Seleção de Perfis de Candidatos Ótimos em Ambientes Adversários Usando Análise Conjunta e Aprendizado de Máquina

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

April 26, 2025

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

cs.AI

Resumo

A análise conjunta, uma aplicação do design experimental fatorial, é uma ferramenta popular na pesquisa em ciências sociais para estudar preferências multidimensionais. Nesses experimentos no contexto de análise política, os respondentes são solicitados a escolher entre dois candidatos políticos hipotéticos com características selecionadas aleatoriamente, que podem incluir partidarismo, posições políticas, gênero e raça. Consideramos o problema de identificar perfis de candidatos ótimos. Como o número de combinações únicas de características excede em muito o número total de observações em um experimento conjunto típico, é impossível determinar o perfil ótimo exatamente. Para enfrentar esse desafio de identificação, derivamos uma intervenção estocástica ótima que representa uma distribuição de probabilidade de vários atributos com o objetivo de alcançar o resultado médio mais favorável. Primeiro, consideramos um ambiente em que um partido político otimiza a seleção de seus candidatos. Em seguida, passamos para o caso mais realista em que dois partidos políticos otimizam a seleção de seus próprios candidatos simultaneamente e em oposição um ao outro. Aplicamos a metodologia proposta a um experimento conjunto existente sobre a escolha de candidatos para a presidência dos EUA. Descobrimos que, em contraste com a abordagem não adversarial, os resultados esperados no regime adversarial estão dentro da faixa dos resultados eleitorais históricos, com as estratégias ótimas sugeridas pelo método mais propensas a corresponder aos candidatos observados na realidade em comparação com as estratégias derivadas de uma abordagem não adversarial. Esses achados indicam que a incorporação de dinâmicas adversariais na análise conjunta pode fornecer insights únicos sobre dados de experimentos em ciências sociais.

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.