通过贝叶斯数据同化修正民意趋势
计算机与社会
2021-06-01 v1 人工智能
计算与语言
机器学习
摘要
在民主选举期间，测量民意是一项关键关注点，使候选人能够评估其受欢迎程度并相应调整竞选策略。传统调查 polling 仍是最流行的估计技术，尽管其成本高、耗时、存在测量误差、缺乏实时能力以及民意表征滞后。近年来，Twitter 意见挖掘试图克服这些问题。尽管取得了有前景的结果，它也面临自身的一系列缺陷，例如样本人群不具代表性以及缺乏长期稳定性。本文旨在利用贝叶斯数据同化融合这两种技术的数据，以对英国脱欧公投的真实民意获得更准确的估计。本文使用来自可信 pollster 的 Twitter 意见数据和调查数据证明了所提方法的有效性。首先，识别出两个数据集之间可能存在 16 天的时间间隔。该间隔随后被纳入所提出的同化架构中。发现该方法充分融合了来自两个来源的信息，并测量到英国脱欧公投前 Leave 支持率的强劲上升趋势。所提技术提供了真实意见的有用估计，这对未来的意见测量与预测研究至关重要。
引用
@article{arxiv.2105.14276,
title = {Correcting public opinion trends through Bayesian data assimilation},
author = {Robin Hendrickx and Rossella Arcucci and Julio Amador Dıaz Lopez and Yi-Ke Guo and Mark Kennedy},
journal= {arXiv preprint arXiv:2105.14276},
year = {2021}
}