350 руб
Журнал «Нейрокомпьютеры: разработка, применение» №4 за 2019 г.
Статья в номере:
Big Data и нейросетевые технологии в изучении электорального поведения
Тип статьи: научная статья
DOI: 10.18127/j19998554-201904-08
УДК: 004.383.8.032.26; 311.216; 311.218; 351/354
Авторы:

Ю.Ю. Петрунин − д.фил.н., профессор,  зав. кафедрой математических методов и информационных технологий в управлении,  факультет государственного управления, МГУ им. М.В. Ломоносова; руководитель Центра анализа больших данных в общественных науках

E-mail: Petrunin@spa.msu.ru

Ю.А. Силуянова − аспирант, факультет государственного управления, МГУ им. М.В. Ломоносова

E-mail: zernovaju@gmail.com

М.Г. Мягков − д.ф.-м.н., профессор,  факультет политологии, Университет штата Орегон (США); вед. науч. сотрудник, кафедра математических методов и информационных технологий в управлении, факультет государственного управления, МГУ им. М.В. Ломоносова

E-mail: myagkov@uoregon.edu

И.В. Козицин − аспирант, Московский физико-технический институт 

E-mail: kozitsin.ivan@mail.ru

С.Д. Осипов − студент, Московский физико-технический институт

E-mail: Petrunin@spa.msu.ru

Аннотация:

Постановка проблемы. Перспективы использования больших данных из социальных сетей (Big Data) для прогнозирования электорального поведения затруднены ограниченностью/недостаточностью, зашумленностью и искаженностью доступных в аккаунтах данных о демографических, политических и иных существенных характеристиках пользователей, что усложняет построение каузальных прогностических моделей. Совместное использование для обработки данных соцсетей статистических и нейросетевых методов позволяет решить данную задачу и получить более надежные и достоверные результаты.

Цель. При помощи технологий Big Data, методов статистического анализа, нейросетевых алгоритмов снизить размерность и объем социально-демографических данных, доступных в аккаунтах в социальной сети «ВКонтакте», и выявить закономерности электорального поведения разных групп избирателей.

Результаты. Исследование проводилось на выборке чуть более 25 тыс. человек. Были выделены основные причины искажения информации (аккаунты-клоны, сетевые тролли, «партизаны» и др.) и предложены статистические и нейросетевые методы преодоления/уменьшения искажений. Выявлено влияние гендерных, возрастных и политических характеристик пользователей соцсети на формирование кластеров и выбор фаворита на президентских выборах в России 2018 года.  

Практическая значимость. Предложенные методы и алгоритмы могут быть использованы для прогнозирования электорального поведения, а также для описания политических настроений электората, его структуры и связи с социальнодемографическими характеристиками.

Страницы: 45-57
Список источников
  1. Петрунин Ю.Ю., Зернова Ю.А. Статистические и нейросетевые методы исследования политической ситуации во Франции на примере региональных выборов 1998 и 2004 годов // Государственное управление. Электронный вестник. 2008. № 14. 
  2. Петрунин Ю.Ю., Зернова Ю.А. Статистические и нейросетевые методы прогнозирования электорального поведения на примере президентских выборов во Франции 2007 г. // Нейрокомпьютеры: разработка, применение. 2011. № 1. С. 11−24.
  3. Петрунин Ю.Ю. Исследование электорального поведения: самоорганизующиеся карты Кохонена versus статистического анализа // Вестник Московского университета. Серия 21: Управление (государство и общество). 2009. № 3. С. 45−55. 
  4. Петрунин Ю.Ю. Нейрокомпьютинг: между наукой и лженаукой // Нейрокомпьютеры: разработка, применение. 2015. № 8. С. 52−64. 
  5. Петрунин Ю.Ю. Нейрокомпьютерная парадигма и общество. М.: Издательство МГУ. 2012. 288 с.
  6. Савельев А.В. Расширение понятия нейрокомпьютера и нейрокомпьютинга // Нейрокомпьютеры: разработка, применение. 2013. № 7. С. 58-68. 
  7. Савельев А.В. Нейросоциометодология проблемы диалога между нейробиологией и нейромоделированием // Нейрокомпьютеры: разработка, применение. 2011. № 1. С. 47-63. 
  8. Петрунин Ю.Ю. Искусственный интеллект и методологические вопросы управления знаниями // Философские науки. 2016. № 8. С. 67−74. 
  9. Петрунин Ю.Ю. Информационные технологии анализа данных: Учеб. пособие. М.: Издательство МГУ. 2008. 292 с.
  10. Кохонен Т. Самоорганизующиеся карты. М.: БИНОМ. 2008. 655 с.
Дата поступления: 25 февраля 2019 г.