Мнения россиян о семейной ипотеке (анализ с использованием искусственного интеллекта).

Программа семейной ипотеки является одним из ключевых инструментов современной государственной политики России по поддержке семей с детьми и повышению рождаемости. Цель настоящей работы заключается в классификации пользовательских комментариев в социальных сетях по теме семейной ипотеки для выявления присутствия демографического контекста в обсуждении данной меры в социальных сетях и оценки эмоциональной окраски дискуссий. Использованы материалы нескольких социальных сетей (более 55 тыс. комментариев из социальной сети Instagram и более 23 тыс. комментариев из видеохостинга YouTube) и следующие методы: сентиментанализ для оценки эмоциональной окраски комментариев (позитивной, нейтральной или негативной), классификация доводов для выявления финансовой или демографической тематики обсуждений. Основные результаты: доля финансовых комментариев существенно выше демографических, нейтральный эмоциональный фон преобладает, среди окрашенного эмоционально фона преобладают положительные высказывания. Выявлены основные причины недовольства пользователей социальных сетей условиями программы: ограничения по числу и возрасту детей, отсутствие связи между рождениями следующих детей и условиями взятой ипотеки, а также сохраняющаяся недоступность жилья для молодых семей вследствие его дороговизны, риски снижения качества жизни семьи (питание, досуг) из-за финансовой нагрузки, связанной с выплатой ипотеки. На основе полученных данных предложены рекомендации по совершенствованию программы, включая сохранение данной программы и ее адаптацию через распространение на вторичное жилье. Важным направлением развития программы является внедрение связи условий выплат с рождением детей следующих порядков в семье.

1. Вакуленко, Е. С., & Евграфова, Р. Ю. (2025). Ипотека и репродуктивные намерения: стимул или преграда?. Вопросы экономики , (6) , 137–153. https://doi.org/10.32609/00428736-2025-6-137-153.

2. Вакуленко, Е. С., Ивашина, Н. В., & Свистильник, Я. О. (2023). Региональные программы материнского капитала: влияние на рождаемость в России. Экономика региона , 19 (4), 1077–1092. https://doi.org/10.17059/ekon.reg.2023-4-10

3. Гудкова, Т. Б. (2019). Репродуктивные намерения россиян: мотивация и сдерживающие факторы. Демографическое обозрение , 6 (4), 83–103. https://doi.org/10.17323/demreview.v6i4.10428.

4. Какая льготная ипотека осталась доступна россиянам в 2026 году. (2025). РБК. Дата обращения 15.01.2026, https://realty.rbc.ru/news/696658899a79471ccfce0a9f?from=copy#p1

5. Семейная ипотека 2025: условия, документы, нюансы. (2025). РБК. Дата обращения 08.06.2025, https://realty.rbc.ru/news/60d066709a79474c9ddb3f7d?from=copy

6. Chen, L., Zaharia, M., & Zou, J. (2024). How is ChatGPT’s behavior changing over time?. Harvard Data Science Review, 6(2) . https://doi.org/10.48550/arXiv.2307.09009.

7. Cumming, F., & Dettling, L. (2024). Monetary policy and birth rates: the effect of mortgage rate pass-through on fertility. Review of Economic Studies , 91 (1), 229–258. RePE c:oup:restud:v:91:y:2024:i:1:p:229-258.

8. Dettling, L. J., & Kearney, M. S. (2014). House prices and birth rates: The impact of the real estate market on the decision to have a baby. Journal of Public Economics , 110 , 82–100. 10.1016/j.jpubeco.2013.09.009.

9. Gueta, A., Feder, A., Gekhman, Z., Goldstein, A., & Reichart, R. (2025). Can LLMs Learn Macroeconomic Narratives from Social Media? Findings of the Association for Computational Linguistics: NAACL, 57–78. https://doi.org/10.48550/arXiv.2406.12109.

10. Guida, M., Otmakhova, J., Hovy, E., & Frermann, L. (2025). LLMs for Argument Mining: Detection, Extraction, and Relationship Classification of pre-defined Arguments in Online Comments. Proceedings of the 23rd Annual Workshop of the Australasian Language Technology Association , 176–191. https://arxiv.org/pdf/2505.22956.

11. Gurov, I. N., & Kulikova, E. Y. (2022). Fertility-household credit burden nexus at the present stage. Population and Economics , 6 (1), 36–61. https://doi.org/10.3897/popecon.6.e76066.

12. Habernal, I., & Gurevych, I. (2017). Argumentation mining in user-generated web discourse. Computational linguistics , 43 (1), 125–179. https://doi.org/10.48550/arXiv.1601.02403.

13. Hacamo, I. (2021). The babies of mortgage market deregulation. The Review of Financial Studies , 34 (2), 907–948. https://econpapers.repec.org/RePEc:oup:rfinst:v:34:y:2021:i:2:p:907-948.

14. Islam, T., & Goldwasser, D. (2025). Discovering latent themes in social media messaging: A machine-in-the-loop approach integrating llms. Proceedings of the International AAAI Conference on Web and Social Media , 19 , 859–884. https://doi.org/10.48550/arXiv.2403.10707.

15. Japaridze, I., & Sayour, N. (2024). Housing affordability crisis and delayed fertility: Evidence from the USA. Population Research and Policy Review , 43 (2), 23. https://doi.org/10.1007/s11113-024-09865-8.

16. Lee, K., Park, J., Choi, S. H., & Lee, C. (2025). Ideology and Policy Preferences in Synthetic Data: The Potential of LLMs for Public Opinion Analysis. Media and Communication , 13 . https://doi.org/10.17645/mac.9677.

17. Liu, J., Xing, C., & Zhang, Q. (2020). House price, fertility rates and reproductive intentions. China Economic Review , 62 , 101496. https://doi.org/10.1016/j.chieco.2020.101496.

18. Mochales, R., & Moens, M. F. (2011). Argumentation mining. Artificial intelligence and law , 19 (1), 1–22. https://doi.org/10.1007/s10506-010-9104-x.

19. Mulder, C. H. (2006). Home-ownership and family formation. Journal of housing and the built environment , 21 (3), 281–298. https://doi.org/10.1007/s10901-006-9050-9.

20. Mulder, C. H., & Lauster, N. T. (2010). Housing and family: An introduction. Housing Studies , 25 (4), 433–440. https://doi.org/10.1080/02673031003771109.

21. Nau, M., Dwyer, R. E., & Hodson, R. (2015). Can’t afford a baby? Debt and young Americans. Research in social stratification and mobility , 42 , 114–122.https://doi.org/10.1016/j.rssm.2015.05.003.

22. Senthilkumar, R. A., Homayounirad, A., & Siebert, L. C. (2024). Leveraging Large Language Models to Identify the Values Behind Arguments. International Workshop on Value Engineering in A I , 87–103. https://doi.org/10.1007/978-3-031-85463-7_6.

23. Tocchioni, V., Berrington, A., Vignoli, D., & Vitali, A. (2021). The changing association between homeownership and the transition to parenthood. Demography , 5 8 (5), 1843–1865. 10.1215/00703370-9420322.

24. Tran, V., & Matsui, T. (2023). Public Opinion Mining Using Large Language Models on COVID-19 Related Tweets. 2023 15th International Conference on Knowledge and Systems Engineering (KSE) , 1–6. https://ieeexplore.ieee.org/document/10299499.

25. Yang, X. (2023). More Credit, More Babies? Bank Credit Expansion, House Prices, and Fertility. Bank Credit Expansion, House Prices, and Fertility. https://dx.doi.org/10.2139/ssrn.4473936.