用于投票建议应用的快速自适应问卷

投票建议应用的有效性常常因其问卷长度而受损。为了解决用户疲劳和不完整回答的问题，一些应用（如瑞士Smartvote）提供了其问卷的压缩版本。然而，这些压缩版本无法确保推荐政党或候选人的准确性，我们显示其准确率仍低于40%。为了解决这些限制，本工作引入了一种自适应问卷方法，根据用户之前的回答选择后续问题，旨在提高推荐准确性同时减少向选民提出的问题数量。我们的方法使用编码器和解码器模块来预测任何完成阶段的缺失值，利用反映政治科学传统可视化政治取向方法的二维潜在空间。此外，提出了一个选择器模块，根据选民在潜在空间中的当前位置和剩余未回答的问题来确定信息量最大的后续问题。我们使用2019年瑞士联邦选举的Smartvote数据集验证了我们的方法，测试了各种空间模型和选择方法以优化系统的预测准确性。我们的发现表明，使用IDEAL模型作为编码器和解码器，结合用于问题选择的PosteriorRMSE方法，显著提高了推荐的准确性，在询问与压缩版本相同数量的问题后达到了74%的准确率。