پیش بینی انتخابات ریاست جمهوری با هوش مصنوعی

پیش بینی انتخابات همیشه برای علاقه مندان به حوزه سیاست و فرهنگ و بخش قابل توجهی از مردم دارای اهمیت زیادی است. به همین  دلیل در چند سال گذشته با رشد هوش مصنوعی و روش های تحلیل داده گرایش متخصصان این حوزه به کار بر روی پیش بینی انتخابات بسیار زیاد شده است. با بررسی هایی که انجام دادیم متوجه شدیم بیشتر کارهایی که در زمینه انجام شده است در خارج از کشور است و تحلیل های داخلی اگر انجام شده باشد در دسترس عموم مردم نیست به همین دلیل تلاش کردیم یک مدل هوشمند برای تحلیل داده ها طراحی کنیم تا بتوان انتخابات ریاست جمهوری را پیش بینی کنیم. این پروژه به چند بخش عمده تقسیم بندی شده است که تلاش می کنیم به صورت قدم به قدم آن ها را بررسی و توضیح دهیم.

جمع آوری داده ها

برای  پیش بینی انتخابات ریاست جمهوری ابتدا باید داده ها جمع آوری شود. یکی از بهترین پلتفرم ها برای تحلیل افکار و ایده های افراد جامعه، داده های توییتر است.

برای جمع آوری داده‌ها، توییتر ابزاری را در اختیار پژوهشگران و متخصصان قرار داده که می‌توانند به صورت رایگان و با تعداد محدود (۱ میلیون توییت) را در بازه زمانی و برچسب‌های دلخواه جمع‌آوری کنند. برای جمع‌آوری داده‌ها از توییتر ابتدا بایستی در بخش توسعه دهنده‌گان این سایت ثبت نام نمود. پس از موفق بودن عملیات، یک کد منحصر به فرد در اختیار شخص قرار می‌گیرد تا با کمک آن بتواند یک خزنده(crawler) بر روی سایت توییتر نوشته و داده‌ها را دریافت کند.

برای آماده‌سازی خزنده وب از زبان پایتون و کتابخانه tweepy کمک گرفتیم. بازه زمانی مدنظر برای جمع‌آوری داده‌ها از ۱۲ فروردین ۱۴۰۰ تا ۲۷ خرداد ۱۴۰۰ (۱ روز قبل از برگزاری انتخابات۱۴۰۰) است. در این مدت بیشترین واکنش و بازخورد مردم نسبت به انتخابات و شرایط موجود بر کشور مرتبط با موضوع انتخابات در شبکه‌های اجتماعی منتشر شده است.

هدف از این پروژه پیش‌بینی انتخابات ریاست جمهوری است و قصد داریم رویکرد مردم نسبت به هر کاندیدا را بررسی کنیم. به همین دلیل توییت‌هایی را انتخاب کردیم که حتما در مورد یکی از کاندیداها اعمال نظر کرده‌اند.

با این کار توییت‌هایی که مربوط به کلیت انتخابات است را مورد بررسی قرار ندادیم چون بخش قابل توجهی از کاربران توییتر خواهان تحریم انتخابات بودهاند. برای این منظورتوییت‌ها حاوی هشتگ با نام‌های شش کاندیدا را در بازه زمانی مورد اشاره را دریافت کردیم.

برای اطمینان از دریافت همه توییت‌ها در بازه مورد نظر تلاش شد همه جایگشت‌های تمامی کاندیداها را برای دریافت توییت‌های حاوی آن هشتگ را دریافت نماییم، که در مجموع 422938 تعداد توییت‌ استخراج شده است.

پیش پردازش داده‌ها

در حوزه متن کاوی یکی از مراحل ضروری پیش پردازش داده‌های متنی برای تحلیل‌های مراحل بعد و یکسان سازی و نرمال سازی متون است. قبل از تحلیل هرگونه داده ها می بایست نویزها و داده های بی ارزش از داده های مفید جداسازی شوند. در ادامه به بخشی از موارد انجام شده جهت پاکسازی داده ها می پردازیم. 

• پاکسازی متن توییت ها از اموجی ها و کاراکترهای خاص مانند @ , # و …
• حذف کلمات ناخواسته
• ریشه یابی کلمات
• حذف توییت های که حاوی هشتگ هایی بیش از یک نامزد بودند.
• حذف توییت هایی با طول کمتر از ۳ کلمه

با اتمام فرایند پاک‌سازی داده‌ها می‌توانیم عملیات مدل‌سازی را روی آن‌ها انجام دهیم. جدول زیر تعداد هر توییت به اجزا هر کاندیدا را مشخص می کند.