Современные социальные сети стали неотъемлемой частью жизни миллиардов людей по всему миру. Платформы, такие как Instagram, привлекают пользователей своим удобством, визуальной привлекательностью и возможностями для общения и самовыражения. Однако вместе с ростом популярности возникает и ряд проблем, связанных с чрезмерным или проблемным использованием этих сервисов. Проблемное использование Instagram может негативно сказываться на повседневной жизни, продуктивности и общем благополучии человека. В связи с этим роль новых технологий, способных эффективно выявлять и анализировать подобные паттерны поведения, становится все более важной.
Среди таких технологий особое внимание заслуживают большие языковые модели — мощные искусственные интеллекты, способные анализировать данные и извлекать скрытые психологические признаки из минимального набора пользовательских показателей. В последние годы LLM, такие как GPT-4o от OpenAI и Gemini 1.5 Pro от Google, продемонстрировали впечатляющие возможности в области обработки естественного языка и анализа психологических характеристик на основе цифрового поведения. Исследователи из Университета Турина провели масштабное исследование, в котором пытались определить, насколько точно подобные модели могут предсказывать склонность к проблемному использованию Instagram, опираясь только на ограниченный набор данных об активности пользователей — время, проведенное в приложении, частоту публикаций и количество подписчиков и подписок. Данные были собраны у 775 взрослых итальянских пользователей Instagram, что позволило собрать достаточно репрезентативную выборку для анализа.
Для оценки уровня проблемного использования применялась адаптированная версия шкалы Bergen Social Media Addiction Scale, проверенная на предмет внутренней согласованности и надежности. Модели GPT-4o и Gemini 1.5 Pro получили на вход числовые показатели активности и были запрограммированы генерировать оценки по шести ключевым симптомам, связанным с социально-медийной зависимостью: наличие сильных мыслей о платформе (салиенс), использование для изменения настроения, рост потребности (толерантность), проявления абстиненции, конфликты с учебой или работой и неудачные попытки ограничения использования. Результаты исследования показали, что обе модели смогли выявлять положительную корреляцию с самоотчетами пользователей. Максимальная связь была зафиксирована у GPT-4o — корреляция достигла 0.
414, что сопоставимо с низкой границей надежности традиционных опросников. Модель Gemini 1.5 Pro показала более скромные результаты, но также продемонстрировала существенную связь с самооценками участников. Помимо корреляций, важно отметить, что большие языковые модели выявляют не просто линейные зависимости, а сложные, зачастую нелинейные паттерны в данных — именно это позволяет GPT-4o эффективно предсказывать склонности к проблемному пользованию Instagram на основе ограниченного числа признаков, без необходимости масштабного обучения и тонкой настройки на конкретные датасеты. Сравнение с классическими методами машинного обучения показало, что LLM выдавали результаты, сопоставимые с моделями, обученными непосредственно на Instagram-метриках.
Это открывает перспективу для использования больших языковых моделей в автоматическом мониторинге и скрининге онлайн-поведения без необходимости сбора субъективных данных и длительных опросов. Несмотря на очевидный потенциал, исследование выявило важные ограничения. Во-первых, значительные отличия между распределением баллов, оценённых самими пользователями, и теми, которые предсказывали модели. Это связано с тем, что LLM оценивают исключительно объективные цифровые маркеры активности, не имея доступа к личным переживаниям и контексту, которые могут существенно влиять на субъективное восприятие проблемности использования. Во-вторых, выборка была получила методом снежного кома, что может ограничивать применимость результатов для более широкой популяции.
Также использование самоотчетов вводит потенциальные ошибки, свойственные любым методам саморегистрации. Для дальнейшего развития методики необходима проверка моделей в более разнообразных и представительских выборках, использование объективных метрик, а также внедрение перспективных методов улучшения качества предсказаний, например, техник цепочного мышления (chain-of-thought prompting) или обучения с примерами (few-shot learning). Помимо технических и научных вопросов, применение больших языковых моделей в области цифровой психологии несет ряд этических вызовов. Важно обеспечивать конфиденциальность и защиту пользовательских данных, исключать возможность нежелательной стигматизации и злоупотребления результатами предсказаний. В исследовании, о котором идет речь, особое внимание уделялось анонимности данных и исключению идентифицирующей информации.
В будущем развитие нормативно-правовой базы и создание прозрачных стандартов использования подобных технологий будут способствовать расширению их положительного влияния. Потенциал больших языковых моделей в выявлении проблемного использования социальных сетей выходит далеко за пределы Instagram. С развитием искусственного интеллекта и расширением доступа к статистическим данным открываются качественно новые возможности для своевременного выявления психологических проблем и разработки адаптивных стратегий вмешательства. Автоматизированные системы смогут поддерживать клиницистов, помогать в мониторинге групп риска и при этом снижать нагрузку на специалистов. В конечном итоге интеграция LLM в сферы цифрового здоровья и профилактики может стать важным инструментом для повышения качества жизни миллионов пользователей онлайн-платформ.
Резюмируя, использование больших языковых моделей для выявления склонностей к проблемному использованию Instagram представляет собой перспективное направление современных исследований на стыке психологии, технологий и социальных наук. Способность LLM обрабатывать ограниченный набор объективных данных и формировать надежные оценки психологического состояния пользователей открывает множество практических путей для масштабного, неинвазивного мониторинга и профилактики. Тем не менее, для полноценного внедрения необходимы дополнительные исследования, совершенствование методов оценки и надежное соблюдение этических стандартов. Такой подход соответствует трендам цифровизации здравоохранения и перспективам создания умных систем поддержки психического здоровья в эпоху социальных сетей.
