Szintetikus választók és Bayes-i előrejelzés: így változhat meg a közvélemény-kutatás
A hagyományos közvélemény-kutatások mellett egyre nagyobb szerepet kaphatnak a mesterséges intelligencia alapján létrehozott szintetikus válaszadói csoportok – hangzott el a Compass AI & Tech Summiton. Tisza Viktor adattudós szerint ezek a demográfiai és népszámlálási adatok alapján összeállított virtuális panelek akár közel valós idejű, interaktív vizsgálatokat tehetnek lehetővé, bár a technológia egyelőre korai stádiumban van.
Ellentmondó mérések: nem elég a nekünk tetsző kutatást kiválasztani
Ha egy választás előtt az egyik kutatás jelentős ellenzéki, a másik kormánypárti előnyt mér, önmagában az sem jelent megoldást, ha a személyesen szimpatikus intézet felmérését választjuk ki – mutatott rá az adattudós. A 2026-os választás előtt például a Medián márciusi mérése a biztos pártválasztók körében 58-35 százalékos Tisza-előnyt jelzett, míg a Nézőpont ugyanebben az időszakban 46-40-es Fidesz-előnyt közölt. Ez nem egyszerű mintavételi eltérés, hanem gyökeresen eltérő kép ugyanarról a választói társadalomról.
Házhatás és hierarchikus Bayes-i modell
Az egyes kutatóintézetek eltérő mintavételi módszerekkel, adatbázisokkal, kérdezési technikákkal és válaszadói körrel dolgoznak, emiatt úgynevezett házhatás alakulhat ki. A bemutatott Krónikás modell hierarchikus Bayes-i módszerrel egyszerre becsüli a pártok mögöttes támogatottságát, az intézetspecifikus rendszeres eltéréseket, a mintavételi bizonytalanságot és az időbeli változásokat. A megközelítés nem egyetlen számot közöl igazságként, hanem valószínűségi eloszlást ad arról, hogy mely értékek mennyire hihetőek.
40 ezer szimulált forgatókönyv a választás előtt
A 2026-os magyar választás előtt a modell Monte Carlo-szimulációval 40 ezer lehetséges jövőt generált, és mivel a szavazatarányból nem lehet egyszerű arányossággal kiszámítani a parlamenti helyeket, az egyéni választókerületeket, a listás mandátumokat és a választási rendszer szabályait is modellezni kellett. Az utolsó, április 11-i előrejelzés a Tisza önálló többségének valószínűségét 86,7 százalékra, kétharmados többségének esélyét pedig 22,5 százalékra tette, az átlagos szimuláció 118,2 Tisza-mandátumot eredményezett.
A modell és a végeredmény
A végleges eredmény szerint a Tisza a listás szavazatok 53,18 százalékával 141 mandátumot szerzett, a Fidesz-KDNP 52, a Mi Hazánk pedig 6 helyhez jutott a 199 fős Országgyűlésben. A modell becslésénél lényegesen nagyobb Tisza-győzelem született, ugyanakkor a kétharmados forgatókönyv nem volt ismeretlen a modell számára: az utolsó előrejelzésben valamivel több mint minden ötödik szimuláció ilyen eredményt adott. Ez jól mutatja, hogy egy 80 százalékos esemény nem „biztos”: ötből egy alkalommal éppen a másik, 20 százalékos lehetőség következik be.
Nemzetközi érdeklődés a modell iránt
A projekt a választással nem ért véget, az előrejelző motort nyílt forráskódúvá tették, miután Brazíliából, Mexikóból, Szerbiából és Izraelből is érdeklődtek, hogy a módszert saját választási rendszerükre alkalmazzák.
Szintetikus választók: a következő nagy változás
A klasszikus reprezentatív minták mellett megjelentek a szintetikus personákból összeállított panelek: olyan AI-alapú virtuális válaszadói csoportok, amelyeket demográfiai és népszámlálási adatok alapján úgy állítanak össze, hogy bizonyos szempontokból egy valódi társadalom szerkezetét utánozzák. Ezeket ugyanúgy lehet kérdezni, mint egy hagyományos embert, az eredmény azonban azonnal rendelkezésre áll, új kérdéseket lehet feltenni, sőt egyes szintetikus válaszadók indoklásaiba is bele lehet kérdezni. Az adattudós ezt még korai technológiának nevezte: a következő évek egyik nagy kérdése, hogy mennyire képes egy nyelvi modell valódi emberek politikai döntéseit reprezentálni, és mennyire csak a tanítóadataiban megtalálható mintákat reprodukálja. Ha a módszerek bizonyíthatóan működőképesek lesznek, a közvélemény-kutatás eddig több napos vagy hetes folyamata akár közel valós idejű, interaktív vizsgálattá válhat.
Politikán túl: készletgazdálkodás és kereslet-előrejelzés
Ugyanez a gondolkodás használható készletgazdálkodásban, kereslet-előrejelzésben vagy más üzleti döntéseknél is. Egy szupermarketet például nem feltétlenül az érdekel, hogy egy termékből várhatóan pontosan 136 darab fogy el, sokkal fontosabb lehet, hogy mekkora készlet mellett 95 százalékos valószínűséggel nem fogy el az áru. A lényeg nem az, hogy a modell minden alkalommal pontosan megmondja a jövőt: egy jó előrejelzésnek azt kell megmutatnia, hogy milyen jövők lehetségesek, ezek közül melyik mennyire valószínű, és mekkora bizonytalansággal tudjuk ezt egyáltalán kijelenteni.
