Журнал: Социологические исследованияКарачаровский В. В., Ларина У. С., Резмерица А. А.Декомпозиция и прогноз социальных настроений россиян (нейросетевой подход)

Институт социологии
ФНИСЦ РАН

версия для печати

Журнал: Социологические исследования

Карачаровский В. В., Ларина У. С., Резмерица А. А.

Декомпозиция и прогноз социальных настроений россиян (нейросетевой подход)

Карачаровский Владимир Владимирович ,
vvk@hse.ru

Ларина Ульяна Сергеевна ,
uslarina@edu.hse.ru

Резмерица Адриана Андреевна ,
aarezmeritsa@edu.hse.ru

DOI: https://doi.org/10.7868/S3034601026070051

ID статьи на сайте журнала: 11037

Ссылка при цитировании:

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: https://doi.org/10.7868/S3034601026070051

Рубрика:

Политическая социология

Аннотация

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.

Ключевые слова

социальные настроения; социетальная безопасность; шоки безопасности; прогнозирование; временные ряды; нейронная сеть; нейросетевые модели

Литература

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.