интегральным элементом целостного поведенческого синдрома, системно связанного с уязвимой самооценкой. Идентификация двух устойчивых типов пользователей — «устойчивых с низкой вовлеченностью» и «вовлеченных с уязвимой самооценкой» — при идентичном среднем количестве подписок в обоих кластерах указывает на то, что ключевым дифференцирующим фактором является не масштаб, а качественная характеристика пользовательского опыта, определяемая интенсивностью механизмов социального сравнения и потребностью в внешней валидации.

Теоретическая значимость работы заключается в преодолении упрощенного количественного подхода к изучению влияния социальных сетей. Результаты свидетельствуют, что риски для самооценки кроются не в пассивном потреблении контента как таковом, а в специфической активной позиции пользователя, вовлеченного в оценочные практики и находящегося в цикле негативного социального сравнения, что полностью согласуется с классическими концепциями Фестингера и Гофмана, перенесенными в цифровой контекст. С практической точки зрения, это смещает фокус с рекомендаций по формальному ограничению числа подписок на развитие критической цифровой грамотности и навыков эмоциональной саморегуляции. Программы психологического просвещения и благополучия должны быть нацелены на формирование у пользователей осознанного отношения к контенту, распознавания стратегий управления впечатлениями и снижения зависимости от фидбека в построении самооценки.

Перспективы дальнейших исследований видятся в нескольких направлениях. Во-первых, это изучение роли алгоритмов рекомендаций, которые целенаправленно формируют индивидуальную информационную среду, потенциально усугубляя склонность к сравнению. Во-вторых, представляет интерес сравнительный анализ влияния разного типа контента — например, бьюти-индустрии, пропагандирующей узкие стандарты, против бодипозитивного и нейтрального контента. Наконец, для установления причинно-следственных связей необходимы лонгитюдные исследования, которые позволят отследить, как изменяется самооценка пользователей в динамике под влиянием их постоянно эволюционирующих цифровых практик.