ABYSS

Полный текст PDF

Егоров Н. А., аспирант, Среднерусский институт управления – филиал РАНХиГС, Орел, Россия, egorov.nikita2033@yandex.ru ORCID

Egorov N. A., Postgraduate student, Branch of the Russian Presidential Academy of National Economy and Public Administration (RANEPA), Orel, Russia, egorov.nikita2033@yandex.ru, ORCID

Аннотация. В статье проводится системный анализ методологических оснований применения технологий искусственного интеллекта (ИИ) в политическом прогнозировании. Обосновывается, что традиционные методы прогнозирования (регрессионный анализ, ARIMA, сценарное моделирование) сталкиваются с ограничениями при работе с большими объёмами разнородных данных и нелинейной динамикой политических процессов, что создаёт запрос на внедрение ИИ-инструментов. Автор предлагает классификацию методологических подходов к использованию ИИ в политическом анализе: символьный, коннекционистский, агент-ориентированный и гибридный. Выделяются три ключевых принципа ИИ-прогнозирования: масштабная обработка данных (Big Data), адаптивность моделей и мультимодальность. Анализируются эмпирические закономерности развития ИИ (законы масштабирования, эффект эмерджентности, chinchilla scaling laws) и их значение для политического прогнозирования. На примерах конкретных систем (SAGE, MATRICS, CrisisNavigator) демонстрируются практические возможности и ограничения ИИ-инструментов. Особое внимание уделяется проблемам качества данных, интерпретируемости алгоритмов, этическим рискам и необходимости гибридных систем, сочетающих автономию модели с экспертным контролем. Делается вывод о переходе от экстенсивного масштабирования к стратегии «умных алгоритмов» и эффективного масштабирования, что предполагает дальнейшую гибридизацию методов и институциональные изменения в сфере регулирования ИИ.

Ключевые слова: искусственный интеллект, политическое прогнозирование, машинное обучение, нейронные сети, большие данные, адаптивные модели, мультимодальность, агент-ориентированное моделирование, политический анализ, эффективное масштабирование, этические риски ИИ.

Annotation. This article provides a systematic analysis of the methodological foundations of applying artificial intelligence (AI) technologies in political forecasting. It substantiates that traditional forecasting methods (regression analysis, ARIMA, scenario modelling) encounter limitations when dealing with large volumes of heterogeneous data and the non-linear dynamics of political processes, thereby creating a demand for AI-driven tools. The author proposes a classification of methodological approaches to the use of AI in political analysis: symbolic, connectionist, agent-based and hybrid. Three key principles of AI-driven forecasting are identified: big data processing, model adaptability, and multimodality. The paper examines empirical regularities in AI development (scaling laws, emergent abilities, chinchilla scaling laws) and their relevance to political forecasting. Using specific systems (SAGE, MATRICS, CrisisNavigator) as examples, the practical capabilities and limitations of AI tools are demonstrated. Particular attention is paid to issues of data quality, interpretability of algorithms, ethical risks, and the need for hybrid systems that combine model autonomy with expert oversight. It is concluded that the field is shifting from extensive scaling to a strategy of «smart algorithms» and efficient scaling, which implies further hybridisation of methods and institutional changes in AI regulation.

Keywords: artificial intelligence, political forecasting, machine learning, neural networks, big data, adaptive models, multimodality, agent-based modeling, political analysis, efficient scaling, ethical risks of AI.

Список литературы:

1. Ахременко, А. С. (2025), Политический анализ и прогнозирование в 2 ч. Часть 1: учебник и практикум для вузов, 2-е изд., испр. и доп. Издательство Юрайт, Москва.
2. Белова, Л. Н., Малахова, О. В. и Проказина, Н. В. (2016), 'Инновационная политика в системе государственного управления Российской Федерации', Вестник государственного и муниципального управления, (3), с. 123. DOI: 10.12737/22394 EDN: XHLQPH.
3. Богданова, А. (2025), 'Законы масштабирования – что это такое, как размер модели ИИ влияет на её способности и почему возникает эффект эмерджентности', DTF, 25 ноября, available at: https://dtf.ru/id2687299/4096199-zakony-masshtabirovaniya-ii-vliyanie-razmera-modeli-na-intellekt (дата обращения: 15.04.2026).
4. Богданова, А. (2025), 'Мультимодальность – что это такое и как ИИ работает с текстом, изображением и звуком одновременно', DTF, available at: https://dtf.ru/id2687299/4082538-multimodalnost-v-iskusstvennom-intellekte (дата обращения: 15.04.2026).
5. Былевский, П. Г. (2024), 'Социально-культурные риски мультимодальных больших генеративных моделей «искусственного интеллекта» (GenAI)', Культура и искусство, (6), с. 213–224. DOI: 10.7256/2454-0625.2024.6.70926 EDN: DWMERQ.
6. Вина, А. (2025), 'Изучение ансамблевого обучения и его роли в ИИ и ОД', Ultralytics, available at: https://www.ultralytics.com/ru/authors/abirami-vina (дата обращения: 15.04.2026).
7. 'Искусственный интеллект в прогнозировании: новые горизонты анализа данных и точных предсказаний' (2025), Workspace.ru, available at: https://workspace.ru/blog/iskusstvennyy-intellekt-v-prognozirovanii-novye-gorizonty-analiza-dannyh-i-tochnyh-predskazaniy/ (дата обращения: 15.04.2026).
8. Козин, А. С. (2024), 'Авторская методика прогнозирования результатов выборов на основе использования больших данных', Вестник Российского экономического университета имени Г. В. Плеханова, 21(1), с. 67–75. DOI: 10.21686/2413-2829-2024-1-67-75 EDN: ZDMCGQ.
9. 'Метод ARIMA в прогнозировании: виды, применение и особенности' (2025), Sky.pro, available at: https://sky.pro/wiki/python/ponimaem-funktsiyu-enumerate-v-python-na-primere-koda/ (дата обращения: 15.04.2026).
10. 'Механизм внимания в рекуррентных сетях' (2025), DeepMachineLearning.ru, available at: https://deepmachinelearning.ru/docs/Neural-networks/Recurrent-neural-nets/Attention-RNN (дата обращения: 15.04.2026).
11. 'Мультимодальный ИИ: новое слово в нейронных сетях' (2025), ServerFlow.ru, available at: https://serverflow.ru/blog/stati/multimodalnyy-ii-novoe-slovo-v-neyronnykh-setyakh/ (дата обращения: 15.04.2026).
12. Орищенко, В. А. (2025), 'Трансформеры в задачах прогнозирования временных рядов: теоретические основы архитектур', Моделирование и анализ данных, 15(4), с. 27–37. DOI: 10.17759/mda.2025150402 EDN: SXVCOE.
13. 'Прогнозирование с помощью ИИ: как искусственный интеллект меняет подходы к предсказанию будущего' (2025), SberDevices, available at: https://help.prom.app.sberdevices.ru/help/gigachat-api/forecasting-with-ai (дата обращения: 15.04.2026).
14. 'Сглаживание временных рядов и шума в данных с помощью Kalman Filter' (2025), MLGU.ru, available at: https://mlgu.ru/412/ (дата обращения: 15.04.2026).
15. Чапаев, И. А. (2025), 'Современные методы представления звука и архитектуры нейронных сетей для интеллектуального анализа музыкальных произведений', Вестник науки, 11(92), т. 1, с. 708–717, available at: https://www.вестник-науки.рф/article/26262 (дата обращения: 15.04.2026). EDN: PYYTHK.
16. Эльгенди, А. (2025), 'Мультимодальные модели и мультимодальное обучение: расширение возможностей ИИ', Ultralytics, available at: https://www.ultralytics.com/ru/blog/multi-modal-models-and-multi-modal-learning-expanding-ais-capabilities (дата обращения: 15.04.2026).
17. 'AdaBoost in Machine Learning' (2025), GeeksforGeeks, available at: https://www.geeksforgeeks.org/machine-learning/adaboost-in-machine-learning/ (accessed 15 April 2026).
18. Amar, J. (2022), 'AI-Driven Operations Forecasting in Data-Light Environments', McKinsey & Company, 15 February, available at: https://www.mckinsey.com/capabilities/operations/our-insights/ai-driven-operations-forecasting-in-data-light-environments (accessed 15 April 2026).
19. DeepMind (2022), 'Training Compute-Optimal Large Language Models', arXiv, arXiv:2203.15556, available at: https://arxiv.org/pdf/2203.15556 (accessed 15 April 2026).
20. 'Hybrid Models for Predicting Political Destabilisation: Integrating Structural Analysis, Machine Learning and Expert Knowledge' (2026), Research-Journal.org, 17 April, available at: https://research-journal.org/en/archive/4-166-2026-april/10.60797/IRJ.2026.166.116 (accessed 15 April 2026).
21. Kaplan, J. et al. (2020), 'Scaling Laws for Neural Language Models', arXiv, arXiv:2001.08361, available at: https://arxiv.org/abs/2001.08361 (accessed 15 April 2026).
22. Kassambara, A. (2025), 'Regression Model Validation. Regression Model Accuracy Metrics: R-square, AIC, BIC, Cp and More', STHDA, available at: https://www.sthda.com/english/articles/38-regression-model-validation/158-regression-model-accuracy-metrics-r-square-aic-bic-cp-and-more/ (accessed 15 April 2026).
23. Nachtrieb, R. T. and Smith, S. J. (2025), 'AI Hastens Limits to Exponential Growth', arXiv, arXiv:2604.23026, available at: https://arxiv.org/pdf/2604.23026 (accessed 15 April 2026).
24. OpenAI (2026), ChatGPT (March 14 version) [Large language model], available at: https://chat.openai.com/chat (accessed 15 April 2026).
25. Russell, S. and Norvig, P. (2021), Artificial Intelligence: A Modern Approach, 4th edn. Pearson, Hoboken, NJ.
26. 'Secretive Agency Uses AI, Human «Forecasters» to Predict the Future' (2025), Big Think, available at: https://bigthink.com/the-present/secretive-agency-uses-ai-human-forecasters-to-predict-future/ (accessed 15 April 2026).
27. UNDP (2025), Crisis | United Nations Development Programme, available at: https://www.undp.org/crisis (accessed 15 April 2026).

References:

1. 'AdaBoost in Machine Learning' (2025) GeeksforGeeks. Available at: https://www.geeksforgeeks.org/machine-learning/adaboost-in-machine-learning/ (Accessed: 15 April 2026).
2. Akhremenko, A.S. (2025) Politicheskiy analiz i prognozirovaniye v 2 ch. Chast 1: uchebnik i praktikum dlya vuzov [Political analysis and forecasting in 2 parts. Part 1: textbook and workshop for universities], 2nd edn, revised and expanded. Moscow: Izdatelstvo Yurayt.
3. Amar, J. (2022) 'AI-driven operations forecasting in data-light environments', McKinsey & Company, 15 February. Available at: https://www.mckinsey.com/capabilities/operations/our-insights/ai-driven-operations-forecasting-in-data-light-environments (Accessed: 15 April 2026).
4. Belova, L.N., Malakhova, O.V. and Prokazina, N.V. (2016) 'Innovatsionnaya politika v sisteme gosudarstvennogo upravleniya Rossiyskoy Federatsii' [Innovation policy in the system of public administration of the Russian Federation], Vestnik gosudarstvennogo i munitsipalnogo upravleniya, (3), p. 123. DOI: 10.12737/22394. EDN: XHLQPH.
5. Bogdanova, A. (2025a) 'Zakony masshtabirovaniya – chto eto takoye, kak razmer modeli II vliyayet na yeyo sposobnosti i pochemu voznikayet effekt emerdzhentnosti' [Scaling laws – what they are, how the size of an AI model affects its capabilities and why the emergence effect occurs], DTF, 25 November. Available at: https://dtf.ru/id2687299/4096199-zakony-masshtabirovaniya-ii-vliyanie-razmera-modeli-na-intellekt (Accessed: 15 April 2026).
6. Bogdanova, A. (2025b) 'Multimodalnost – chto eto takoye i kak II rabotayet s tekstom, izobrazheniyem i zvukom odnovremenno' [Multimodality – what it is and how AI works with text, image and sound simultaneously], DTF. Available at: https://dtf.ru/id2687299/4082538-multimodalnost-v-iskusstvennom-intellekte (Accessed: 15 April 2026).
7. Bylevskiy, P.G. (2024) 'Sotsialno-kulturnyye riski multimodallynykh bolshikh generativnykh modeley «iskusstvennogo intellekta» (GenAI)' [Socio-cultural risks of multimodal large generative artificial intelligence models (GenAI)], Kultura i iskusstvo, (6), pp. 213–224. DOI: 10.7256/2454-0625.2024.6.70926. EDN: DWMERQ.
8. Chapayev, I.A. (2025) 'Sovremennyye metody predstavleniya zvuka i arkhitektury neyronnykh setey dlya intellektualnogo analiza muzykalnykh proizvedeniy' [Modern methods of sound representation and neural network architectures for intelligent analysis of musical works], Vestnik nauki, 11(92), vol. 1, pp. 708–717. Available at: https://www.вестник-науки.рф/article/26262 (Accessed: 15 April 2026). EDN: PYYTHK.
9. DeepMind (2022) Training Compute-Optimal Large Language Models, arXiv, arXiv:2203.15556. Available at: https://arxiv.org/pdf/2203.15556 (Accessed: 15 April 2026).
10. Elgendi, A. (2025) 'Multimodalnyye modeli i multimodalnoye obucheniye: rasshireniye vozmozhnostey II' [Multimodal models and multimodal learning: expanding AI capabilities], Ultralytics. Available at: https://www.ultralytics.com/ru/blog/multi-modal-models-and-multi-modal-learning-expanding-ais-capabilities (Accessed: 15 April 2026).
11. 'Hybrid Models for Predicting Political Destabilisation: Integrating Structural Analysis, Machine Learning and Expert Knowledge' (2026) Research-Journal.org, 17 April. Available at: https://research-journal.org/en/archive/4-166-2026-april/10.60797/IRJ.2026.166.116 (Accessed: 15 April 2026).
12. 'Iskusstvennyy intellekt v prognozirovanii: novyye gorizonty analiza dannykh i tochnykh predskazaniy' [Artificial intelligence in forecasting: new horizons of data analysis and accurate predictions] (2025) Workspace.ru. Available at: https://workspace.ru/blog/iskusstvennyy-intellekt-v-prognozirovanii-novye-gorizonty-analiza-dannyh-i-tochnyh-predskazaniy/ (Accessed: 15 April 2026).
13. Kaplan, J. et al. (2020) Scaling Laws for Neural Language Models, arXiv, arXiv:2001.08361. Available at: https://arxiv.org/abs/2001.08361 (Accessed: 15 April 2026).
14. Kassambara, A. (2025) 'Regression model validation. Regression model accuracy metrics: R-square, AIC, BIC, Cp and more', STHDA. Available at: https://www.sthda.com/english/articles/38-regression-model-validation/158-regression-model-accuracy-metrics-r-square-aic-bic-cp-and-more/ (Accessed: 15 April 2026).
15. Kozin, A.S. (2024) 'Avtorskaya metodika prognozirovaniya rezultatov vyborov na osnove ispolzovaniya bolshikh dannykh' [Author's methodology for forecasting election results based on the use of big data], Vestnik Rossiyskogo ekonomicheskogo universiteta imeni G. V. Plekhanova, 21(1), pp. 67–75. DOI: 10.21686/2413-2829-2024-1-67-75. EDN: ZDMCGQ.
16. 'Metod ARIMA v prognozirovanii: vidy, primeneniye i osobennosti' [ARIMA method in forecasting: types, application and features] (2025) Sky.pro. Available at: https://sky.pro/wiki/python/ponimaem-funktsiyu-enumerate-v-python-na-primere-koda/ (Accessed: 15 April 2026).
17. 'Mekhanizm vnimaniya v rekurrentnykh setyakh' [Attention mechanism in recurrent networks] (2025) DeepMachineLearning.ru. Available at: https://deepmachinelearning.ru/docs/Neural-networks/Recurrent-neural-nets/Attention-RNN (Accessed: 15 April 2026).
18. 'Multimodalnyy II: novoye slovo v neyronnykh setyakh' [Multimodal AI: a new word in neural networks] (2025) ServerFlow.ru. Available at: https://serverflow.ru/blog/stati/multimodalnyy-ii-novoe-slovo-v-neyronnykh-setyakh/ (Accessed: 15 April 2026).
19. Nachtrieb, R.T. and Smith, S.J. (2025) AI Hastens Limits to Exponential Growth, arXiv, arXiv:2604.23026. Available at: https://arxiv.org/pdf/2604.23026 (Accessed: 15 April 2026).
20. OpenAI (2026) ChatGPT (March 14 version) [Large language model]. Available at: https://chat.openai.com/chat (Accessed: 15 April 2026).
21. Orischenko, V.A. (2025) 'Transformery v zadachakh prognozirovaniya vremennykh ryadov: teoreticheskiye osnovy arkhitektur' [Transformers in time series forecasting tasks: theoretical foundations of architectures], Modelirovaniye i analiz dannykh, 15(4), pp. 27–37. DOI: 10.17759/mda.2025150402. EDN: SXVCOE.
22. 'Prognozirovaniye s pomoshchyu II: kak iskusstvennyy intellekt menyayet podkhody k predskazaniyu budushchego' [Forecasting with AI: how artificial intelligence is changing approaches to predicting the future] (2025) SberDevices. Available at: https://help.prom.app.sberdevices.ru/help/gigachat-api/forecasting-with-ai (Accessed: 15 April 2026).
23. Russell, S. and Norvig, P. (2021) Artificial Intelligence: A Modern Approach, 4th edn. Hoboken, NJ: Pearson.
24. 'Secretive Agency Uses AI, Human «Forecasters» to Predict the Future' (2025) Big Think. Available at: https://bigthink.com/the-present/secretive-agency-uses-ai-human-forecasters-to-predict-future/ (Accessed: 15 April 2026).
25. 'Sglazhivaniye vremennykh ryadov i shuma v dannykh s pomoshchyu Kalman Filter' [Smoothing time series and noise in data using Kalman Filter] (2025) MLGU.ru. Available at: https://mlgu.ru/412/ (Accessed: 15 April 2026).
26. UNDP (2025) Crisis | United Nations Development Programme. Available at: https://www.undp.org/crisis (Accessed: 15 April 2026).
27. Vina, A. (2025) 'Izucheniye ansamblevogo obucheniya i yego roli v II i OD' [Studying ensemble learning and its role in AI and ML], Ultralytics. Available at: https://www.ultralytics.com/ru/authors/abirami-vina (Accessed: 15 April 2026).

Автор заявляет об отсутствии конфликта интересов. Автор утвердил окончательный вариант статьи.

The author declares no conflict of interest. The author has approved the final version.

Submitted for possible open access publication under the terms and conditions of the Creative Commons NonCommercial license