Le système d’IA prédit les résultats des élections via l’analyse des publications Twitter

Des scientifiques de l’Université de Grenade ont appliqué des techniques d’intelligence artificielle à l’analyse d’énormes volumes de données provenant de Twitter, lors de la précédente campagne électorale américaine pour créer un système de prévision politique.

Des chercheurs du Département d’informatique et d’intelligence artificielle de l’Université de Grenade (UGR) ont modélisé un système basé sur des techniques d’intelligence artificielle permettant de prévoir les résultats des élections en analysant les opinions sur Twitter.

Dans une étude publiée dans la revue internationale Accès IEEE, les scientifiques de l’UGR expliquent leur système de big data descriptif capable de gérer d’énormes volumes d’informations non structurées (sous la forme d’un lac de données) dérivées de Twitter. En utilisant cette approche, ils ont pu créer un système de prévision politique et le valider avec les élections américaines réelles de 2016, dans lesquelles Donald Trump a gagné contre Hillary Clinton.

Le discours politique est peut-être plus répandu que jamais – il suffit de se tourner vers les réseaux sociaux pour en trouver la preuve, et la quantité de messages et de fils consacrés chaque jour à des sujets politiques. L’un des réseaux sociaux les plus utilisés à ces fins est Twitter, où les opinions des partis, des dirigeants et des militants se combinent avec celles de personnes simplement intéressées par la politique. La capacité de traiter efficacement ces données et de les convertir en connaissances est une tâche laborieuse qui offre des avantages pour d’innombrables domaines, du monde universitaire aux affaires ou au journalisme.

L’étude UGR est le résultat d’un effort visant à résumer un grand volume de données et à le réduire à des informations claires et concises qui peuvent apporter de la valeur à une requête de recherche. Le système en question a été développé par José Ángel Díaz García, María Dolores Ruiz et María José Martín-Bautista du Département d’informatique et d’intelligence artificielle de l’UGR. Il a été testé sur un problème comparatif de la vie réelle concernant deux hommes politiques et leurs politiques respectives: celui de Donald Trump et Hillary Clinton, lors de leur affrontement aux élections générales américaines de novembre 2016.

Analyse des sentiments et des émotions

Le système imaginé par les scientifiques de l’UGR propose une série d’associations entre concepts et discussions sur Twitter sur les deux hommes politiques – dans un format facile à interpréter et à expliquer – ainsi que les sentiments et les émotions générés par ces débats.

«Au cœur de notre système se trouvent ce que nous appelons des techniques d’intelligence artificielle non supervisées, c’est-à-dire des techniques qui ne reposent pas sur des bases de données ayant été pré-étiquetées pour être formées et utilisées», expliquent les auteurs.

Parmi ces techniques, les règles d’association revêtent une importance particulière, car elles permettent d’effectuer une analyse des sentiments au moyen de lexiques et de dictionnaires de sentiments. « Aujourd’hui, ces techniques ont une valeur énorme car elles fournissent des solutions facilement interprétables et compréhensibles. Elles permettent une traçabilité simple des données et fournissent des résultats facilement explicables qui peuvent être utilisés par des personnes sans connaissances techniques, démocratisant ainsi l’accès à l’intelligence artificielle », les auteurs continuent.

Cette nouvelle approche descriptive diffère des modèles traditionnels d’apprentissage automatique axés sur l’analyse prédictive des sentiments. Celles-ci nécessitent de grandes bases de données pré-étiquetées (très difficiles à réaliser par rapport aux réseaux sociaux, en raison de la volatilité des sujets concernés), et proposent typiquement des solutions extrêmement difficiles à interpréter en raison des adaptations mathématiques très complexes.

L’analyse des résultats obtenus par le nouveau système confirme sa capacité à obtenir des règles d’association et des schémas de sentiment ayant une valeur descriptive significative dans le cas de son application aux élections américaines. Ainsi, des parallèles entre ces modèles et des événements réels peuvent être établis.

Certains des parallèles découverts par le système peuvent être ceux, par exemple, qui établissent un lien très fort entre les mots interdiction / service / transgenre et Donald Trump. Cela montre que l’actuel président américain était lié à l’interdiction du service militaire des personnes transgenres – une décision qui était déjà envisagée en 2016 et qui a été confirmée en 2017.

En ce qui concerne les sentiments, le système révèle qu’il y avait un niveau plus élevé de colère dans la société américaine dirigée contre Hillary Clinton que contre Trump. Ce dernier, en revanche, s’est distingué par son association avec l’émotion de «confiance» – en d’autres termes, les tweets publiés sur Trump provenaient de personnes ayant une grande confiance en lui en tant que président.

Si l’on tient compte du fait que les données ont été traitées lors de la campagne électorale, un parallèle pourrait donc même être établi dans les résultats ultérieurs qui ont conduit Donald Trump à la victoire.