Sélection de profils candidats optimaux dans des environnements adverses à l'aide de l'analyse conjointe et de l'apprentissage automatique

Selecting Optimal Candidate Profiles in Adversarial Environments Using Conjoint Analysis and Machine Learning

April 26, 2025

Auteurs: Connor T. Jerzak, Priyanshi Chandra, Rishi Hazra

cs.AI

Résumé

L'analyse conjointe, une application de la conception expérimentale factorielle, est un outil populaire dans la recherche en sciences sociales pour étudier les préférences multidimensionnelles. Dans de telles expériences dans le contexte de l'analyse politique, les répondants sont invités à choisir entre deux candidats politiques hypothétiques dotés de caractéristiques sélectionnées aléatoirement, qui peuvent inclure l'appartenance partisane, les positions politiques, le genre et l'origine ethnique. Nous examinons le problème de l'identification des profils de candidats optimaux. Étant donné que le nombre de combinaisons uniques de caractéristiques dépasse largement le nombre total d'observations dans une expérience conjointe typique, il est impossible de déterminer exactement le profil optimal. Pour relever ce défi d'identification, nous dérivons une intervention stochastique optimale qui représente une distribution de probabilité de divers attributs visant à obtenir le résultat moyen le plus favorable. Nous considérons d'abord un environnement où un parti politique optimise sa sélection de candidats. Nous passons ensuite au cas plus réaliste où deux partis politiques optimisent simultanément et en opposition leur propre sélection de candidats. Nous appliquons la méthodologie proposée à une expérience conjointe existante sur le choix de candidats concernant le vote pour la présidence des États-Unis. Nous constatons que, contrairement à l'approche non-adversariale, les résultats attendus dans le régime adversarial se situent dans la fourchette des résultats électoraux historiques, les stratégies optimales suggérées par la méthode étant plus susceptibles de correspondre aux candidats réellement observés par rapport aux stratégies dérivées d'une approche non-adversariale. Ces résultats indiquent que l'intégration de dynamiques adversariales dans l'analyse conjointe peut apporter un éclairage unique sur les données des expériences en sciences sociales.

English

Conjoint analysis, an application of factorial experimental design, is a popular tool in social science research for studying multidimensional preferences. In such experiments in the political analysis context, respondents are asked to choose between two hypothetical political candidates with randomly selected features, which can include partisanship, policy positions, gender and race. We consider the problem of identifying optimal candidate profiles. Because the number of unique feature combinations far exceeds the total number of observations in a typical conjoint experiment, it is impossible to determine the optimal profile exactly. To address this identification challenge, we derive an optimal stochastic intervention that represents a probability distribution of various attributes aimed at achieving the most favorable average outcome. We first consider an environment where one political party optimizes their candidate selection. We then move to the more realistic case where two political parties optimize their own candidate selection simultaneously and in opposition to each other. We apply the proposed methodology to an existing candidate choice conjoint experiment concerning vote choice for US president. We find that, in contrast to the non-adversarial approach, expected outcomes in the adversarial regime fall within range of historical electoral outcomes, with optimal strategies suggested by the method more likely to match the actual observed candidates compared to strategies derived from a non-adversarial approach. These findings indicate that incorporating adversarial dynamics into conjoint analysis may yield unique insight into social science data from experiments.