Πώς αποδόθηκαν οι προβλέψεις της τεχνητής νοημοσύνης εναντίον των ψηφοφόρων στις εκλογές των ΗΠΑ το 2020

Πώς αποδόθηκαν οι προβλέψεις της τεχνητής νοημοσύνης εναντίον των ψηφοφόρων στις εκλογές των ΗΠΑ το 2020


Ορισμένες δημοσκοπήσεις που προβλέπουν τα αποτελέσματα των προεδρικών εκλογών των ΗΠΑ το 2020 φαίνεται να έχουν χάσει το σημάδι. Το Aggregator RealClearPolitics έδειξε στον πρώην αντιπρόεδρο Τζο Μπάιντεν ένα προβάδισμα 7 πόντων έναντι του σημερινού προέδρου Ντόναλντ Τραμπ, ενώ ο FiveThirtyEight πρότεινε ότι ο Μπάιντεν ήταν τουλάχιστον 8 πόντους μπροστά σε εθνικό επίπεδο κατά μέσο όρο. Στην πραγματικότητα, ο αγώνας αποδείχθηκε ουσιαστικά πιο αυστηρός. Στη Φλόριντα, για παράδειγμα, όπου το FiveThirtyEight έδειξε περιθώριο 2,5 πόντων υπέρ του Μπάιντεν, ο Τραμπ ισχυρίστηκε ότι κέρδισε κερδίζοντας απροσδόκητη υποστήριξη στην κομητεία Μαϊάμι-Ντάντ.

Η ψηφοφορία δεν είναι τέλεια επιστήμη. Οι εκθέσεις πριν από τις εκλογές του 2016 έδειξαν ότι η Χίλαρι Κλίντον προηγείται σε εθνικό επίπεδο, με έναν αυστηρότερο αγώνα σε κράτη όπως το Ουισκόνσιν, το Μίσιγκαν και η Πενσυλβάνια. Αλλά ο Τραμπ ενέκρινε τελικά τις 270 ψήφους που χρειάστηκαν για να κερδίσει την προεδρία. Μια έκθεση της American Affiliation for Public Viewpoint Research κατέληξε στο συμπέρασμα ότι οι δημοσκοπήσεις σε επίπεδο πολιτείας “υποτίμησαν την υποστήριξη του Trump στο Upper Midwest”, με τους προγνώστες να επισημαίνουν την έλλειψη δεδομένων υψηλής ποιότητας από αυτές τις πολιτείες.

Υπάρχει λοιπόν ένας πιο ακριβής τρόπος προβολής των εκλογικών αποτελεσμάτων από τις παραδοσιακές δημοσκοπήσεις, οι οποίες βασίζονται κυρίως σε τηλεφωνικές κλήσεις και σε απευθείας σύνδεση δημοσκοπήσεις Εταιρείες όπως το KCore Analytics, το Pro.AI και τα Superior Symbolics λένε ότι οι αλγόριθμοι μπορούν να αποτυπώσουν μια ευρύτερη εικόνα της δυναμικής των εκλογών, επειδή αξιοποιούν σήματα όπως tweets και μηνύματα Fb. Ωστόσο, μετά τις εκλογές του 2020, δεν είναι ακόμη σαφές εάν η τεχνητή νοημοσύνη έχει αποδειχθεί περισσότερο ή λιγότερο ακριβής από τις δημοσκοπήσεις.

Το KCore Analytics προέβλεψε από δημοσιεύσεις στα μέσα κοινωνικής δικτύωσης ότι ο Μπάιντεν θα είχε ένα ισχυρό πλεονέκτημα – περίπου 8 ή 9 βαθμοί – όσον αφορά τη δημοφιλή ψήφο, αλλά ένα μικρό πλεονέκτημα όταν ήρθε στην εκλογική περιφέρεια. Ο εμπειρογνώμονας που εδρεύει στην Ιταλία, ο οποίος βρήκε τον Μπάιντεν κατατάσσεται υψηλότερα στα κοινωνικά μέσα όσον αφορά το συναίσθημα, έθεσε τον Δημοκρατικό υποψήφιο λίγο μπροστά από τον Τραμπ (50,2% έως 47,3%). Από την άλλη πλευρά, το σύστημα Polly του Sophisticated Symbolics, το οποίο αναπτύχθηκε από τους επιστήμονες του Πανεπιστημίου της Οτάβα, ήταν απροσδιόριστο με προβολές που δείχνουν ότι ο Μπάιντεν έλαβε 372 ψήφους σε ψηφοφορίες σε σύγκριση με το 166 του Τραμπ, χάρη στο αναμενόμενες νίκες στη Φλόριντα, το Τέξας και το Οχάιο – όλα τα κράτη που πήγαν στον Τραμπ.

Όπως και με τις έρευνες, ορισμένες από τις διαφορές στις προβλέψεις βάσει αλγορίθμων μπορούν να αποδοθούν σε μεθοδολογικές διαφορές.

Το Skilled.ai αξιοποιεί ένα γράφημα γνώσεων που προσδιορίζει τις οντότητες που ονομάζονται, συμπεριλαμβανομένων ατόμων, εταιρειών και τόπων και επιχειρεί να μοντελοποιήσει τις σχέσεις μεταξύ τους. Η εταιρεία αναφέρει ότι το σύστημά της, το οποίο συνδέει 84 συναισθηματικές ετικέτες σε εκατοντάδες χιλιάδες δημοσιεύσεις από το Twitter και άλλα δίκτυα, σκοτώνει ημι-αυτόματα κοινωνικούς λογαριασμούς που μοιάζουν με bot. Ο αλγόριθμος Pro.ai κατατάσσει τις ετικέτες σε κλίμακα από 1 έως 100 (που αντικατοπτρίζει την έντασή τους) και πολλαπλασιάζει με τον αριθμό εμφανίσεων ανά υποψήφιο. Ταυτόχρονα, κατατάσσει τα συναισθήματα ως «θετικά» ή «αρνητικά» και τα χρησιμοποιεί για να δημιουργήσει ένα ευρετήριο που μπορεί να συγκρίνει τους δύο υποψηφίους.

Συγκριτικά, το KCore Analytics, το οποίο αναφέρει ότι έχει χρησιμοποιήσει πάνω από 1 δισεκατομμύριο tweets που εξάγονται για να προωθήσει τις προβλέψεις του, χρησιμοποιεί ένα end-to-conclusion πλαίσιο για να βρει επιρροές και hashtags σε δίκτυα όπως το Twitter. Τα δεδομένα επιλέγονται με βάση το περιεχόμενο και τη συχνότητα – προφανώς σε πραγματικό χρόνο και εξαιρουμένων των bots – που ένα μοντέλο AI που ονομάζεται AWS-LSTM αναλύει για ταξινόμηση γνώμης, με αξίωση ακρίβειας έως 89,5%.

Όσον αφορά την Polly, συλλέγει ένα τυχαιοποιημένο, ελεγχόμενο δείγμα Αμερικανών ψηφοφόρων που αναγνωρίζεται από τις δημοσιεύσεις και τις συνομιλίες των κοινωνικών μέσων. Πριν από τις 3 Νοεμβρίου, το σύνολο αυτό ήταν 288.659 άτομα.

Μια πρόκληση στην πρόβλεψη των εκλογικών αποτελεσμάτων με τεχνητή νοημοσύνη είναι ότι οι αλγόριθμοι πρέπει να εκπαιδευτούν για να μάθουν διαφορετικά μοντέλα για την εκλογική περιφέρεια που συμπίπτουν με τις εθνικές προβλέψεις. Ένα άλλο είναι ότι πρέπει να βελτιώσουν την ικανότητά τους να αποκαλύπτουν ζητήματα που είναι σημαντικά για συγκεκριμένες μειονοτικές ομάδες και περιοχές. Όσο μικρότερες είναι οι ομάδες, τόσο πιο δύσκολο να βρεθεί.

Σύμφωνα με το Sophisticated Symbolics, η Polly απέτυχε εντυπωσιακά από αυτή την άποψη. Το μοντέλο προέβλεπε ότι η Φλόριντα θα ψηφίσει για τον Μπάιντεν, με το 52,6 τοις εκατό των συνολικών ψήφων του κράτους, αλλά μόνο επειδή το σύστημα απέτυχε να δείξει χωριστά τους Κουβανούς Αμερικανούς, οι οποίοι συνήθως ψηφίζουν για τους Ρεπουμπλικάνους υποψηφίους. Αντ ‘αυτού, η Polly τις ομαδοποίησε ως “Ισπανόφωνος”, μαζί με τους Αμερικανούς Βενεζουέλας και τους Μεξικανούς Αμερικανούς.

“Πρέπει να συμπεριλάβουμε περισσότερους εθνοτικούς και περιφερειακούς” παράγοντες “για τις επερχόμενες εκλογές”, δήλωσε η ομάδα του Polly σε μια δημοσίευση στο blog site αυτήν την εβδομάδα. “Η ενίσχυση των σφαλμάτων τα καθιστά ευκολότερα στην ανακάλυψη, ανακαλύπτοντας πού έχει παραπλανηθεί η Polly, κατά περίπτωση, κάθε κράτος.”

Οι αγροτικές περιοχές στις Ηνωμένες Πολιτείες ήταν επίσης πιο δύσκολο για τα μοντέλα να εξηγήσουν. Αυτό συμβαίνει επειδή χαμηλότερο ποσοστό πιθανών ψηφοφόρων σε αυτές τις περιοχές χρησιμοποιούν το Twitter, οδηγώντας μοντέλα για να υποτιμήσουμε το περιθώριο, για παράδειγμα, των ψηφοφόρων του Μπάιντεν. Επίσης, υπάρχουν λιγότεροι πιθανοί ψηφοφόροι στο Twitter από τον Trump, καθώς το κοινωνικό δίκτυο τείνει να παρακάμπτει φιλελεύθερος. Αυτό σημαίνει ότι τα tweets από τους υποστηρικτές του Trump έχουν μεγαλύτερη βαρύτητα σε μοντέλα πρόβλεψης εκλογών που βασίζονται στα μέσα κοινωνικής δικτύωσης, αλλά μερικές φορές δεν είναι αρκετά, όπως στην περίπτωση του Polly.

Ο Τραμπ έλαβε περισσότερες από 68,6 εκατομμύρια ψήφους την Ημέρα των Εκλογών φέτος, από 62,8 εκατομμύρια το 2016. Και σε κομητείες όπως το Μαϊάμι-Ντάντ, που έπρεπε να «γίνουν μπλε», ψήφισαν οι Ρεπουμπλικάνοι. με ελαφρώς υψηλότερο ποσοστό από ό, τι οι Δημοκρατικοί (63 τοις εκατό των εγγεγραμμένων Ρεπουμπλικανών σε νομό έναντι 56 τοις εκατό των Δημοκρατών) από τις 30 Οκτωβρίου.

Εταιρείες όπως το KCore Analytics λένε ότι τα μοντέλα AI είναι ανώτερα από τα παραδοσιακά δημοσκοπήματα, επειδή μπορούν να κλιμακωθούν σε τεράστιες ομάδες δυνητικών ψηφοφόρων και να προσαρμοστούν για να προβλέψουν τα αποτελέσματα με δειγματοληπτική μεροληψία (όπως οι μειονεκτούσες μειονότητες) και άλλους περιορισμούς. Προβλέπουν σωστά ότι το Ηνωμένο Βασίλειο θα ψηφίσει να αποχωρήσει από την Ευρωπαϊκή Ένωση το 2016 και προέβλεψε σωστά περίπου το 80% των νικητών στις κοινοβουλευτικές εκλογές της Ταϊβάν, καθώς και στενούς περιφερειακούς διαγωνισμούς στην Ινδία και το Πακιστάν.

Αλλά δεν είναι αλάθητοι. Και όπως σημειώνει η Fortune, κανένα από αυτά τα μοντέλα δεν λαμβάνει υπόψη τον τρόπο με τον οποίο οι νομικές προκλήσεις, οι άπιστοι ψηφοφόροι (μέλη της εκλογικής περιφέρειας που δεν ψηφίζουν τον υποψήφιο στον οποίο υποσχέθηκαν) ή άλλους συγχυτές θα μπορούσαν να επηρεάσουν το αποτέλεσμα μιας κούρσας. . . Και με την Polly ως μελέτη περίπτωσης, αυτές οι προσεγγίσεις – όπως και οι παραδοσιακές δημοσκοπήσεις – φαίνεται να υποτιμούσαν τον ενθουσιασμό των ψηφοφόρων για τον Τραμπ το 2020, ιδίως μεταξύ των μαύρων και των λατινικών ψηφοφόρων και μέλη της κοινότητας LGBTQ.

Ο Andrew Gelman, καθηγητής στατιστικών και πολιτικών επιστημών στο Πανεπιστήμιο της Κολούμπια, υποστηρίζει ότι τα πρότυπα έρευνας που προσαρμόστηκαν σε ορισμένες μεταβλητές σε ένα δεδομένο έτος εκλογών είναι πιθανότατα πιο κοντά στη βαθμολογία από τις υποθέσεις που προέρχονται από τους μέσους όρους δημοσκόπησης. “Οι πολιτικοί επιστήμονες έχουν αναπτύξει μοντέλα που κάνουν καλή δουλειά για την πρόβλεψη της εθνικής ψηφοφορίας με βάση τις λεγόμενες” βασικές αρχές “: βασικές μεταβλητές όπως η οικονομική ανάπτυξη, η προεδρική έγκριση και ο κατεστημένος”, είπε. έγραψε σε ένα άρθρο για Ενσύρματο. “Εάν είχαμε πάρει ένα από αυτά τα μοντέλα και το προσαρμόσαμε βάσει των μεριδίων ψηφοφορίας των κομμάτων του 2016 (αντί να χρησιμοποιούμε πρόσφατα δεδομένα δημοσκοπήσεων), θα περιμέναμε μια περιορισμένη νίκη του Μπάιντεν.”


Πώς οι επιχειρήσεις ξεκινούν την επικοινωνία:

Η πανδημία αναγκάζει τις νεοσύστατες επιχειρήσεις να ρίξουν μια πιο προσεκτική ματιά στην άνοδο των λύσεων επικοινωνίας τους. Μάθε πως να




[via]