версия для печатиДекомпозиция и прогноз социальных настроений россиян (нейросетевой подход)
Карачаровский В. В.
кандидат экономических наук, доцент факультета экономических наук, заведующий лабораторией сравнительного анализа развития постсоциалистических обществ Национальный исследовательский университет «Высшая школа экономики», Москва, Россия vvk@hse.ru
Ларина У. С.
стажер-исследователь, НИУ «Высшая школа экономики», Москва, Россия uslarina@edu.hse.ru
Резмерица А. А.
стажер-исследователь, НИУ «Высшая школа экономики», Москва, Россия aarezmeritsa@edu.hse.ru
ID статьи на сайте журнала: 11037
Исследование выполнено за счет гранта РНФ № 24-28-01892.
Карачаровский В. В., Ларина У. С., Резмерица А. А. Декомпозиция и прогноз социальных настроений россиян (нейросетевой подход) // Социологические исследования. 2026. № 7. С. 60-75.
DOI 10.7868/S3034601026070051
На основе нейросетевого подхода проводится декомпозиция индекса социальных настроений в России за 2004–2024 гг., и моделируется динамика социальных настроений в этот период. Обсуждаются: (а) природа шоков социальных настроений в России на основе их связи с концепциями политики памяти, сверхдержавы, национальной идеи; (б) проблема амбивалентности факторов, формирующих социальные настроения; (в) преимущества и ограничения моделирования и прогноза социальных настроений на основе обучения нейронной сети. Демонстрируется возможность декомпозиции индекса социальных настроений на компоненты экономического благополучия населения, сравнительного успеха в развитии страны по сравнению с референтными для россиян странами и эпохами, а также российского «сверхдержавного» фактора, хорошо аппроксимируемого показателями военных расходов и степени открытости общества западным странам. Предлагается нейросетевая модель, позволяющая на основе универсальных (т. е. не связанных с контекстом конкретных событий) переменных предсказывать динамику социальных настроений. Объясняющая сила модели апробируется на примере предсказания шока и последующей динамики социальных настроений в 2022–2024 гг.
Горшков М.К., Бараш Р.Э. Историческая память современных россиян (история России ХХ века сквозь призму семейных историй) // Социологические исследования. 2024. № 9. С. 125–137. DOI: 10.31857/S0132162524090119; EDN: MIDOFQ.
Караганов С.А., Малютин П.Н. Российская идея-мечта XXI века // ПОЛИС. Политические исследования. 2025. № 4. С. 107–119. DOI: 10.17976/jpps/2025.04.09; EDN: UIRIIS.
Кара-Мурза С.Г. Народное хозяйство СССР. М.: Алгоритм, 2012.
Касьянова К. О русском национальном характере. М.: ИНМЭ, 1994.
Ключарев Г.А. Онтологическая проблематика в социологической интерпретации: к постановке вопроса // Социологические исследования. 2022. № 1. С. 5–16. DOI: 10.31857/S013216250017230-6; EDN: OFZZNJ.
Латов Ю.В. Между футурошоком и футуроэйфорией (восприятие будущего в контексте идеологических предпочтений современных россиян) // Социологические исследования. 2024. № 12. С. 88– 101. DOI: 10.31857/S0132162524120087; EDN: NEFVGK.
Малинецкий Г.Г., Смолин В.С. и др. Социологическая траектория в становлении ИИ: вызовы неопределенности // Проектирование будущего. М.: ИПМ им. М.В. Келдыша, 2020. С. 241–251. DOI: 10.20948/future-2020-22; EDN: QMTJQO.
Тихонова Н.Е., Дудин И.В. Идентичности россиян как фактор консолидации российского общества // Социологические исследования. 2024. № 11. С. 18–33. DOI: 10.31857/S0132162524110023; EDN: NJKPJO.
Тощенко Ж.Т. Социология жизни как концепция исследования социальной реальности // Философские науки. 2011. № 4. С. 26–43. EDN: NTBPBF.
Тощенко Ж.Т., Харченко С.В. Социальное настроение. М.: Academia, 1996.
Casti J.L. Mood Matters: From Rising Skirt Lengths to the Collapse of World Powers. N. Y.: Springer, 2010.
Cohen P.S. Social Attitudes and Sociological Enquiry // The British Journal of Sociology. 1966. Vol. 17. No. 4. P. 341–352.
Crone K. Foundations of a We-Perspective // Synthese. 2021. Vol. 198. No. 12: 11815–11832. DOI: 10.1007/s11229-020-02834-6; EDN: UCSMUN.
Funkenstein A. Collective Memory and Historical Consciousness // History and Memory. 1989. Vol. 1. No. 1. P. 5–26.
Grimmer J. We Are All Social Scientists Now: How Big Data, Machine Learning, and Causal Inference Work Together // Political Science and Politics. 2015. Vol. 48. No. 1. Р. 80–83.
Mullainathan S., Spiess J. Machine Learning: An Applied Econometric Approach // The Journal of Economic Perspectives. 2017. Vol. 31. No. 2. P. 87–106.
Myer T.D., Dahl A. Narrating Historical Injustice: Political Responsibility and the Politics of Memory // Political Research Quarterly. 2017. Vol. 70. No. 4. P. 905–917.
Rahn W.M., Kroeger B., Kite C.M. A Framework for the Study of Public Mood // Political Psychology. 1996. Vol. 17. No. 1. P. 29–58.
Ryan T.J. No Compromise: Political Consequences of Moralized Attitudes // American Journal of Political Science. 2017. Vol. 61. No. 2. P. 409–423.
Strohmaier D. Ontology, Neural Networks, and the Social Sciences // Synthese. 2021. No. 1/2. P. 4775–4794. DOI: 10.1007/s11229-020-03002-6. EDN: FNCHVH.
Taylor R. Mood Swings // Science. 2010. Vol. 329. No. 5996. P. 1149.
Varian H., Choi H. Predicting the Present with Google Trends // The Economic Record. 2012. Vol. 88. Special Iss. June: 2–9. DOI: 10.1111/j.1475-4932.2012.00809.x.