Кто победит на выборах-2026: нейропрогноз

Любопытный эксперимент по моделированию итогов выборов в Госдуму с помощью ИИ – популярным языковым моделям поставили задачу сформировать итоговый прогноз распределения голосов и мандатов. Соответствует духу времени. С интересом изучил и проанализировал результаты для Lenta.ru:
 
Я считаю использование ИИ в электоральном прогнозировании перспективным направлением. Для политического аналитика это возможность быстрее сопоставлять социологию, результаты предыдущих выборов и сценарии явки, проверять больше гипотез. В представленном эксперименте все четыре модели прогнозируют уверенную победу «Единой России». По основному тренду – сохранению значительного преимущества ЕР – прогноз ИИ сходится с данными последних опросов ВЦИОМ. При этом расхождения по остальным партиям дают материал для предметного обсуждения: где поддержка устойчива, а где результат сильнее зависит от поведения избирателей на финише.

Преимущество ЕР видно в цифрах: по опубликованному 4 сентября опросу ВЦИОМ у партии 37,2% – больше, чем у четырех остальных парламентских партий вместе взятых, у которых суммарно 37,1%. Отрыв от ближайшего конкурента составляет 25,6 процентного пункта. Усредненный по серединам диапазонов прогноз четырех нейросетей дает ЕР 51,1% голосов, а три модели из четырех оценивают ее результат в пределах 310–340 мандатов – примерно 69–76% состава Госдумы. Здесь важно различать рейтинг среди всех опрошенных и прогноз результата голосования: совпадение в оценке лидерства не означает буквального совпадения процентов. Данные ВЦИОМ⁠.

По «Новым людям» прогноз в 8,9% против 11,5% у ВЦИОМ я считаю объяснимым. На мой взгляд, часть поддержки НЛ – рейтинг ожиданий, «хайповый процент», который еще предстоит превратить в голоса. Я бы предположил, что устойчивое ядро молодой партии пока формируется, а симпатия в опросе не гарантирует прихода на выборы. Это возможное объяснение более сдержанной оценки нейросетей.

Отдельно интересна «Алиса»: по доле голосов за ЕР она предлагает наиболее оптимистичный диапазон – 52–55%, с более высокой нижней границей, чем у остальных моделей. Можно предположить, что на оценку влияют особенности обучения и состав данных, в том числе российских материалов. Именно возможность разбирать подобные различия делает ИИ полезным исследовательским инструментом. Следующий шаг – дать моделям одинаковые исходные данные и потребовать подробного обоснования: за счет какой явки, каких территорий и перетоков голосов они получают свой результат.