Хавроненко Максим Викторович, аспирант факультета политологии
Москва
Moscow
В данной статье на основе собранного массива данных с сайта Государственной думы РФ за период с 24 октября 1994 г. по 1 декабря 2022 г. настроены модели машинного обучения и нейронная сеть для прогнозирования итогов рассмотрения законопроектов нижней палатой парламента. Для предварительной обработки данных использовалась модель rubert-tiny, для прогнозирования – классификатор случайного леса, логистическая регрессия и модель нейронной сети из трех линейных слоев.Модели продемонстрировали следующие результаты: 94% точности (метрика F1 взвешенная) при прогнозировании на основе текстов прилагаемых к законопроекту документов и 87% точности при обучении на параметрах паспорта законопроекта. Обученные только на текстах законопроекта модели демонстрировали точность в 75,6%. Наиболее важным фактором, оказывающим влияние на результат прогноза, оказался текст заключения. Вторым по важности признаком стал «Субъект права законодательной инициативы» с 31,5% значимости в прогнозировании.На основе объединенных текстовых данных и параметров паспорта законопроекта лучше всего проявил себя алгоритм случайного леса. Среди обученных только на текстовых параметрах алгоритмов на первое место вышла логистическая регрессия. На вероятность принятия законопроекта не оказали существенного влияния текст финансового обоснования, текст пояснительной записки или тематика законопроекта. Автором сделаны выводы о направлениях практического применения обученных моделей, а также определены дальнейшие научные проблемы в сфере математического анализа и прогнозирования законотворчества.
In this paper, we trained our machine learning and neural network models to predict the outcome of the bills’ consideration in the Russian State Duma. We used data collected from October 24, 1994 to December 1, 2022. A rubert-tiny model was used for data preprocessing, a random forest classifier, logistic regression and a neural network model of 3 linear layers were used for prediction. The models demonstrated qualitative results on real-life data: 94% accuracy was achieved by using attached documents’ texts as the models’ parameters and 87% accuracy by training on the data from the bill’s passport. Based on the text of the draft alone, the model’s accuracy accounted for 75.6%. The most important factor influencing the prediction result was the text of the Governmental conclusion. The second most important parameter influencing the results was the “Subject of the right of legislative initiative” with 31.5% of significance in the models’ prediction. Random forest algorithm performed best when working with combined text data and bill passport parameters while logistic regression and neural network showed promising results based on textual parameters alone. The probability of bill’s adoption was not significantly influenced by the financial justification text, the explanatory note text or the subject matter of the bill. The author draws conclusions about the practical applications of the trained models, as well as identifies further scientific problems in the field of mathematical analysis and prediction of lawmaking.
The authors declare that there are no conflicts of interest present.