Яманова О.А. Генеративные нейронные сети как инструмент формирования политического сознания

Научная статья
УДК 32:004.8
https://doi.org/10.24158/pep.2026.3.5

Генеративные нейронные сети как инструмент формирования политического сознания

 
Ольга Александровна Яманова
Финансовый университет при Правительстве Российской Федерации, Москва, Россия,
249791@edu.fa.ru, https://orcid.org/0009-0005-1857-5499
 
Аннотация. Статья посвящена анализу воздействия генеративных нейронных сетей на политическое сознание. Актуальность исследования обусловлена стремительным распространением систем искусственного интеллекта среди населения и отсутствием комплексных исследований их влияния на политические установки граждан. Разработан методический инструментарий для анализа идеологической направленности нейросетей, включающий структурированную анкету из 43 вопросов по семи блокам политического сознания. Проведен сравнительный анализ шести нейросетевых систем (ChatGPT, Claude, DeepSeek, YandexGPT, GigaChat, Mistral.ai), представляющих четыре страны. Выявлены 11 механизмов воздействия нейросетей на политическое сознание, включая информационное капсулирование, имитацию авторитетности, упрощение смыслов и замещение критического мышления. Установлена технологическая зависимость российских нейросетей от западных систем, проявляющаяся в использовании общих обучающих данных и отсутствии альтернативного ценностного наполнения. Результаты показывают, что нейросети не являются политически нейтральными и системно транслируют ценности и установки своих разработчиков.
Ключевые слова: искусственный интеллект, генеративные нейросети, политическое сознание, цифровизация, политические ценности, информационное воздействие, ChatGPT
Финансирование: cтатья подготовлена по результатам исследований, выполненных за счет бюджетных средств по государственному заданию Финансового университета при Правительстве Российской Федерации в 2026 г. № ФИ 20 «Разработка новых концептуальных подходов к оценке и обеспечению устойчивости политических систем с учетом современных глобальных вызовов».
Для цитирования: Яманова О.А. Генеративные нейронные сети как инструмент формирования политического сознания // Общество: политика, экономика, право. 2026. № 3. С. 42–49. https://doi.org/10.24158/pep.2026.3.5.

Original article
 

Generative Neural Networks

as a Tool for Shaping Political Consciousness

 
Olga A. Yamanova
Financial University under the Government of the Russian Federation, Moscow, Russia,
249791@edu.fa.ru, https://orcid.org/0009-0005-1857-5499
 
Abstract. The article analyzes the impact of generative neural networks on political consciousness. The relevance of the study is determined by the rapid spread of artificial intelligence systems among the population and the lack of comprehensive research on their influence on citizens’ political attitudes. A methodological toolkit for analyzing the ideological orientation of neural networks has been developed, including a structured questionnaire of 43 questions across seven blocks of political consciousness. A comparative analysis of six neural network systems (ChatGPT, Claude, DeepSeek, YandexGPT, GigaChat, Mistral.ai) representing four countries was conducted. Eleven mechanisms of neural network impact on political consciousness were identified, including information encapsulation, imitation of authority, simplification of meanings, and replacement of critical thinking. The technological dependence of Russian neural networks on Western systems was established, manifested in the use of common training data and the absence of alternative value content. The results show that neural networks are not politically neutral and systematically transmit the values and attitudes of their developers.
Keywords: artificial intelligence, generative neural networks, political consciousness, digitalization, political values, information impact, ChatGPT
Funding: The article was prepared based on the results of research carried out at the expense of budgetary funds under the state assignment of the Financial University under the Government of the Russian Federation in 2026 No. FI 20 “Development of new conceptual approaches to assessing and ensuring the sustainability of political systems, taking into account modern global challenges”.
For citation: Yamanova, O.A. (2026) Generative Neural Networks as a Tool for Shaping Political Consciousness. Society: Politics, Economics, Law. (3), 42–49. Available from: doi:10.24158/pep.2026.3.5 (In Russian).

© Яманова О.А., 2026

Список источников:
 
Алексеев Р.А. Искусственный интеллект на службе государства: аргументы «за» и «против» // Журнал политических исследований. 2020. Т. 4, № 2. С. 58–69. https://doi.org/10.12737/2587-6295-2020-58-69.
Володенков С.В. Нейросетевые алгоритмы в актуальных процессах трансформации традиционных мировоззренческих и идеологических систем // Контуры глобальных трансформаций: политика, экономика, право. 2024. Т. 17, № 2. C. 6–30. https://doi.org/10.31249/kgt/2024.02.01.
Володенков С.В., Федорченко С.Н., Печенкин Н.М. Риски, угрозы и вызовы внедрения искусственного интеллекта и нейросетевых алгоритмов в современную систему социально-политических коммуникаций: по материалам экспертного исследования // Вестник Российского университета дружбы народов. Серия: Политология. 2024. Т. 26, № 2. С. 406–410. https://doi.org/10.22363/2313-1438-2024-26-2-406-424.
Зиновьева Е.С., Трапезников В.П. Международно-политическая предвзятость больших языковых моделей: критический дискурс-анализ нарративов ChatGPT, LLaMA, Gemini и DeepSeek // Полис. Политические исследования. 2026. № 1. С. 157–177. https://doi.org/10.17976/jpps/2026.01.11. EDN: VAVKWA.
Ильина Е.М. Политика и управление в условиях цифровой трансформации: политологический ракурс искусственного интеллекта // Ars Administrandi (Искусство управления). 2022. Т. 14, № 3. С. 403–421. https://doi.org/10.17072/2218-9173-2022-3-403-421.
Колесникова Г.И. Искусственный интеллект: проблемы и перспективы // Видеонаука. 2018. № 2 (10). С. 1–6.
Латур Б. Нового Времени не было. Эссе по симметричной антропологии. СПб., 2006. 240 с.
Ольшанский Д.В. Психология масс. СПб., 2001. 363 с.
Остроух А.В. Введение в искусственный интеллект. Красноярск, 2020. 250 с.
Шестопал Е.Б. Глубинная трансформация ценностных и идентификационных матриц российского общества: размышления над итогами круглого стола // Вестник Московского университета. Серия 12. Политические науки. 2023. Т. 1, № 6. С. 7–30. https://doi.org/10.55959/MSU0868-487112-2023-1-6-7-30.
Ackoff R., Addison H., Bibb S. Management f-Laws. Devon, 2007. 180 р.
Bolukbasi T., Chang K.-W., Zou J., Saligrama V., Kalai A. Quantifying and Reducing Stereotypes in Word Embeddings // ICML Workshop on #Data4Good: Machine Learning in Social Good Applications. N.Y., 2016. Р. 41–45.
Bostrom N. Superintelligence: Paths, Dangers, Strategies. Oxford, 2014. 328 р.
Crawford K. Time to Regulate AI that Interprets Human Emotions // Nature. 2021. Vol. 592, iss. 7853. P. 167. https://doi.org/10.1038/d41586-021-00868-5.
Erman E., Furendal M. Artificial Intelligence and the Political Legitimacy of Global Governance // Political Studies. 2024. Vol. 72, iss. 2. P. 421–441. https://doi.org/10.1177/00323217221126665.
Finn P., Bell L., Tatum A., Leicht C. Assessing ChatGPT as a Tool for Research on US State and Territory Politics // Political Studies Review. 2024. Vol. 23, iss. 3. P. 906–915. https://doi.org/10.1177/14789299241268652.
Rich E., Knight K. Artificial Intelligence. N.Y., 1991. 619 p.
Risse M. Political Theory of the Digital Age: Where Artificial Intelligence Might Take Us. Cambridge, 2023. 400 p. https://doi.org/10.1017/9781009255189.
Shumailov I., Shumaylov Z., Zhao Y., Papernot N., Anderson R., Gal Ya. AI Models Collapse When Trained on Recursively Generated Data // Nature. 2024. № 631. P. 755–759. https://doi.org/10.1038/s41586-024-07566-y.
Van Dijk J. The Network Society. L., 2020. 326 р. https://doi.org/10.4135/9781529739114.
 
References:
 
Ackoff, R., Addison, H. & Bibb, S. (2007) Management f-Laws. Devon. 180 р.
Alekseev, R. (2020) Artificial Intelligence in the Service of the State: Pros and Cons. Zhurnal politicheskikh issledovanii. 4 (2), 58–69. Available from: doi:10.12737/2587-6295-2020-58-69. (In Russian)
Bolukbasi, T., Chang, K.-W., Zou, J., Saligrama, V. & Kalai, A. (2016) Quantifying and Reducing Stereotypes in Word Embeddings. In: ICML Workshop on #Data4Good: Machine Learning in Social Good Applications. New York, pp. 41–45.
Bostrom, N. (2014) Superintelligence: Paths, Dangers, Strategies. Oxford. 328 р.
Crawford, K. (2021) Time to Regulate AI that Interprets Human Emotions. Nature. 592 (7853), 167. Available from: doi:10.1038/d41586-021-00868-5.
Erman, E. & Furendal, M. (2024) Artificial Intelligence and the Political Legitimacy of Global Governance. Political Studies. 72 (2), 421–441. Available from: doi:10.1177/00323217221126665.
Finn, P., Bell, L., Tatum, A. & Leicht, C. (2024) Assessing ChatGPT as a Tool for Research on US State and Territory Politics. Political Studies Review. 23 (3), 906–915. Available from: doi:10.1177/14789299241268652.
Ilyina, E.M. (2022) Politics and Administration Under Conditions of Digital Transformation: a Political Science Perspective of Artificial Intelligence. Ars Administrandi. 14 (3), 403–421. Available from: doi:10.17072/2218-9173-2022-3-403-421. (In Russian)
Kolesnikova, G.I. (2018) Artificial Intelligence: Problems and Prospects. Videonauka. (2 (10)), 1–6. (In Russian)
Latur, B. (2006) Novogo Vremeni ne bylo. Esse po simmetrichnoi antropologii [There Was No New Time. Essay on Symmetrical Anthropology]. St. Petersburg. 240 p. (In Russian)
Ol’shanskii, D.V. (2001) Psikhologiya mass [Mass Psychology]. St. Petersburg. 363 p. (In Russian)
Ostroukh, A.V. (2020) Vvedenie v iskusstvennyi intellect [Introduction to Artificial Intelligence]. Krasnoyarsk. 250 p. (In Russian)
Rich, E. & Knight, K. (1991) Artificial Intelligence. New York. 619 p.
Risse, M. (2023) Political Theory of the Digital Age: Where Artificial Intelligence Might Take Us. Cambridge. 400 p. Available from: doi:10.1017/9781009255189.
Shestopal, E.B. (2023) Deep Transformation of Identification and Value Matrixes of Russian Society: Some Thoughts after the Roundtable. Lomonosov Political Science Journal. 1 (6), 7–30. Available from: doi:10.55959/MSU0868-487112-2023-1-6-7-30. (In Russian)
Shumailov, I., Shumaylov, Z., Zhao, Y., Papernot, N., Anderson, R. & Gal, Ya. (2024) AI Models Collapse When Trained on Recursively Generated Data. Nature. (631), 755–759. Available from: doi:10.1038/s41586-024-07566-y.
Van Dijk, J. (2020) The Network Society. London. 326 р. Available from: doi:10.4135/9781529739114.
Volodenkov, S.V. (2024) Neural Network Algorithms in Current Processes of Transformation of Traditional Worldview and Ideological Systems. Outlines of Global Transformations: Politics, Economics, Law Kontury Globalʹnyh Transformacij: Politika, Ekonomika, Pravo. 17 (2), 6–30. Available from: doi:10.31249/kgt/2024.02.01. (In Russian)
Volodenkov, S.V., Fedorchenko, S.N., Pechenkin, N.M. (2024) Risks, Threats, and Challenges of Introducing Artificial Intelligence and Neural Network Algorithms into the Contemporary System of Socio-Political Communications: the Results of Expert Study. RUDN Journal of Political Science. 26 (2)б 406–410. Available from: doi:10.22363/2313-1438-2024-26-2-406-424. (In Russian)
Zinovyeva, E.S. & Trapeznikov, V.P. (2026) International Political Bias in Large Language Models: a Critical Discourse Analysis of Narratives in ChatGPT, LLaMA, Gemini, and DeepSeek. Polis. Political Studies. (1), 157–177. (In Russian)