Медведев Илья Александрович — магистр социологии, младший научный сотрудник, Центр изучения стабильности и рисков.
Москва
Ilya A. Medvedev — Master of Sociology, Junior Research Fellow, Center for Stability and Risk Studies, HSE University.
Moscow
Коротаев Андрей Витальевич — д.и.н., директор, Центр изучения стабильности и рисков, НИУ «ВШЭ»; г.н.с., Институт Африки РАН.
Москва
Andrey V. Korotayev — Doctor of Historical Sciences, Director, Center for Stability and Risk Studies, HSE University; Chief Researcher, Institute for African Studies of the Russian Academy of Sciences.
Moscow
В своей статье авторы предлагают систематический обзор основных способов применения методов машинного обучения, релевантного для политической социологии. Описывается история перехода от использования простых регрессионных моделей к комплексным моделям машинного обучения. Анализируются причины и преимущества такого перехода. Определяются основные способы использования моделей машинного обучения, которыми пользуются в смежных дисциплинах, и приводятся способы их применения к задачам предсказания революционных событий. Рассматривается когорта других исследователей, которые по-своему решали вопрос предсказания политической нестабильности от использования множества регрессионных моделей до применения машинного обучения как классификатора для твитов во время «арабской весны». Приводится расширенное описание основных направлений в области изучения поведения предикторов в моделях машинного обучения. Анализируются кейсы их применения и ограничения, с которыми могут столкнуться исследователи. Авторы приводят описание различных статистических подходов к задаче оценки параметров моделей машинного обучения. На примере анализа моделей, построенных для предсказания вероятности возникновения невооруженных революционных эпизодов, рассматриваются способы ранжирования параметров модели через оценку решающих деревьев и изменения в результирующей силе моделей. Авторы показывают, как коррелированные переменные могут влиять на полученный результат ранжирования, почему переменные могут при разных системах подсчета их важности оказываться в различных частях рейтинга. Также рассматривается способ определения границы, после которой параметры модели можно рассматривать как статистически значимые. Авторами проводится способ генерализованного представления направления связи различных переменных, с учетом их взаимодействия с другими предикторами, и дается интерпретация полученных результатов с использованием векторов Шепли. Из содержательных результатов проведенных тестов особо следует отметить выявление исключительно мощного эффекта революционных волн в революционных событиях XXI века, притом что в XXI веке эффект глобальных революционных волн оказывается сильнее эффекта волн региональных. Проведенные тесты заставляют предполагать, что особо сильными факторами, значимо повышающими в XXI веке вероятность начала невооруженных революционных выступлений (кроме эффекта революционных волн), являются следующие: высокий уровень политической коррупции, эффект инерции (невооруженные революционные или мощные протестные события в недавнем прошлом), аномалии экономического роста, высокие объемы помощи со стороны США (эффект «железной клетки либерализма» по Д. Риттеру), отсутствие нефтяной ренты, высокая численность населения, высокая продовольственная инфляция, средний уровень экономического развития, продолжительное пребывание первого лица у власти и промежуточный тип политического режима.
The authors provide a broad overview of the main applications for machine learning methods in political sociology. They describe history of the transition from simple regression models to complex machine learning models. The reasons for and benefits of this transition are discussed. The authors identify the main uses of machine learning models in related disciplines and describe how they have been applied to the task of predicting revolutionary episodes. A cohort of other researchers who have tackled the issue of predicting political instability in their own ways, from using multiple regression models to using machine learning as a classifier for tweets during the Arab Spring, is reviewed. An extended description of the main trends in the field of studying predictor behavior in machine learning models is given. Cases of their application and the limitations researchers may face are discussed. The authors describe different statistical approaches to the task of estimating parameters of machine learning models. Using the example of analyzing models built to predict the probability of revolutionary episodes, they discuss ways of ranking model parameters through the estimation of decision trees and changes in the resulting power of models. The authors show how correlated variables can influence the obtained ranking result, why variables can appear in different parts of the ranking under different systems of calculating their importance. The authors also consider the method of determining the boundary after which the model parameters can be considered statistically significant. The authors provide a method of generalized representation of the direction of association of different variables, taking into account their interaction with other predictors, and give an interpretation of the results obtained using Shepley vectors. Among the substantive results of the tests, it is especially worth noting the identification of an exceptionally powerful effect of revolutionary waves in revolutionary events of the 21st century, given that in the 21st century the effect of global revolutionary waves turns out to be stronger than the effect of regional waves. In general, the tests suggest that the following are particularly strong factors that significantly increase the probability of the onset of unarmed revolutionary uprisings in the 21st century (in addition to the effect of revolutionary waves): a high level of political corruption, the effect of inertia (unarmed revolutionary or powerful protest events in the recent past), anomalies in economic growth, high amounts of aid from the United States (the effect of the “iron cage of liberalism” according to Daniel Ritter), the absence of oil rent, high population, high food inflation, middle-income economy, long incumbent duration and an intermediate type of political regime.
The authors declare that there are no conflicts of interest present.