Разработка математической модели процессов исследования обращения граждан
Елена Николаевна Ванчикова,
Александр Николаевич Тимофеев,
Нима Батодоржиевич Садуев,
Елена Очировна Ванзатова https://doi.org/10.55648/1998-6920-2026-20-1-39-56
Аннотация
В настоящее время граждане активно участвуют в общественных обсуждениях, влияющих на жизнь общества. С развитием цифровизации пользователи всё чаще используют социальные сети и платформы обратной связи (ПОС) для высказывания мнений по различным сферам деятельности. В связи с этим возникает необходимость анализа общественных настроений с помощью современных аналитических инструментов с целью выявления потенциальных проблем на ранних стадиях. В статье описана разработка математической модели для анализа общественных настроений на основе текстовых сообщений, опубликованных в социальных сетях и других источниках. Модель включает в себя этапы предобработки данных, кластеризации обращений, именования кластеров с использованием языковых моделей и обобщения выявленных проблем.
Ключевые слова
При поддержке: Работа выполнена при финансовой поддержке республиканского бюджета Республики Бурятия, проект №25-28-20352 «Применение методов машинного обучения для оценки эффективности реализации проектов по программе «Комплексное развитие сельских территорий на основе мониторинга изменений актуальных проблем сельских жителей» и НИР «Построение математической модели для исследования общественных настроений их текстовых сообщений, опубликованных в социальных сетях на основе цифровых следов жителей Республики Бурятия».
Об авторах
Елена Николаевна Ванчикова
Бурятская государственная сельскохозяйственная академия имени В. Р. Филиппова
Россия
Россия
д. э. н., профессор кафедры менеджмента
Александр Николаевич Тимофеев
ООО «СибДиджитал»
Россия
Россия
генеральный директор ООО «СибДиджитал»
Нима Батодоржиевич Садуев
Бурятская государственная сельскохозяйственная академия имени В. Р. Филиппова
Россия
Россия
к. ф.-м. н., доцент кафедры информатики и информационных технологий в экономике
Елена Очировна Ванзатова
Бурятская государственная сельскохозяйственная академия имени В. Р. Филиппова
Россия
Россия
доцент кафедры информатики и информационных технологий в экономике
Список литературы
1. Algorithm Recommendation and Performance Prediction Using Meta-Learning / G. Palumbo, D. Carneiro, M. Guimares [et al.] // International Journal of Neural Systems. – 2023. – Vol. 33, No. 03. – DOI 10.1142/s0129065723500119. – EDN BKIHSA.
2. Brown T. B. et al. Language Models are Few-Shot Learners // Advances in Neural Information Processing Systems (NeurIPS). – 2020. – Vol. 33. – P. 1877–1901. – URL: https://proceedings.neurips.cc/paper/2020/file/1457c0d6bfcb4967418bfb8ac142f64a-Paper.pdf (дата обращения: 10.10.2025).
3. Bunova E.V., Serova V.S. METHODOLOGY FOR SOLVING PROBLEMS OF CLASSIFICATION OF APPEALS/REQUESTS OF CITIZENS TO THE “HOTLINE” OF THE PRESIDENT OF THE RUSSIAN FEDERATION // Вестник ЮУрГУ. Серия: Компьютерные технологии, управление, радиоэлектроника. 2022. №2. URL: https://cyberleninka.ru/article/n/methodology-for-solving-problems-of-classification-of-appeals-requests-of-citizens-to-the-hotline-of-the-president-of-the-russian (дата обращения: 01.10.2025).
4. Crossley, N. :Social Networks of Meaning and Communication / N. Crossley // American Journal of Sociology. – 2023. – Vol. 128, No. 6. – P. 1849-1851. – DOI 10.1086/723877. – EDN JSOZHD.
5. Development of and research on machine learning algorithms for solving the classification problem in Twitter publications / I. S. Makarov, E. R. Bagantsova, P. A. Iashin [et al.] // Computer Research and Modeling. – 2023. – Vol. 15, No. 1. – P. 185-195. – DOI 10.20537/2076-7633-2023-15-1-185-195. – EDN WWFPKJ.
6. Devlin J., Chang M.-W., Lee K., Toutanova K. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding // Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies (NAACL-HLT). – 2019. – Vol. 1. – P. 4171–4186. – DOI: 10.18653/v1/N19-1423.
7. Dildora Kabulovna Muhamediyeva, Nigora Nurmaxamadovna Abdurakhmanova, Nilufar Sirojidinovna Mirzayeva USING CONVENTIONAL NEURAL NETWORKS FOR THE PROBLEM OF TEXT CLASSIFICATION // Central Asian Academic Journal of Scientific Research. 2021. №1. URL: https://cyberleninka.ru/article/n/using-conventional-neural-networks-for-the-problem-of-text-classification (дата обращения: 15.10.2025).
8. LLM-AIDSim: LLM-Enhanced Agent-Based Influence Diffusion Simulation in Social Networks / L. Zhang, Yu. Hu, W. Li [et al.] // Systems. – 2025. – Vol. 13, No. 1. – P. 29. – DOI 10.3390/systems13010029. – EDN QNDVCX. Scopus
9. Lukai Wang, Lei Wang. A Case Study of Chinese Sentiment Analysis of Social Media Reviews Based on LSTM // SHS Web of Conferences 157, 04012 (2023). – URL: https://doi.org/10.1051/shsconf/202315704012 (дата обращения: 01.12.2025).
10. Narang Kim, Soongoo Hong. Automatic classification of citizen requests for transportation using deep learning: Case study from Boston city, Information Processing & Management,Volume 58, Issue 1, 2021, 102410, ISSN 0306-4573. URL: https://doi.org/10.1016/j.ipm.2020.102410
11. Ritushree Narayan, Pintu Samanta. A Machine Learning Approach for Sentiment Analysis Using Social Media Posts // International Journal of Information Technology and Computer Science. 2024. – 5 Vol. 16. – P. 23-35. - DOI: 10.5815/ijitcs.2024.05.02
12. Robert M. Cronin, Daniel Fabbri and Joshua C. Denny et al. A comparison of rule-based and machine learning approaches for classifying patient portal messages. Int J Med Inform. 2017. Vol. 105:110-120. - DOI: 10.1016/j.ijmedinf.2017.06.004
13. Tolebay A.N. SENTIMENT ANALYSIS OF TEXTS FROM SOCIAL NETWORKS BASED ON MACHINE LEARNING METHODS FOR MONITORING PUBLIC SENTIMENT // Вестник науки. 2025. №4 (85). URL: https://cyberleninka.ru/article/n/sentiment-analysis-of-texts-from-social-networks-based-on-machine-learning-methods-for-monitoring-public-sentiment (дата обращения: 05.12.2025).
14. Yang Y F and Zhou H, Zhou B. Data clustering based on the modified relaxation Cheeger cut model. Computational and Applied Mathematics, 2022, 41(1): 55–62.
15. Анохина, И. Ю. Кластеризация сообществ социальной сети "ВКонтакте" / И. Ю. Анохина, Е. В. Рощина // Информатика и кибернетика. – 2018. – № 2(12). – С. 34-42. – EDN UGDRUA.
16. Евдошенко Олег Игоревич, Евдошенко Наиля Ильнуровна РАЗРАБОТКА МОДЕЛИ АВТОМАТИЧЕСКОГО КЛАССИФИКАТОРА ОБРАЩЕНИЙ ГРАЖДАН // Прикаспийский журнал: управление и высокие технологии. 2024. №2 (66). URL: https://cyberleninka.ru/article/n/razrabotka-modeli-avtomaticheskogo-klassifikatora-obrascheniy-grazhdan (дата обращения: 07.12.2025).
17. Мартышкин, А. И. Возможности выявления эмоционального состояния пользователей социальных сетей с использованием методов машинного обучения / А. И. Мартышкин, В. С. Бритов, Ю. Р. Дроздова // Современные информационные технологии. – 2024. – № 40(40). – С. 25-27. – EDN JTOJBL.
18. Мыльникова, А. В. Языковые модели для предобработки текстов в машинном переводе / А. В. Мыльникова, Л. А. Мыльников // Научно-техническая информация. Серия 2: Информационные процессы и системы. – 2025. – № 7. – С. 32-44. – DOI 10.36535/0548-0027-2025-07-3. – EDN ZXFDDT. RCSI
19. Наумова Наталья Валерьевна, Абрамков Артем Олегович. К ВОПРОСУ ОБ ИСПОЛЬЗОВАНИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В СФЕРЕ РАБОТЫ С ОБРАЩЕНИЯМИ ГРАЖДАН // Гуманитарные, социально-экономические и общественные науки. 2022. №9. URL: https://cyberleninka.ru/article/n/k-voprosu-ob-ispolzovanii-iskusstvennogo-intellekta-v-sfere-raboty-s-obrascheniyami-grazhdan (дата обращения: 25.10.2025).
20. Овездурдыева Ирина Курбангельдыевна, Гараджаева Джемал Язмырадовна. Анализ социальных сетей с помощью искусственного интеллекта: современные подходы и перспективы // Наука и мировоззрение. 2025. №55. URL: https://cyberleninka.ru/article/n/analiz-sotsialnyh-setey-s-pomoschyu-iskusstvennogo-intellekta-sovremennye-podhody-i-perspektivy (дата обращения: 18.11.2025).
21. Сайфулла С., Дрежевски Р., Двиянто Ф. А., Арибово А. С., Фаузия Ю. (2023). Анализ тональности с использованием подхода машинного обучения, основанного на извлечении признаков, для выявления тревожности. В кн.: Микишка, Я., де Мулатье, К., Пашински, М., Кржижановская, В. В., Донгарра, Дж. Дж., Слоот, П. М. (ред.) Вычислительная наука — ICCS 2023. ICCS 2023. Конспект лекций по информатике, том 14074. Springer, Cham. https://doi.org/10.1007/978-3-031-36021-3_38
22. Тумбинская М.В., Галиев Р.А. Идентификация фейк-новостей с помощью веб-ресурса на основе нейронных сетей // Программные продукты и системы. 2023 Т. 36 № 4 С. 590–599. DOI: 10.15827/0236-235X.142.590-599
23. Улизько Максим Валерьевич, Ватьян Александра Сергеевна, Гусарова Наталия Федоровна, Добренко Наталья Викторовна. Применение больших языковых моделей для юридических экспертиз // ЭПИ. 2025. №1. URL: https://cyberleninka.ru/article/n/primenenie-bolshih-yazykovyh-modeley-dlya-yuridicheskih-ekspertiz (дата обращения: 18.10.2025).
24. Ярушкина, Н. Г. Применение языковых моделей word2vec и bert в задаче сентимент-анализа текстовых сообщений социальных сетей / Н. Г. Ярушкина, В. С. Мошкин, А. А. Константинов // Автоматизация процессов управления. – 2020. – № 3(61). – С. 60-69. – DOI 10.35752/1991-2927-2020-3-61-60-69. – EDN GHTFEZ.
Рецензия
Для цитирования:
Ванчикова Е.Н., Тимофеев А.Н., Садуев Н.Б., Ванзатова Е.О. Разработка математической модели процессов исследования обращения граждан. Вестник СибГУТИ. 2026;20(1):39-56. https://doi.org/10.55648/1998-6920-2026-20-1-39-56
For citation:
Vanchikova E.N., Timofeev A.N., Saduev N.B., Vanzatova E.O. Development of a mathematical model for the processes of researching citizen appeals. The Herald of the Siberian State University of Telecommunications and Information Science. 2026;20(1):39-56. (In Russ.) https://doi.org/10.55648/1998-6920-2026-20-1-39-56
Просмотров:
138
JATS XML
Послать статью по эл. почте 
