Key points are not available for this paper at this time.
تقدم المقالة خوارزميات التعلم الآلي لعلماء السياسة. لا ينبغي اعتبار هذه المنهجيات طريقة جديدة لمشاكل قديمة. بدلاً من ذلك، من المهم فهم المنطق المختلف لنهج التعلم الآلي. هنا، يتم تحليل البيانات بدون افتراضات نظرية حول الاحتمالات السببية الممكنة. يتم تحسين النماذج وفقًا لدقتها وقوتها. في حين يمكن للكمبيوتر القيام بهذا العمل بمفرده إلى حد ما، فإن من واجب الباحث فهم هذه النماذج بعد ذلك. لذلك، تصبح تصور نتائج التعلم الآلي مهمة جدًا وهي في صميم هذه الورقة. الطرق المقدمة والمقارنة هي أشجار القرار، التجميع، والغابات العشوائية. الأخيرة هي نسخ أكثر تطورًا من الأوائل، وتعتمد على إجراءات التمهيد. لتوضيح هذه الطرق، يتم تحليل التغيرات الجذرية في ميزانية الولايات المتحدة وارتباطها باهتمام الفاعلين السياسيين. تقدم الورقة مقارنة لدقة النماذج المختلفة استنادًا إلى منحنيات ROC وتوضح كيفية تفسير نماذج الغابات العشوائية بمساعدة التصورات. هدف الورقة هو تقديم مثال على كيفية استخدام هذه الطرق في علم السياسة وإبراز الفخاخ المحتملة بالإضافة إلى مزايا التعلم الآلي.
سيمون هيغليش (الثلاثاء) درس هذا السؤال.