Het selecteren van optimale kandidaatprofielen in vijandige omgevingen met behulp van conjointanalyse en machine learning

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

Samenvatting

Conjoint-analyse, een toepassing van factorieel experimenteel ontwerp, is een populair instrument in sociaalwetenschappelijk onderzoek voor het bestuderen van multidimensionale voorkeuren. In dergelijke experimenten binnen de context van politieke analyse wordt respondenten gevraagd te kiezen tussen twee hypothetische politieke kandidaten met willekeurig geselecteerde kenmerken, zoals partijaffiliatie, beleidsposities, geslacht en ras. Wij beschouwen het probleem van het identificeren van optimale kandidaatprofielen. Omdat het aantal unieke kenmerkcombinaties het totale aantal observaties in een typisch conjoint-experiment ver overtreft, is het onmogelijk om het optimale profiel exact te bepalen. Om deze identificatie-uitdaging aan te pakken, leiden we een optimale stochastische interventie af die een kansverdeling van verschillende attributen vertegenwoordigt, gericht op het bereiken van het meest gunstige gemiddelde resultaat. We beschouwen eerst een omgeving waarin één politieke partij hun kandidaatselectie optimaliseert. Vervolgens gaan we over naar het realistischer geval waarin twee politieke partijen hun eigen kandidaatselectie gelijktijdig en in tegenstelling tot elkaar optimaliseren. We passen de voorgestelde methodologie toe op een bestaand conjoint-experiment over stemkeuze voor de Amerikaanse president. We constateren dat, in tegenstelling tot de niet-adversariële aanpak, verwachte uitkomsten in het adversariële regime binnen het bereik van historische verkiezingsresultaten vallen, waarbij de optimale strategieën die door de methode worden voorgesteld, vaker overeenkomen met de daadwerkelijk waargenomen kandidaten vergeleken met strategieën die zijn afgeleid van een niet-adversariële aanpak. Deze bevindingen geven aan dat het incorporeren van adversariële dynamiek in conjoint-analyse unieke inzichten kan opleveren in sociaalwetenschappelijke gegevens uit experimenten.

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.