.tb-field[data-toolset-blocks-field="3ca68c8cb2e59a1cbd1ba348ec2049b6"] { font-size: 14px;color: rgba( 58, 58, 58, 1 ); }  .tb-grid,.tb-grid>.block-editor-inner-blocks>.block-editor-block-list__layout{display:grid;grid-row-gap:25px;grid-column-gap:25px}.tb-grid-item{background:#d38a03;padding:30px}.tb-grid-column{flex-wrap:wrap}.tb-grid-column>*{width:100%}.tb-grid-column.tb-grid-align-top{width:100%;display:flex;align-content:flex-start}.tb-grid-column.tb-grid-align-center{width:100%;display:flex;align-content:center}.tb-grid-column.tb-grid-align-bottom{width:100%;display:flex;align-content:flex-end} .wpv-view-output[data-toolset-views-view-editor="2f32c413606aec73f581a6de1640e97d"] > .tb-grid-column:nth-of-type(3n + 1) { grid-column: 1 } .wpv-view-output[data-toolset-views-view-editor="2f32c413606aec73f581a6de1640e97d"] > .tb-grid-column:nth-of-type(3n + 2) { grid-column: 2 } .wpv-view-output[data-toolset-views-view-editor="2f32c413606aec73f581a6de1640e97d"] > .tb-grid-column:nth-of-type(3n + 3) { grid-column: 3 } .wpv-view-output[data-toolset-views-view-editor="2f32c413606aec73f581a6de1640e97d"] .js-wpv-loop-wrapper > .tb-grid { grid-template-columns: minmax(0, 0.3333fr) minmax(0, 0.3333fr) minmax(0, 0.3333fr);grid-column-gap: 15px;grid-auto-flow: row } .tb-container .tb-container-inner{width:100%;margin:0 auto} .wp-block-toolset-blocks-container.tb-container[data-toolset-blocks-container="7d48370f73ee82b20e8be7ebe867200c"] { background: rgba( 229, 229, 229, 1 );padding: 25px; } .tb-grid,.tb-grid>.block-editor-inner-blocks>.block-editor-block-list__layout{display:grid;grid-row-gap:25px;grid-column-gap:25px}.tb-grid-item{background:#d38a03;padding:30px}.tb-grid-column{flex-wrap:wrap}.tb-grid-column>*{width:100%}.tb-grid-column.tb-grid-align-top{width:100%;display:flex;align-content:flex-start}.tb-grid-column.tb-grid-align-center{width:100%;display:flex;align-content:center}.tb-grid-column.tb-grid-align-bottom{width:100%;display:flex;align-content:flex-end} .wp-block-toolset-blocks-grid.tb-grid[data-toolset-blocks-grid="0a8c79c2a8bbbcb03c303579af95291f"] { grid-template-columns: minmax(0, 0.665fr) minmax(0, 0.335fr);grid-auto-flow: row } .wp-block-toolset-blocks-grid.tb-grid[data-toolset-blocks-grid="0a8c79c2a8bbbcb03c303579af95291f"] > .tb-grid-column:nth-of-type(2n + 1) { grid-column: 1 } .wp-block-toolset-blocks-grid.tb-grid[data-toolset-blocks-grid="0a8c79c2a8bbbcb03c303579af95291f"] > .tb-grid-column:nth-of-type(2n + 2) { grid-column: 2 } .tb-container .tb-container-inner{width:100%;margin:0 auto} .wp-block-toolset-blocks-container.tb-container[data-toolset-blocks-container="98dedab84474f5ece91917c7dfd05300"] { padding: 25px 0 25px 0; } .tb-container .tb-container-inner{width:100%;margin:0 auto} .wp-block-toolset-blocks-container.tb-container[data-toolset-blocks-container="6dea7ac8da5725828716a80405d05938"] { background: rgba( 229, 229, 229, 1 );padding: 25px; } .tb-field[data-toolset-blocks-field="35c386e1773b0f3286c256126ab08046"] { text-transform: uppercase;color: rgba( 75, 79, 88, 1 ); }  .tb-field[data-toolset-blocks-field="b9e30cc76958243e3977a30fe8c1311e"] { text-transform: uppercase;color: rgba( 75, 79, 88, 1 ); }  .tb-field[data-toolset-blocks-field="319c62734badb2e605b5e93bc094f3e9"] { font-weight: bold;text-transform: uppercase; }  .wp-block-toolset-blocks-grid-column.tb-grid-column[data-toolset-blocks-grid-column="3034fbe886c11054e95b46b09d3e4112"] { display: flex; }  @media only screen and (max-width: 781px) {  .tb-grid,.tb-grid>.block-editor-inner-blocks>.block-editor-block-list__layout{display:grid;grid-row-gap:25px;grid-column-gap:25px}.tb-grid-item{background:#d38a03;padding:30px}.tb-grid-column{flex-wrap:wrap}.tb-grid-column>*{width:100%}.tb-grid-column.tb-grid-align-top{width:100%;display:flex;align-content:flex-start}.tb-grid-column.tb-grid-align-center{width:100%;display:flex;align-content:center}.tb-grid-column.tb-grid-align-bottom{width:100%;display:flex;align-content:flex-end} .wpv-view-output[data-toolset-views-view-editor="2f32c413606aec73f581a6de1640e97d"] > .tb-grid-column:nth-of-type(3n + 1) { grid-column: 1 } .wpv-view-output[data-toolset-views-view-editor="2f32c413606aec73f581a6de1640e97d"] > .tb-grid-column:nth-of-type(3n + 2) { grid-column: 2 } .wpv-view-output[data-toolset-views-view-editor="2f32c413606aec73f581a6de1640e97d"] > .tb-grid-column:nth-of-type(3n + 3) { grid-column: 3 } .wpv-view-output[data-toolset-views-view-editor="2f32c413606aec73f581a6de1640e97d"] .js-wpv-loop-wrapper > .tb-grid { grid-template-columns: minmax(0, 0.3333fr) minmax(0, 0.3333fr) minmax(0, 0.3333fr);grid-auto-flow: row } .tb-container .tb-container-inner{width:100%;margin:0 auto}.tb-grid,.tb-grid>.block-editor-inner-blocks>.block-editor-block-list__layout{display:grid;grid-row-gap:25px;grid-column-gap:25px}.tb-grid-item{background:#d38a03;padding:30px}.tb-grid-column{flex-wrap:wrap}.tb-grid-column>*{width:100%}.tb-grid-column.tb-grid-align-top{width:100%;display:flex;align-content:flex-start}.tb-grid-column.tb-grid-align-center{width:100%;display:flex;align-content:center}.tb-grid-column.tb-grid-align-bottom{width:100%;display:flex;align-content:flex-end} .wp-block-toolset-blocks-grid.tb-grid[data-toolset-blocks-grid="0a8c79c2a8bbbcb03c303579af95291f"] { grid-template-columns: minmax(0, 0.5fr) minmax(0, 0.5fr);grid-auto-flow: row } .wp-block-toolset-blocks-grid.tb-grid[data-toolset-blocks-grid="0a8c79c2a8bbbcb03c303579af95291f"] > .tb-grid-column:nth-of-type(2n + 1) { grid-column: 1 } .wp-block-toolset-blocks-grid.tb-grid[data-toolset-blocks-grid="0a8c79c2a8bbbcb03c303579af95291f"] > .tb-grid-column:nth-of-type(2n + 2) { grid-column: 2 } .tb-container .tb-container-inner{width:100%;margin:0 auto}.tb-container .tb-container-inner{width:100%;margin:0 auto}   .wp-block-toolset-blocks-grid-column.tb-grid-column[data-toolset-blocks-grid-column="3034fbe886c11054e95b46b09d3e4112"] { display: flex; }   } @media only screen and (max-width: 599px) {  .tb-grid,.tb-grid>.block-editor-inner-blocks>.block-editor-block-list__layout{display:grid;grid-row-gap:25px;grid-column-gap:25px}.tb-grid-item{background:#d38a03;padding:30px}.tb-grid-column{flex-wrap:wrap}.tb-grid-column>*{width:100%}.tb-grid-column.tb-grid-align-top{width:100%;display:flex;align-content:flex-start}.tb-grid-column.tb-grid-align-center{width:100%;display:flex;align-content:center}.tb-grid-column.tb-grid-align-bottom{width:100%;display:flex;align-content:flex-end} .wpv-view-output[data-toolset-views-view-editor="2f32c413606aec73f581a6de1640e97d"]  > .tb-grid-column:nth-of-type(1n+1) { grid-column: 1 } .wpv-view-output[data-toolset-views-view-editor="2f32c413606aec73f581a6de1640e97d"] .js-wpv-loop-wrapper > .tb-grid { grid-template-columns: minmax(0, 1fr);grid-auto-flow: row } .tb-container .tb-container-inner{width:100%;margin:0 auto}.tb-grid,.tb-grid>.block-editor-inner-blocks>.block-editor-block-list__layout{display:grid;grid-row-gap:25px;grid-column-gap:25px}.tb-grid-item{background:#d38a03;padding:30px}.tb-grid-column{flex-wrap:wrap}.tb-grid-column>*{width:100%}.tb-grid-column.tb-grid-align-top{width:100%;display:flex;align-content:flex-start}.tb-grid-column.tb-grid-align-center{width:100%;display:flex;align-content:center}.tb-grid-column.tb-grid-align-bottom{width:100%;display:flex;align-content:flex-end} .wp-block-toolset-blocks-grid.tb-grid[data-toolset-blocks-grid="0a8c79c2a8bbbcb03c303579af95291f"] { grid-template-columns: minmax(0, 1fr);grid-auto-flow: row } .wp-block-toolset-blocks-grid.tb-grid[data-toolset-blocks-grid="0a8c79c2a8bbbcb03c303579af95291f"]  > .tb-grid-column:nth-of-type(1n+1) { grid-column: 1 } .tb-container .tb-container-inner{width:100%;margin:0 auto}.tb-container .tb-container-inner{width:100%;margin:0 auto}   .wp-block-toolset-blocks-grid-column.tb-grid-column[data-toolset-blocks-grid-column="3034fbe886c11054e95b46b09d3e4112"] { display: flex; }   } 

Статья “Перспективы использования нейронных сетей для решения задачи оценки эффективности управления регионами в условиях цифровизации общества”

Автор: Проказина Наталья Васильевна, Шеманаев Петр Анатольевич, Шекшуев Сергей Васильевич, доцент, доцент, профессор

Место работы/учебы: Российская академия народного хозяйства и государственной службы при Президенте РФ

Научный руководитель: Проказина Наталья Васильевна

Цифровизацию общества стремительно изменяет структуру общественных отношений и создает новые каналы обмена информацией. Существенная доля активности населения перетекла на цифровые информационные платформы, массово представленные социальными сетями. Однако, в существующих условиях система
органов власти не использует инструментарий информационных технологий для получения и анализа обратной связи от населения. Опираясь на теоретические предпосылки и прикладные исследования, был проведен анализ теоретического обоснования перспективности использования современных социальных сетей, построенных на базе цифровых платформ для формирования канала обратной связи. В основе выводов и положений, представленных в статье, результаты анализа теоретических исследований российских и зарубежных социологов. Работа показывает, что развиваются методы цифровой социологии на базе технологий больших данных и применяются
для решения прикладных задач. Автор предлагает использование технологии нейронных сетей для анализа публикаций пользователей социальных сетей с целью анализа эффективности управления регионами. Применение данного метода в условиях цифровизации общества, позволяет преобразовывать качественные оценки
деятельности, высказанные пользователями социальных сетей, социальными медиа в количественные показатели, выделяя проблемы регионального управления, по мнению населения регионов.

Ключевые слова: Цифровая социология; нейронные сети; социальные сети; оценка эффективности.