Цифровое моделирование тематического поля изучения культурной конгруэнтности в психологическом контексте

В работе установлены ключевые темы в современных психологических исследованиях культурной конгруэнтности с использованием метода тематического цифрового моделирования массива научных публикаций.


Актуальность и значимость проведенного исследования обусловлены
ростом значимости культурной конгруэнтности в условиях цифровой трансформации общества, изменяющей способы социализации и взаимодействия. Современные технологии требуют переосмысления психологических механизмов адаптации индивида к культурной среде, особенно в детском и подростковом возрастах. Несмотря на активное изучение этого феномена, наблюдается очевидный недостаток исследований, посвященных культурной конгруэнтности взрослых. Применение цифрового моделирования и искусственного интеллекта позволяет систематизировать знания и выявить структуру тематического поля с высокой точностью. Полученные данные открывают перспективу для дальнейшего изучения культурной конгруэнтности в ходе онтогенеза.


Конструирование тематического поля исследований культурной конгруэнтности, основанный на анализе цифровых анналов, содержащих коллекцию научных публикаций по данной тематике (112 статей), был выполнен с использованием алгоритма тематического моделирования (topic modeling) на языке программирования Python и с применением цифровых платформ, включая инструменты на основе мультимодальных нейросетей (GigaChat, Qwen, DeepSeek). В результате проведенного анализа возрастных особенностей феномена культурной
конгруэнтности выделены четыре возрастные группы: дошкольники, младшие школьники, подростки и взрослые.

культурная конгруэнтность, психологическое исследование, возрастная психология, общая психология, тематическое моделирование

1. Kulakova E.N., Nastausheva T.L., Kondratyeva I.V. Sistemnoye obzornoye issledovaniye literatury po metodologii scoping review [Systematic literature review on the methodology of scoping review] // Voprosy sovremennoy pediatrii [Current Pediatrics Issues]. 2021. Vol. 20, No. 3. P. 210–222. https://doi.org/10.15690/vsp.v20i3/2271

2. Volkova N.V., Bordunos A.K., Chiker V.A., Pochepbut L.G., Korableva S.A. Tsifrovoye modelirovaniye tematicheskogo polya izucheniya sotsial’nogo kapitala pokoleniy v organizatsiyakh [Digital modeling of the thematic field of studying intergenerational social capital in organizations] // Sotsial’naya psikhologiya i obshchestvo [Social Psychology and Society]. 2025. Vol. 16, No. 1. P. 5–27.

3. https://psyjournals.ru/journals/sps/archive/2025_n1/Volkova_et_al

4. eLIBRARY.ru. URL: https://www.elibrary.ru/defaultx.asp

5. Scopus. URL: https://www.elsevier.com

6. WoS. URL: https://clarivate.com

7. Bayanova L.F., Ganieva A.M. Kreativnost’ i kul’turnaya kongruentnost’ podrostkov [Creativity and cultural congruence of adolescents] // Natsional’nyy psikhologicheskiy zhurnal [National Psychological Journal]. 2023. Vol. 18, No. 4. P. 16–24. https://doi.org/10.11621/npj.2023.0402

8. Python. URL: https://www.python.org/

9. Kobayashi V.B., Mol S.T., Berkers H.A., Kismihók G., Den Hartog D.N. Text Mining in Organizational Research // Organizational Research Methods. 2018. Vol. 21, No. 3. P. 733–765.

10. Hagen L. Content Analysis of E-Petitions with Topic Modeling: How to Train and Evaluate LDA Models? // Information Processing & Management. 2018. Vol. 54, No. 6. P. 1292–1307.

11. Chauhan U., Shah A. Topic Modeling Using Latent Dirichlet Allocation: A Survey // ACM Computing Surveys. 2022. Vol. 54, No. 7. P. 1–35.

12. Gigachat. URL: https://giga.chat/

13. Qwen. URL: https://chat.qwen.ai/

14. Deepseek. URL: https://www.deepseek.com