A aprendizado de máquina pode ajudar a entender melhor a política, como demonstrado por uma pesquisa realizada por uma estudante de graduação do Caltech. A pesquisa explorou os motivos pelos quais as pessoas votaram em um candidato em vez de outro na eleição presidencial dos EUA em 2020.
Em todas as eleições, após o fechamento das urnas e a contagem dos votos, é hora de refletir. Comentaristas aparecem na TV a cabo para oferecer teorias, colunistas escrevem artigos de opinião com avisos e conselhos para os vencedores e perdedores, e os partidos realizam autópsias. A eleição presidencial dos EUA de 2020, em que Donald Trump perdeu para Joe Biden, não foi exceção.
Para a estudante de graduação do Caltech, Sreemanti Dey, a eleição ofereceu uma chance de fazer sua própria reflexão. Dey, que cursa ciência da computação, tem interesse particular em usar computadores para entender melhor a política. Trabalhando com Michael Alvarez, professor de ciência política e computacional, Dey utilizou aprendizado de máquina e dados coletados durante a eleição de 2020 para descobrir o que realmente motivou as pessoas a votar em um candidato presidencial em vez de outro. Em dezembro, Dey apresentou seu trabalho no tema na quarta Conferência Internacional sobre Aprendizado de Máquina Aplicado e Análise de Dados, que foi realizada remotamente e foi reconhecida pelos organizadores como o melhor artigo da conferência.
A pesquisa de Dey e Alvarez destaca o potencial do aprendizado de máquina para oferecer insights aos cientistas políticos e como a abordagem aberta e sem preconceitos permite que os dados revelem padrões e fatores importantes. O algoritmo Fuzzy Forest, usado na pesquisa, é uma excelente ferramenta para reduzir conjuntos de dados de alta dimensão aos fatores mais relevantes. A combinação do aprendizado de máquina com a política pode revelar informações valiosas e fornecer uma base sólida para análises e tomada de decisões no futuro.
