Selezione di Profili Candidati Ottimali in Ambienti Avversari Utilizzando Analisi Conjoint e Apprendimento Automatico

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

April 26, 2025

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

cs.AI

Abstract

L'analisi congiunta, un'applicazione del disegno sperimentale fattoriale, è uno strumento popolare nella ricerca delle scienze sociali per studiare preferenze multidimensionali. In tali esperimenti nel contesto dell'analisi politica, ai rispondenti viene chiesto di scegliere tra due candidati politici ipotetici con caratteristiche selezionate casualmente, che possono includere affiliazione partitica, posizioni politiche, genere e razza. Consideriamo il problema di identificare i profili ottimali dei candidati. Poiché il numero di combinazioni uniche di caratteristiche supera di gran lunga il numero totale di osservazioni in un tipico esperimento congiunto, è impossibile determinare esattamente il profilo ottimale. Per affrontare questa sfida di identificazione, deriviamo un intervento stocastico ottimale che rappresenta una distribuzione di probabilità di vari attributi mirata a ottenere il risultato medio più favorevole. Consideriamo prima un ambiente in cui un partito politico ottimizza la selezione dei propri candidati. Passiamo poi al caso più realistico in cui due partiti politici ottimizzano simultaneamente e in opposizione reciproca la selezione dei propri candidati. Applichiamo la metodologia proposta a un esperimento congiunto esistente sulla scelta dei candidati riguardante il voto per il presidente degli Stati Uniti. Troviamo che, in contrasto con l'approccio non avversariale, i risultati attesi nel regime avversariale rientrano nell'intervallo degli esiti elettorali storici, con le strategie ottimali suggerite dal metodo più propense a corrispondere ai candidati effettivamente osservati rispetto alle strategie derivate da un approccio non avversariale. Questi risultati indicano che l'incorporazione di dinamiche avversariali nell'analisi congiunta può fornire intuizioni uniche sui dati delle scienze sociali provenienti da esperimenti.

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.