بررسی عوامل مشارکت در انتخابات های جمهوری اسلامی ایران، با استفاده از الگوریتم های یادگیری عمیق و تکنیک‌های یادگیری گروهی

مشارکت سیاسی به‌ویژه مشارکت در انتخابات یکی از مولفه‌های کلیدی در فرآیندهای دموکراتیک است که تحت تاثیر مجموعه‌ای از عوامل اجتماعی، اقتصادی و روان‌شناختی قرار دارد. در این تحقیق، به تحلیل و پیش‌بینی میزان مشارکت در انتخابات جمهوری اسلامی ایران با استفاده از مجموعه داده‌های حاصل از یک نظرسنجی عمومی پرداخته شده است. این مجموعه داده شامل 10000 رکورد از ویژگی‌های فردی و اجتماعی نظیر جنسیت، سن، سطح تحصیلات، وضعیت اقتصادی، شغلی و تعاملات رسانه‌ای می‌باشد. برای انجام تحلیل‌های پیش‌بینی، از مدل‌های پیشرفته یادگیری عمیق (شبکه‌های عصبی) و تکنیک‌های یادگیری گروهی مانند درختان تصادفی و تقویتی گرادیان بهره گرفته شده است. نتایج تجربی این تحقیق نشان می‌دهند که تحصیلات، درآمد ماهانه، باورهای سیاسی، تعاملات رسانه‌ای و سطح اعتماد به نظام سیاسی به‌طور معناداری بر تصمیم‌گیری افراد برای مشارکت در انتخابات تاثیر می‌گذارند. علاوه بر این، دقت مدل‌های یادگیری ماشین در پیش‌بینی مشارکت، با استفاده از ویژگی‌های اجتماعی و اقتصادی به میزان قابل توجهی افزایش یافته است. این تحقیق می‌تواند ابزار مفیدی برای تحلیلگران و طراحان سیاست‌های انتخاباتی باشد و به آن‌ها کمک کند تا استراتژی‌های موثرتری برای افزایش مشارکت و بهبود دقت پیش‌بینی‌های انتخاباتی اتخاذ کنند. همچنین، یافته‌های این مطالعه می‌تواند زمینه‌ساز مطالعات آینده در زمینه شبیه‌سازی و پیش‌بینی رفتارهای انتخاباتی باشد.

analyzing factors influencing electoral participation in the islamic republic of iran using deep learning algorithms and ensemble learning techniques

political participation، particularly electoral participation، as a key component of democratic processes: an analysis and prediction using deep learning and ensemble learning techniquespolitical participation، especially participation in elections، is one of the key components of democratic processes، influenced by a range of social، economic، and psychological factors. this study focuses on analyzing and predicting electoral participation rates in the islamic republic of iran using a dataset derived from a public opinion survey. the dataset includes 10،000 records featuring individual and social attributes such as gender، age، education level، economic status، employment، and media interactions.to conduct predictive analyses، advanced deep learning models (neural networks) and ensemble learning techniques، such as random forest and gradient boosting، were employed. the empirical findings indicate that education level، monthly income، political beliefs، media engagement، and trust in the political system significantly impact individuals' decisions to participate in elections. moreover، the accuracy of machine learning models in predicting participation improved considerably when social and economic features were incorporated.this research provides a valuable tool for analysts and electoral policymakers، enabling them to develop more effective strategies for increasing voter participation and enhancing the accuracy of electoral predictions. additionally، the findings of this study offer a foundation for future research in the simulation and prediction of electoral behaviors.