误差最小0.1％！AI预测大选结果惊人，民调可以“

新智元报道

来源VB

编辑小匀、QJP

【新智元导读】美国大选尘埃落定，在回顾无数drama的竞选之路的，人们也发现，传统的民意查方法似乎变得「老套」了，一些科技公司表示，人工智能大有希望！算法可以捕捉到更广阔的选举动态图景，利用了titter 和 Facebook 等信息，AI的预测似乎更为准确。

美国人讲不讲风水？

在各种比赛中，为了预测结果，什么「工具」都用上了。比如2010年世界杯时，章鱼哥因预测胜负频频得准火出了圈。

宁信章鱼也不信人的种子就这样埋下了。

本届美国大选也是，可能是由于民调的结果有过失误（当年希拉里民调领先，却输了大选），这次的大选，人们不再信人心，更加相信「科学」了。

比如，一个AI。

一家专门从事NLP的意大利软件公司Expert.ai，将其技术应用到数百万个社交帖子上，通过分析语气和情绪等因素，将这些数据转化为了选票。

另一家公司总部位于加州的Unanimous.ai公司销售所谓的「群体智能」软件。它使用人工智能模型来汇总群体的预测和决策。

尽管方法略有不同，但他们的推论都是拜登获胜。

历经无数big drama后，拜登终于在昨日凌晨突围，并修改自己的推特简历美国当选总统。任凭川普再怎么不服输，任凭川普粉丝再怎么愤怒。

大势已定，AI预测普遍获胜。

如果「章鱼哥」没有英年早逝，它应该会吃惊地发现，自己的工作可以被AI替代。

民调不完美坑了谁？

民调并不是一门完美的科学。

2016年大选前的报道显示，希拉里克林顿在全国范围内领先，在威斯康辛、密歇根和宾夕法尼亚等州势均力敌。，结果有些出乎意料特朗普最终通过了赢得总统大选所需的270张选举人票。

美国民意研究协会的一份报告得出结论说，州级民调「低估了川普在中西部北部的支持率」。

换句话说，民调忽略了一些地区的数据，而这些，正是川普最终获胜的关键。

虽然此次的民调是拜登领先，与最终大选结果一致。否有比传统民调更准确的方法，来预测选举结果呢？

众所周知，民调主要依靠电话和在线小组调查，显然，这个范围会漏掉很多东西现在的人们更倾向于在网上发泄情绪。

许多AI公司称，利用Titter和Facebook消息等信号，算法可以更全面地描绘选举动态。

差距最小为0.1%！有的AI预测还真不是「江湖骗子」

此次大选期间利用AI预测的科技公司非常多，但他们都有一个共同点在社交媒体数据上进行训练。

与投票一样，算法驱动的预测结果中的一些差异也可以归因于方法上的差异。

意大利的Expert.ai 利用一个知识图谱来进行命名实体识别(包括个人、公司和地点) ，并尝试建立它们之间的关系模型。

该公司表示，系统将84个情感标签对应到来自 Titter 和其它网络来源的数十万条帖子上，半自动化的去除了僵尸账号。

Expert.ai 的算法对标签进行排名，取值从1到100不等，并将其乘以每个候选项出现的次数。与此，它将标签的情绪分为「积极的」或「消极的」，并利用这一点创建一个指数，可以比较两个候选项的区别。

根据自己的系统预测，民主党总统候选人拜登将赢得50.2% 的普选票，共和党总统特朗普将获得47.3% 的选票，领先2.9个百分点。

来对比下实际结果；拜登获得了50.7% 的普选选票，特朗普获得了47.7% 的选票，差距为3个百分点。

Expert.ai 的预测结果仅仅差距了0.1个百分点！

相比之下，KCore Analytics 公司声称它们已经使用了超过10亿条 teets 数据来进行预测，它开发了一个端到端的框架来收集像 Titter 这样的网络中的有影响力的人和标签。

数据是根据推文的内容和频率进行实时选择的，排除了机器人、AWS-LSTM 这样的模型产生的数据等，通过分析这些数据进行预测分类，声称准确率高达89.5% 。

至于Polly系统，它收集了一个随机的、受控的美国选民样本，这些选民是通过他们在社交媒体上的帖子和对话来确定的。在11月3日之前，这一数字为288,659人。

使用人工智能预测选举结果的其中一个挑战是必须训练算法学习与国家预测相吻合的选举团的不同模型。

另一个挑战是，这些模型需要进行 fine-tune，以发现对特定少数群体和地区的重要的问题，群体越小，问题就越难找到。

Polly基于对Titter等社交媒体内容的消化，创建了一个包含288,588名选民的随机示例。

它也关注那些推动选民的问题，如COVID、选举的公正性、犯罪等。Polly根据模型预测拜登将赢得346张选举人票。

不过，根据 Advanced Symbolics（ASI）的说法，Polly 系统在这方面完全失败了这个模型预测，佛罗里达州将投票给拜登，占该州总票数的52.6%。

原因很简单古巴裔美国人通常投票给共和党候选人，但该系统没有对他们进行单独抽样，而却将他们归类为「西班牙裔」 ，与委内瑞拉裔和墨西哥裔美国人并列。

潜在影响因素也可能导致AI预测失误

除了这些，AI预测也有别的「门槛」。

例如，美国农村地区的投票结果就更难以用模型来解释。因为这些地区使用 Titter 的选民比例较低，导致这些模型低估了支持拜登的选民的优势。

，Titter 上的特朗普潜在支持者更少，因为这个社交网络往往更倾向于自由派。这意味着，特朗普的支持者的推文在基于社会的选举预测模型中的权重更大，但有时也不够大，就像Polly遇到的情况一样。

像 KCore Analytics 这样的公司表示，他们的人工智能模型要优于传统的民意调查，因为它们可以扩大潜在选民的群体，并根据抽样偏差(比如代表性不足的少数族裔)和其他限制调整预测结果。

任何数据以及最终对AI的挑战都是数据本身。

投票基于人的数据集。人们面临的挑战是，他们实际上是不可靠和不可预测的。当被问到诸如「您将投票给谁」和「您每周工作多少次」之类的问题时，他们也是不诚实的，会经常给出他们认为询问者想听到的答案。

AI预测要代替民调了吗？还差点意思！

基于民调，却胜于民调。

「它与传统投票和人工智能的主要区别在于，人工智能一直在变得越来越好。」

相比传统的民调，AI 预测系统两大优点不可忽视

，能综合多元异构数据，社交网络和新闻媒体的数据多的不计其数，而且，AI还可以根据突发状况实时更新预测果。

这也是它的第二个优点。

，在搜集各家民调数据之后，AI预测更细粒度的精准数据，将预测的结果的准确性提升一个等级。

不过，对于AI来说，要想得到更准确的预测结果，需要更多元化的数据。

，在保隐私数据护严格的美国，想收集反映群体和个体行为的数据，是十分困难的。

参考链接

https://venturebeat./2020/11/06/ho-ai-predictions-fared-against-pollsters-in-the-2020-u-s-election/

https://.sj./articles/artificial-intelligence-shos-potential-to-gauge-voter-sentiment-11604704009