Developed in conjunction with Joomla extensions.

پیش بینی انتخابات 2020 ایالات متحده امریکا(با استفاده از هوش مصنوعی)

زهرا شریف زاده عضو هیئت تحریریه مجله ایرانی روابط بین الملل

نتیجه انتخابات ریاست جمهوری سال 2020 ایالات متحده هر روز کمتر قابل پیش بینی است. آیا تا ماه نوامبر واکسن در دسترس خواهد بود؟ چند نفر رأی خواهند داد؟ آتش سوزی ها ، شورش ها و ویروس کرونا چگونه می تواند رفتار رای گیری مردم را تغییر دهد؟ حتی در مورد تعداد حالتهای نوسان  بین  6 ، 10 ، 11 ، شاید 12 یا بیشتر نیز توافق نشده است؟

بحث های زیادی وجود دارد که باید بیان شود ، اما به سختی می توان راهی دقیق برای تحلیل تأثیر بی سابقه رویدادهای فعلی بر عادت های رای گیری داشت. با این حال ، ما می توانیم انتخابات گذشته را تجزیه و تحلیل کنیم تا تأثیر ویژگی های مختلف در انتخابات ریاست جمهوری را بسنجیم و بینش هایی در مورد چگونگی تحقق سال 2020 پیدا کنیم.

ما از این مجموعه داده که توسط دانشمند داده در Nvidia در Kaggle به اشتراک گذاشته شده استفاده خواهیم کرد  Nvidia توانایی هایی مانند توانایی بازی در مرکز خانه هوشمند ، پخش جریانی بازی های رایانه ای از رایانه شخصی به تلویزیون و همچنین به عنوان مرکز رسانه ای برای پخش و پخش رسانه های محلی و آنلاین را ارائه می دهد.

Kaggle در داخل آن  همه کد و داده های مورد نیاز برای انجام کار علم داده خود را پیدا خواهید کرد. برای فتح هرگونه تجزیه و تحلیل در کمترین زمان ، از بیش از 50،000 مجموعه داده عمومی و 400،000 دفتر یادداشت عمومی می توان استفاده کرد.هر ردیف از داده ها نشان دهنده یک شهرستان ایالات متحده است - با 3،143 شهرستان  و شامل تعداد رای هایی است که نامزدها در انتخابات قبلی به دست آوردند ، و همچنین بیش از 100 ویژگی دیگر ، از جمله ارقام مربوط به نژاد ، تحصیلات ، درآمد ، فقر ، جمعیت ، سن ، سلامتی ، آب و هوا و موارد دیگر.

در بخشی از هوش مصنوعی  می توانیم از همبستگی ها ، امتیازات اهمیت و تجسم داده ها برای یافتن بینش های پیش بینی کننده استفاده کنیم یا در این مورد ، بفهمیم که ویژگی های بی شماری بر انتخابات 2016 تأثیر گذاشته است.می توان  داده ها را در Apteo ، یک ابزار بینش پیش بینی بدون کد ، بارگذاری کرد. Apteo در سال 2017 در شهر نیویورک توسط دانشمندان داده ، مهندسان و تحلیل گران مالی تأسیس شد.  با در نظر گفتن  داده ها اعتقاد بر این است  که یادگیری ماشین و A.I. در آینده دنیایی از امکانات را برای افراد و مشاغل باز خواهد کرد و  همه باید بتوانند تصمیمات مبتنی بر داده بگیرند.
 به تیم ها کمک می کند بدون نیاز به کدگذاری ، داده های خود را متصل ، تجزیه و تحلیل و پیش بینی کنند.

در Apeto  "کسر ترامپ" را به عنوان KPI برای تجزیه و تحلیل انتخاب  می کنیم (به سادگی کسری از رای دهندگان 2016 ترامپ از مجموع رای دهندگان ترامپ و کلینتون).

KPI دارای پنج مرحله است

مرحله 1: تعیین اهداف و اهداف

مرحله 2: عوامل مهم حیاتی موفقیت (CSF) را از اهداف و اهداف تعیین کنید

مرحله 3: شاخص اصلی عملکرد (KPI) را از CSF ایجاد کنید.

مرحله 4: اقدامات را جمع آوری کنید

مرحله 5: محاسبه معیارها از اقدامات

بعنوان مثال می توان گفت شاخص کلیدی عملکرد (KPI) مقداری قابل اندازه گیری است که نشان می دهد یک شرکت چقدر به طور مؤثر در دستیابی به اهداف کلیدی کسب و کار دست یافته است. سازمانها از KPI برای ارزیابی موفقیت خود در رسیدن به اهداف استفاده می کنند. ... هر بخش از انواع KPI مختلف برای اندازه گیری موفقیت بر اساس اهداف و اهداف خاص تجاری استفاده خواهد کرد.

دو عامل  در اینجا مهم است که چه تعداد مردم در انتخابات گذشته به آبی و قرمز رأی داده اند. سومین عامل مهم این است که چه تعداد از مردم در سال 2008 به آبی ها رأی داده اند ، در حالی که هفتمین عامل مهم تعداد افرادی است که در سال 2008 به قرمز رأی داده اند. با هم ، نتایج انتخابات گذشته حدود 80٪ قدرت پیش بینی در توضیح کسری آرا ترامپ دارد.

مردم تمایل دارند در همان جهت رأی دهند ، که به معنای تکرار سال 2016 است ، اما  واقعاً به ویژگی های دیگر علاقه مند هستیم. آیا ممکن است عواملی دیگر تحت الشعاع عادات رای گیری گذشته در مدل  باشد؟
برای فهمیدن ، ستونهایی را که توصیف کننده ارقام رأی گیری گذشته است می توان حذف کرد و مدل بینش پیش بینی را دوباره اجرا کرد.

 

اکنون ، می توانیم ببینیم که تعداد جمعیت سفیدپوست و تعداد دارندگان مدرک تحصیلات تکمیلی بیشترین تأثیر را در کسر آرا ترامپ داشته است. این دو عامل قادر به توضیح 54 درصد از  KPI  می باشد.

اگر درصد جمعیت سفید پوست یک شهرستان را در برابر درصد رای دهندگان ترامپ رسم کنیم ، می توانیم ببینیم که یک همبستگی مثبت تا حدودی قوی وجود دارد (r² = 0.54). به عبارت ساده تر ، یک شهرستان سفید با تعداد بیشتری از رای دهندگان ترامپ ارتباط دارد.

 

 

بعلاوه ، اگر درصد جمعیت تحصیلات تکمیلی یک شهرستان را در برابر درصد رای دهندگان ترامپ ترسیم کنیم ، می توانیم ببینیم که یک رابطه منفی تا حدودی قوی وجود دارد (r² = -0.53). به عبارت ساده تر ، یک شهرستان با تحصیلات بیشتر با تعداد رای دهندگان ترامپ ارتباط دارد.

 

پیش بینی این تأثیر در سال 2020به نظر می رسد جمعیت شناسی و آموزش بزرگترین پیش بینی کننده جهت رأی دادن (علاوه بر عادات رأی گیری گذشته) باشد. با توجه به این موضوع ، بیایید بررسی کنیم که چگونه آمارهای جمعیتی و تحصیلات در چهار سال گذشته تغییر کرده است.

Pew Research به طور گسترده تحولات جمعیتی را مورد تجزیه و تحلیل قرار داده است ، رشد زیادی در رای دهندگان اسپانیایی تبار ، و کاهش نسبی (درصد) رای دهندگان سفید ، هر دو شاخص ضعیف برای ترامپ است. بعلاوه ، حدود یک سوم رای دهندگان واجد شرایط سال 2020  در بهترین  وضعیت فعلی غیر سفیدپوست خواهند بود .وطبق سایت Pew Research  در 9 اکتبر در میان آشفتگی کمپین ، بایدن پیشروهای گسترده ای در رابطه با ویروس کرونا دارد و باعث وحدت کشور می شود.

Statista  نیز نشان می دهد که حدود 3٪ بیشتر آمریکایی ها در سال 2019 مدرک دانشگاهی نسبت به 2016 دارند. Statista یک پورتال آماری است که هزاران موضوع متنوع داده ها و حقایق را از طیف گسترده ای از منابع در یک پلت فرم واحد ادغام می کند. منابع اطلاعاتی شامل تحقیقات بازار ، نشریات تجاری ، مجلات علمی و پایگاه های اطلاعاتی دولت است. بر اساس اطلاعات آماری این سایت در سال 2020 ، 19 درصد آمریکایی ها گفتند که به واقعیت انتخابات خود بسیار اعتماد دارند. با این حال ، 11 درصد از پاسخ دهندگان اظهار داشتند که به هیچ وجه به منصفانه بودن انتخابات اعتماد ندارند.

 در نهایت ، این داده ها نشان می دهد که ترامپ در انتخابات شکست خواهد خورد ، اما محدودیت های زیادی وجود دارد ، شاید   مسئله این باشد  که رای دهندگان قابل پیش بینی نیستند ، همانطور که در سال 2016 نشان داده شد. رفتار رای دهندگان به راحتی توسط یک الگوریتم قابل تصرف نیست ، اما  با افزودن داده های دیگر به ویژه ارقام نظرسنجی و احساسات می توان مدل را بهبود بخشید.


تحریریه مجله ایرانی روابط بین الملل

تمامی حقوق برای مجله ایرانی روابط بین الملل محفوظ است ©2024 iirjournal.ir. All Rights Reserved

Please publish modules in offcanvas position.