Channel
@digitalpushkin
On this record: Growth · Engagement · Reactions · Posts · Citations · Cite this entry
916subscribers
+4 since we began measuring on 6 August 2026
Risers and fallers across the register · movement among entries of Under 1,000.
| Telegram ID | -1001768814517 |
|---|---|
| Type | Channel |
| Username | @digitalpushkin |
| Created | Between 1 December 2021 and 30 April 2023— estimated from Telegram’s id allocation, not measured. How this range is calculated. |
| First recorded | 6 August 2026 |
| Last confirmed live | 14 August 2026 |
| Measurements held | 3 |
| Confirmed unchanged | 1 time, most recently 14 August 2026 |
| On Telegram | t.me/digitalpushkin |
| Measured (UTC) | Subscribers | Change |
|---|---|---|
| 14 Aug 2026, 23:15 | 916 | +4 |
| 6 Aug 2026, 14:07 | 912 | no change |
| 6 Aug 2026, 04:03 | 912 | first reading |
13 posts held, back to 27 May 2026 — the reader has not yet reached the start of this channel’s public history, so older posts may sit further back, unread. Read across 1 pageof Telegram’s post history, 20 posts per page.
Nothing published in the last 30 days. ERR and ER are rolling 30-day measures, so there is nothing to compute — we hold 13 posts for this entry, the most recent from 11 July 2026. An engagement rate over an empty window would be a number about nothing.
261 reactions across 13 posts, in 9 distinct kinds. The most used accounts for 45.2% of them.
| Reaction | Count | Share | Share, drawn |
|---|---|---|---|
| ❤ | 118 | 45.2% | |
| 🔥 | 75 | 28.7% | |
| 👍 | 24 | 9.20% | |
| 🥰 | 18 | 6.90% | |
| 👏 | 13 | 4.98% | |
| ⚡ | 5 | 1.92% | |
| 🤩 | 4 | 1.53% | |
| 🎉 | 2 | 0.766% | |
| 🤔 | 2 | 0.766% |
No sentiment is inferred, and none should be read in. This table is ordered by count and by nothing else. Emoji do not carry stable meaning across languages or communities — 🙏 is thanks in one channel and mourning in another — so we publish which ones were pressed and how often, and pass no judgement on what an audience meant by them.
Precision. Telegram publishes reaction counts per emoji and short-forms each one — 4.34K, 1.2M — so any single kind at or above 1,000 reaches us at three significant figures, and only counts below 1,000 are exact. The shares above are ratios of those figures and carry the same error. This is also why the total here can differ slightly from a reaction total printed elsewhere on the page: both are sums of the same rounded parts, taken over samples with different edges.
Coverage. Reactions were read on 13 of the 13 sampled posts in this sample. Summed by Telegram’s own count on each post — not by adding up the per-emoji breakdown above — those same posts carry 261reactions in total: the kind of figure the paragraph above means by “a reaction total printed elsewhere on the page”.
Measured over the 13 most recent posts we hold, published 27 May 2026 to 11 July 2026, using the newest reading held for each. Telegram Stars are excluded: they are a payment, not a reaction, and they have their own section.
Журналы «Спутник 2.0. Россия в мире» 🔗 В прошлом году наша лаборатория была привлечена к неожиданному проекту. На первый взгляд – совсем не научному. Хотя… Как вы знаете, мы много исследуем тексты: изучаем, что удерживает внимание читателя, как устроен интерес, почему один текст хочется дочитать до конца, а другой закрывают после первого абзаца. И вдруг появился шанс проверить наши идеи не только в статьях и экспе…
❤7👏4🔥4🥰2
Вернулись с IMS-2026 – делимся короткими впечатлениями и немного рассказываем о том, что сейчас происходит в мире компьютерной лингвистики. 🖥 В этом году в рамках международной конференции «Интернет и современное общество» (IMS-2026), которая проходила в Университете ИТМО в Санкт-Петербурге, снова работала секция CompLing – и, как всегда, она собрала исследователей из самых разных областей. На одной площадке встретил…
❤10🤩4🔥2🥰2
Почему метрике DP нужна нормализация? Напомним, что DP сравнивает для каждого урока две доли: долю объёма этой части в корпусе и долю вхождений интересующего слова. Если уроки сильно различаются по размеру, то даже при очень неравномерном распределении слова DP не достигает 1, т.к. его теоретический максимум в таком корпусе меньше единицы. Сравнивать значения DP для разных слов внутри такого корпуса было бы некоррек…
🔥8👍2🤔2❤1
Как измерить равномерность распределения слова в учебнике В предыдущем посте мы выяснили, что десять появлений слова в одном уроке и десять появлений в разных уроках — это методически совсем не одно и то же. Но можно ли такое измерить? Предлагаем использовать метрику DP (Deviation of Proportions). Идея простая: допустим, интересующая нас линейка состоит из 4 учебников, суммарно в них 100 уроков. Для каждого урока с…
❤8🔥4👍3
Поговорим о повторяемости лексики в учебниках (и не только о ней) Представим, что глагол мечтать появляется в учебнике десять раз... но все десять раз в одном уроке, а потом тишина на сто страниц. А теперь представим, что он встречается те же десять раз, но в разных уроках, при этом известно количество вхождений, длина шага между уроками, а также вся метаинформация об упражнении, в котором это слово появилось. Это …
❤11🔥6👍2
После того, как мы собрали датасет RU-CEFR-Short и удостоверились в адекватности разметки, мы перешли к следующему вопросу: а можно ли научить большие языковые модели автоматически определять уровень таких коротких фрагментов текста? 🧐 Мы сравнили несколько подходов. Сначала — традиционный machine learning: модели, которые работают с признаками текста (лексика, частотность слов, синтаксис и т.д.). Сюда вошли SVM, XG…
🔥10❤6⚡5
В прошлом посте мы рассказали, как отбирали «типичные» фрагменты текстов по лингвистическим признакам. Но отдельный важный вопрос — насколько вообще стабильно эксперты оценивают такие короткие тексты и насколько можно доверять этой разметке. 😱 Чтобы это проверить, мы попросили трёх опытных преподавателей РКИ независимо оценить 400 фрагментов. 🤩 Коэффициент согласия между экспертами Krippendorff’s alpha составил 0.79…
🔥14👍5❤3
Возможно, вы помните нашу масштабную работу по разметке аутентичных фрагментов из НКРЯ по уровням сложности с точки зрения РКИ. Сейчас она находится на стадии обсчёта результатов. А пока расскажем историю с самого начала — со стадий торга, отрицания и прочих неизбежных этапов научного процесса. 😉 Итак, когда нам выпала возможность включиться в проект по разметке выдачи корпуса для РКИ-задач с помощью больших языковы…
❤17🔥4👍2👏2
Лаборатория на Северном Кавказе ⛰️ Таня Обухова и Поля Дорожкина прилетели в образовательный центр «Машук», чтобы провести несколько мастер-классов для 25 преподавателей РКИ из Китая. Коллеги знают Национальный корпус русского языка и пользуются им, однако параллельный и мультимедийный подкорпус, отдельные возможности поиска не были им знакомы. А Текстометр стал настоящим открытием! 🧐 Участники отмечали, что навык…
❤21👏5🔥1
Лучшие предзащиты проходят не в аудиториях, а на траве! Сегодня обсуждали магистерские работы. В этом году под руководством Марии Лебедевой к защите подготовлены три диссертации — и все они связаны с чтением и учебным текстом. 📈 Исследования затрагивают разные аспекты читательской деятельности: роль мотивационного компонента в обучении чтению, использование коммуникативных игр для активизации читательской деятельно…
🥰14❤10🔥10🎉1
Мы привыкли думать, что автоматическая проверка текста — это в первую очередь проверка орфографии и пунктуации. Но современные корпусные методы позволяют анализировать и более сложные вещи: - лексическую сочетаемость; - повторяемость слов и конструкций; - особенности организации текста; - естественность письменной речи в целом. В нашем исследовании мы обнаружили ещё одну интересную закономерность. К концу текста…
❤7🔥7👍4
Что такое t-score и зачем он нужен лингвистам? 🤔 Если совсем коротко, t-score — это статистическая мера, которая помогает понять, насколько часто слова встречаются вместе. Например: 🟢 принять решение 🟢 сильный дождь — типичные сочетания для русского языка. А вот конструкции вроде: 🔴 делать решение 🔴 тяжёлый дождь звучат для носителя странно и неестественно, даже если формально грамматически построены правильно. В…
❤12👍3🔥3👏2
Showing the 12 most recent of 13 posts we hold for @digitalpushkin. View and reaction counts are the latest single reading for each post, not a live figure, and a recent post is still accumulating both. A view count marked ≈ was rounded by Telegram before we ever saw it — t.me prints views in full below 1,000 and to three significant figures above, so ≈1,200,000 means somewhere between 1,150,000 and 1,249,999. Unmarked counts are exact. Text is reproduced from the public post preview and truncated for length.
Citation-graph rank — 887,169 of 1,350,102entries in the measured graph. A weighted position computed from the forward and mention edges below — republished posts weigh more than named mentions — and recomputed periodically, over the whole graph. Published only as this ordinal position, never as a score: a position is a fact, and a score printed beside one channel’s name would read as a verdict this register does not make. The two counts beneath stay separate for the same reason mentions are never summed with forwards anywhere else on this page — a named-by count costs nothing to manufacture. The top 100 by this measure, or how it is computed.
Named by 1 registered channel — every channel on the register whose own posts have named this one, by its current username or any other username it currently holds, merged from two separately captured readings of the same fact so a namer caught by only one of them is not missed and a namer both caught is not counted twice. A username this channel has since dropped is not matched — that handle may belong to someone else now, and crediting today’s namer to yesterday’s owner would misattribute it.
Named by
Channels on the register whose posts name this channel's handle.
Names
Channels on the register whose handles appear in this channel's posts.
A mention is a weaker signal than a forward and is counted separately for that reason — naming a channel is not republishing it, and a handle in a post body is easy to place deliberately. The post counts beside each row below are distinct posts in which the handle appeared, from posts we have read on both sides — the “Named by N registered channels” figure above is a different count, of distinct NAMING CHANNELS rather than posts, and is not the sum of the rows under it.
A live page changes as we take new readings, so a citation should name the measurement it is based on, not just the URL. The line below cites the subscriber count as measured 14 August 2026 — this entry's latest reading, not the date you are reading this.
“DigitalPushkin” (@digitalpushkin), 916 subscribers as measured 14 August 2026. Telegram Register, tgregister.com/channel/digitalpushkin.
Full measurement history, CC BY 4.0. Every reading this register holds for this entry, not just the latest one, as a dated, downloadable record: CSV · JSON. Free to use with attribution to tgregister.com. Each file carries its own generation timestamp, which is the figure to cite for exactly when the data was retrieved.