DEMO · SYNTHETIC DATA

Все графики ниже — настоящая методика Атласа, применённая к синтетическому корпусу: выдуманных интервью, вымышленные волны, респонденты и цитаты. Ни одно число здесь не описывает исследования Яндекса. Настоящий корпус доступен сотрудникам Яндекса — войти →

Служба исследований · ДЕМО корпус качественных интервью · —

Атлас корпуса

выдуманных разговоров про Поиск, Браузер и Алису — чтобы показать, как атлас превращает корпус интервью в карту для исследования.

интервью волн часов условной длительности млн слов закодированных тем

Перед нами синтетический корпус: часов условной длительности и миллиона слов сгенерированных диалогов — по объёму это около романов величиной с «Войну и мир». Атлас позволяет рассмотреть этот материал целиком: состав интервью, темы продуктов, язык доверия и денег, образы голосового ассистента. Все распределения здесь заданы генератором; расчёты показывают, как метод работает на таком материале.

Графики пересчитаны по синтетическому корпусу той же методикой showcase, что используется в настоящем атласе. Здесь можно изучить способ чтения данных; выводы о пользователях требуют настоящих интервью. Что считается и где заканчиваются возможности метода — в главе «Метод и оговорки».

§ I

Корпус одним взглядом

спросите у корпуса
На полях — готовые вопросы агенту, подключённому к корпусу. Нажмите на вопрос — он скопируется, вставьте агенту и продолжайте с того места, где остановился атлас.
Какие волны исследований шли в 2025 году и сколько интервью в каждой? скопировано ✓

Каждая точка — одно интервью. Вместе они складываются в портрет архива: когда шло поле, сколько длится разговор, про что спрашивали. У корпуса несколько осей — перетасуйте точки и посмотрите на него с разных сторон.

Рис. 1. Все интервью корпуса. Цвет — направление: ● Поиск, ● Браузер, ● Алиса, серым — остальные продукты. Наведите курсор на точку. У интервью дата волны не распознана — в режиме «хроника» они собираются стопкой слева.
§ II

Хроника поля

Хроника показывает, как интервью распределены по времени: где материал собирается в плотные волны, а где остаются промежутки. В синтетическом корпусе этот ритм задан генератором. В настоящем атласе здесь стоит вывод по данным, а причины пиков проверяются по составу волн.

Рис. 2. Интервью по месяцам. Максимум в синтетическом корпусе — . Справа интервью суммируются по календарным месяцам всех лет. Учтены только датированные волны; месяц определяется по названию волны. Этот профиль показывает устройство демо-корпуса.
§ III

Люди

спросите у корпуса
Кем работают респонденты старше 45 — и чем их занятия отличаются от молодых? скопировано ✓

Возрастная пирамида помогает увидеть состав корпуса: какие группы представлены, как распределён пол и где сведений не хватает. В демо перед нами вымышленные респонденты, а распределение задано генератором. В настоящем атласе здесь стоит вывод по данным о составе выборки.

Рис. 3. Возрастная пирамида. Слева мужчины, справа женщины. Учтённые сведения о возрасте и поле: . В демо все демографические характеристики вымышлены.

Города и занятия добавляют к портрету корпуса разные оси. Сравнивайте размер групп и полноту анкет: длинный столбец сам по себе не делает выборку представительной. В синтетическом корпусе состав городов и профессий задан генератором; в настоящем атласе здесь стоит вывод по данным.

Рис. 4. Города и занятия. Профессии сгруппированы правилами по самоописанию; покрытие — заполненных анкет. Полный словарь правил — в методе.
§ IV

Три героя

Карточки Поиска, Браузера и Алисы собирают рядом состав интервью, тон оценок, характерную лексику и мотивы болей. Показатель ×N сравнивает частоту слова в интервью направления с остальным корпусом. В демо различия заданы генератором; в настоящем атласе здесь стоит вывод по данным о каждом направлении.

§ V

Карта боли

спросите у корпуса
За что люди чаще всего хвалят Поиск? Приведи десять дословных формулировок. скопировано ✓

Из закодированных тем правила выделяют сквозные мотивы. Карта сравнивает частоту каждого мотива в интервью продукта с фоном корпуса: цвет показывает направление и силу различия, а счёт интервью помогает оценить его основание. В синтетическом корпусе распределение задано генератором; в настоящем атласе здесь стоит вывод по данным.

Рис. 5. Мотивы × продукты, lift. Наведите на клетку, чтобы увидеть счёт интервью и примеры формулировок. Переключайте боли, восторги и запросы функций: один мотив может встречаться в разных типах тем. Карта показывает выбранные продукты и мотивы; клетки с малым счётом скрыты. Мотив учитывается в интервью однократно для выбранного типа. Покрытие тем правилами-классификаторами — .
§ VI

Боли и сегменты

Эта карта переносит сравнение с продуктов на группы респондентов. Переключайте возраст и пол, сопоставляйте lift со счётом интервью и учитывайте пропуски в анкетах. В синтетическом корпусе различия между сегментами заданы генератором; в настоящем атласе здесь стоит вывод по данным, проверенный с учётом состава волн.

Рис. 6. Мотивы болей × сегменты, lift. Размеры групп указаны у строк. Для каждого среза используются доступные демографические сведения; клетки с малым счётом скрыты. Сравнение зависит от состава волн и полноты анкет.
§ VII

Страхи и доверие

спросите у корпуса
Найди реплики, где люди объясняют, почему доверяют отзывам и оценкам на Картах. скопировано ✓

Лексиконы собирают слова о доверии, спокойствии и безопасности. График сравнивает их частоты в интервью разных продуктов с фоном корпуса. Начинайте со счёта употреблений, затем смотрите на lift и контекст реплик: совпадение со словарём ещё не объясняет, чего опасается говорящий.

В синтетическом корпусе распределение этой лексики задано генератором. По нему нельзя судить, доверяют ли люди конкретному продукту или считают его источником угрозы. В настоящем атласе здесь стоит вывод по данным, проверенный чтением реплик и составом исследовательских волн.

Рис. 7. Лексика страха по продуктам, lift. Точка правее линии фона означает более высокую частоту выбранной лексики в интервью продукта. Считаются употребления словоформ; группы с малым счётом скрыты. Частота слова сама по себе не определяет отношение к продукту.
Пик на временном графике — повод вернуться к волнам и репликам. Он может возникнуть из-за темы исследования, состава участников или формулировок вопросов. В демо пики заданы генератором; в настоящем корпусе такие объяснения нужно проверять, прежде чем говорить об изменении доверия.
§ VIII

Деньги: словарь и контекст

Как в разговор входят цена, подписка, оплата и скидки? График позволяет сопоставить денежную лексику по годам, приведя частоты к общему объёму текста. В синтетическом корпусе подъёмы и спады заданы генератором; в настоящем атласе здесь стоит вывод по данным. Для его проверки важно знать, какие продукты и сценарии обсуждались в каждой волне.

Рис. 8. Денежная лексика по годам. Частоты приведены к одинаковому объёму текста. Переключатели позволяют сравнить выбранные группы слов. В демо форма линий задана генератором; при чтении настоящего корпуса нужно учитывать тематику волн.
§ IX

Алиса: команды, образы и сравнения

Глава сопоставляет обращения к ассистенту и способы описывать его как собеседника. Командные формы после имени Алисы в демо-тексте: . Ниже правила ищут языковые признаки очеловечивания. В синтетическом корпусе их распределение задано генератором; в настоящем атласе здесь стоит вывод по данным, проверенный по контексту реплик.

Сравнения в кодах тем показывают, какие альтернативы оказываются рядом с Алисой в обсуждении. Читайте их вместе с формулировками тем: соседство названий не говорит, кто оказался лучше и по какому признаку. В демо эти сравнения вымышлены; в настоящем атласе вывод об изменении точки отсчёта требует проверки по волнам и репликам.

Рис. 9. Очеловечивание и сравнения. Слева — число интервью с найденными речевыми паттернами, справа — сравнения в кодах тем. Правила ищут поверхностные признаки в репликах направления; местоимение «она» может относиться к другому субъекту. Совпадения требуют чтения контекста.
§ X

Язык эпохи

спросите у корпуса
Как менялась частота слова «агент» по годам корпуса? скопировано ✓

Временные ряды позволяют проследить, как меняется частота выбранных слов. Нормировка по объёму текста помогает сопоставлять годы с разным количеством интервью. В синтетическом корпусе эти траектории заданы генератором; в настоящем атласе здесь стоит вывод по данным о языке корпуса.

Включайте и выключайте серии, чтобы рассмотреть отдельные слова и их соседство во времени. Совпадение пиков ещё не объясняет их причину: при работе с настоящим корпусом нужно вернуться к тематике волн и самим репликам. Демо показывает способ такого чтения, а его линии не описывают изменения в жизни пользователей.

Рис. 10. Слова эпохи. Частота на 100 тысяч слов корпуса за год. Частоты отражают и язык людей, и тематику волн — это неразделимо.

Проверьте любое слово сами — словарь атласа знает словоформ с частотами по годам. Сравните два слова через запятую: например, гуглить, нейросеть и гпт, подписка и кэшбэк или вкладки и расширения.

Рис. 11. Словарь корпуса. Частота словоформы на 100 тысяч слов за год. В словаре формы с ≥80 вхождениями; ищите точную словоформу («нейросеть» и «нейросети» — разные строки).

Слова года выделяются по частоте относительно остального корпуса. В демо это словесный портрет сгенерированных волн; в настоящем атласе такой список помогает найти темы, к которым стоит вернуться:

Рис. 12. Слова года. Перекос к году против остального корпуса; ✦ — слово почти не встречается в другие годы.
§ XI

Час разговора

Медианная длительность синтетического интервью — мин; медианный объём текста — слов. Чтобы сопоставить ход интервью, метод переводит время каждого разговора в относительную шкалу и считает частоты слов по её отрезкам. В демо форма кривых задана генератором; в настоящем атласе здесь стоит вывод по данным о ходе беседы.

Рис. 13. Анатомия интервью. Ось — время разговора от 0 до 100 %; каждая кривая нормирована на собственный пик. Плотность словоформ на 100 тысяч слов пятипроцентного отрезка.

Фраза «не знаю» встречается в синтетическом корпусе раз; число интервью с ней — . В пересчёте на суммарную длительность одно употребление приходится на мин. Это описание сгенерированного текста. В настоящем атласе вывод о сомнении или формировании мнения требует чтения контекста: один счёт фразы его не заменяет.

Рис. 14. Словарь неуверенности. Число употреблений выбранных маркеров сомнения. В демо частоты получены из сгенерированных диалогов. Значение каждой формулировки зависит от контекста; совпадение со словарём не равно оценке состояния человека.
§ XII

Голос модератора

Разметка ролей позволяет отделить слова модератора от слов респондента и сравнить их доли в интервью. В синтетическом корпусе медианная доля модератора — % слов. Распределение задано генератором; в настоящем атласе здесь стоит вывод по данным, который нужно читать с учётом формата беседы и точности разметки.

Рис. 15. Сколько говорит модератор. Отметка показывает медианную долю слов исследователя, полоса — диапазон между нижним и верхним децилями распределения. В демо это характеристика сгенерированных диалогов. Доля слов сама по себе не оценивает качество модерации.

«Зеркало интервью» сопоставляет лексику модератора и респондента: какие словоформы чаще встречаются у каждой стороны. Так можно искать различия между языком вопросов и языком личного опыта. В синтетическом корпусе эти различия заданы генератором; в настоящем атласе здесь стоит вывод по данным, а отдельное слово не гарантирует правильного определения роли.

Рис. 16. Зеркало интервью. Характерные словоформы модератора и респондента; ×N показывает, во сколько раз слово чаще встречается у этой стороны по используемой метрике частоты.

По разметке синтетических диалогов медианное число вопросов модератора — ; доля употреблений «не знаю», принадлежащих респонденту, — %. Эти показатели помогают сравнивать устройство бесед. В настоящем корпусе вопросы, короткие подтверждения и признания в незнании нужно читать в контексте, прежде чем делать вывод о работе модератора.

Рис. 17. Где модератор говорит больше, где меньше. Медианная доля слов исследователя по волнам: слева — более высокая, справа — более низкая. Показаны волны, прошедшие порог по числу интервью. Названия волн в демо вымышлены; различия долей сами по себе не объясняют формат беседы.
§ XIII

Кунсткамера

спросите у корпуса
Открой любое интервью про Алису и расскажи, как колонка вписалась в жизнь семьи. скопировано ✓

Рекорды позволяют посмотреть на корпус через отдельные крайние значения: длительность интервью, объём текста и частоты выражений. В демо они вычислены по выдуманным разговорам. Это способ познакомиться с материалом и расчётами; в настоящем атласе за каждой такой карточкой стоит проверка исходного интервью.

§ XIV

Метод и оговорки

Данные. Демо содержит синтетических интервью в вымышленных волнах; датированная часть охватывает период — . Тексты, роли, темы, продукты и оценки здесь сгенерированы, а агрегаты пересчитаны методикой showcase. В рабочем процессе настоящего корпуса записи проходят автоматическую транскрибацию (ASR), роли определяет отдельная модель по диаризации и лексике, а темы, продукты и сентимент размечает LLM-пайплайн. Ошибки распознавания и разметки требуют проверки.

Что значит lift. Отношение частоты в группе к выбранному фону: значение выше единицы означает более частое употребление, ниже — более редкое. Фон указан в описании соответствующего графика. Сопоставляйте lift со счётом n; клетки с малым счётом скрыты. Даже в настоящем корпусе такие сравнения описывают материал качественных интервью и не дают долей рынка.

Главные ограничения.

  • Это демо на синтетике: интервью, волны, респонденты, цитаты и распределения вымышлены. Расчёты выполнены настоящей методикой, но по ним нельзя делать выводы об исследованиях Яндекса или его пользователях. В настоящем корпусе временные тренды также зависят от меняющегося состава волн и повестки исследований.
  • У интервью дата волны не распознана. Они исключены из хроник и временных трендов, но остаются в остальных срезах. Отсутствие даты не означает отсутствия интервью в корпусе.
  • Мотивы тем выделяются правилами-регэкспами; покрытие зависит от типа тем и их формулировок. В демо формулировки синтетические, в настоящем корпусе они получены LLM-разметкой. При чтении результатов нужно проверять ошибки классификации и возможные дубли: их влияние нельзя заранее считать малым.
  • Демографические сведения заполнены не для всех интервью. Возрастные, гендерные и профессиональные срезы используют доступные поля, поэтому состав сравниваемых групп может различаться. Демо сохраняет эту особенность метода, но сами анкеты вымышлены.

Воспроизводимость. Правила мотивов, лексиконов, направлений и профессий находятся в ingest/showcase_rules.py; атлас пересчитывается командой python -m ingest showcase. Демо-агрегаты получены применением этого метода к синтетическому корпусу. В настоящем корпусе цитаты привязаны к сегментам и извлекаются дословно; в демо и цитаты, и их источники вымышлены.

Это поверхность корпуса.

Атлас показывает, как исследовать корпус: от общего распределения — к волне, теме и отдельной реплике. Демо знакомит с методом на синтетическом материале. Сотрудники Яндекса могут войти и подключить агента к настоящему корпусу, чтобы задавать вопросы о своих продуктах и аудиториях.

Подключить агента →