Аннотация: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. обучены 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.
Ключевые слова: поименное голосование; Государственная Дума РФ; прогнозирование законотворчества; законодательные исследования; нейронные сети; ru-BERT; машинное обучение.