Analiza bazy wiedzy wyborw prezydenckich 2005 roku

GRA YNA SZKATUŁA, DARIUSZ WAGNER

Instytut Bada Systemowych PAN, Warszawa

Streszczenie

Na podstawie analizy kampanii prezydenckiej w 2005r. zidentyfikowano naj-waniejsze elementy tej kampanii. Na ich podstawie zbudowano baz wiedzy, której analiza z zastosowaniem metod uczenia maszynowego umoliwiła utworzenie reguł modelujcych specyfik programow i wizerunek medialny kandydatów, którzy uzy-skali znaczne poparcie wyborców i kandydatów, którzy uzyuzy-skali znacznie mniejsze poparcie. Przeprowadzono analiz utworzonych reguł i podano wynikajce z tej analizy wnioski.

Słowa kluczowe: wybory prezydenckie, bazy wiedzy, uczenie maszynowe 1. Wprowadzenie

W tabeli I podano procent głosów, które uzyskali kandydaci biorcy udział w I turze wyborów prezydenckich w 2006r. Ograniczono si do liczby szeciu kandydatów, którzy uzyskali najwik-szy procent głosów. Z tablicy tej wyranie wynika, e pierwsza dwójka kandydatów uzyskała znacznie wicej głosów ni pozostałych czterech.

Tabela I.

Kandydat Głosy Procent

Donald Franciszek Tusk 5 429 666 36.33% Lech Aleksander Kaczyski 4 947 927 33.10% Andrzej Zbigniew Lepper 2 259 094 15.11% Marek Stefan Borowski 1 544 642 10.33% Jarosław Kalinowski 269 316 1.80% Janusz Ryszard Korwin-Mikke 214 116 1.43% Henryka Teodora Bochniarz 188 598 1.26% ródło: [1]

Na podstawie tej tabeli mona wyróni dwie klasy kandydatów: do pierwszej nale ci spo-ród kandydatów, którzy uzyskali znaczne poparcie wyborców ( ponad 30% głosów) a do drugiej kandydaci, którym wyborcy nie udzielili tak znacznego poparcia.

Zatem mona sformułowa nastpujce zadanie: wyznaczy warunki, które powinien spełnia kandydat, aby mógł zosta zaklasyfikowany do jednej z rozpatrywanych klas.

w czasie wyborów prezydenckich w 2005r. naley bra pod uwag zarówno cechy charakteryzuj-ce program gospodarczy i kierunki w politycharakteryzuj-ce zagranicznej kandydatów na prezydenta, jak te cechy opisujce głoszone przez tych kandydatów pogldy oraz deklarowane przez nich hasła i wartoci, jak te cechy zwizane z charakterystyk prowadzonej przez kandydatów kampanii wyborczej oraz cechy opisujce dowiadczenie polityczne i zaplecze partyjne kandydatów. Poniej zamieszczono cechy, które były przyjte do rozwaa oraz przyjmowane przez nie wartoci.

a1 – Walka z bezrobociem {1. stworzenie warunków rozwoju dla przedsibiorstw polskich i zagranicznych; 2. wprowadzenie robót publicznych przy budowie dróg i mieszka; 3. zmniejszenie kosztów zatrudnienia przez wprowadzenie szerokich ulg dla firm, w tym dla za-trudniajcych bezrobotnych i absolwentów}

a2 – Edukacja i nauka {1. zwikszenie nakładów na nauk przy jednoczesnym podnoszeniu poziomu nauczania; 2. zapewnienie dostpu do szkół na wszystkich poziomach oraz zahamowanie likwidacji szkół wiejskich i w małych miasteczkach; 3. stworzenie systemu studiów płatnych z szeroko rozbudowanym systemem stypendialnym}

a3 – Podatki {1. uproszczenie systemu podatkowego przez wprowadzenie podatku liniowego; 2. zwolnienie z podatku dochodów osobistych na poziomie minimum socjalnego; 3. obnienie podatków dochodowych i wprowadzenie prostych zasad ich obliczania}

a4 – Gospodarka {1. prywatyzacja przedsibiorstw pastwowych i ciganie inwestycji zagra-nicznych; 2. łczenie polityki gospodarczej i społecznej oraz utrzymanie kontroli nad strategicz-nymi przedsibiorstwami pastwowymi; 3. wprowadzenie ulg inwestycyjnych i kontynuacja pry-watyzacji; 4. wprowadzenie ułatwie w systemie prawnym i podatkowym}

a5 – Ochrona zdrowia {1. powszechny dostp do podstawowej i specjalistycznej opieki zdro-wotnej, utrzymanie listy leków refundowanych i poszerzenie dostpu do specjalistów; 2. dopuszczenie do sektora ochrony zdrowia inwestorów prywatnych; 3. likwidacja komercji w słubie zdrowia; 4. wprowadzenie dobrowolnego, dodatkowego ubezpieczenia zdrowotnego}

a6 – Bezpieczestwo wewntrzne pastwa {1. usprawnienie pracy policji i przypieszenie procedur w wymiarze sprawiedliwoci; 2. zaostrzenie kar za najcisze przestpstwa i wprowadze-nie „szybkich sdów; 3. rozbudowa sytemu resocjalizacji; 4. bezpłatny dostp do sdów; 5. inne propozycje}

a7 – Stosunek do UE {1. cisła współpraca z UE; 2. zwikszenie samodzielnoci Polski w stosunku do UE}

a8 – Polityka zagraniczna {1. cisła współpraca z UE i USA; 2. budowa silnej i suwerennej Polski przy utrzymaniu dobrych kontaktów z ssiadami; 3. wspieranie pastw Europy wschodniej w wejciu do UE}

a9 – Rolnictwo {1. zwikszenie eksportu produktów rolnych do krajów UE i innych; 2. ochrona polskiego rolnictwa przed konkurencj zewntrzn; 3. rozwój działalnoci pozarolni-czej i prowadzenie inwestycji infrastrukturalnych; 4. Inne propozycje}

a10 – Charakter pastwa {1. pastwo liberalne; 2. pastwo socjalne; 3. pastwo socjalno-narodowe; 4. pastwo socjalno –liberalne}

a11- Deklarowane pogldy {1. liberalne; 2. prawicowe; 3.centroprawicowe; 4. centrolewicowe; 5. lewicowe}

a12 – Głoszone hasła i wartoci {1. liberalno - konserwatywne; 2. narodowo – chrzecija-skie; 3. ludowo – narodowe; 4. socjalno – narodowe}

a14 – Ocena organizacji kampanii {1. profesjonalna; 2. amatorska; 3. niedopracowana} a15 – Formy prowadzenia kampanii wyborczej {1. prowadzona przy uyciu najnowszych rozwiza medialnych; 2. prowadzona tradycyjnymi metodami; 3. prowadzona z naciskiem na bezporednie dotarcie do wyborcy}

a16 – Formy przekazu w kampanii wyborczej {1. zrozumiałe przez wikszo wyborców; 2. niezrozumiałe dla wikszoci wyborców}

a17 – Ukierunkowanie kampanii wyborczej {1. skierowana głównie do przedsibiorców i ludzi wykształconych; 2. skierowane do ogółu wyborców; 3. skierowana do mieszkaców wsi i małych miast; 4. skierowana do mieszkaców duych miast}

a18 – Posiadane zaplecze partyjne {1. dua partia; 2. mała partia} a19 – Wybór na prezydenta {1. tak; 2. nie}

Jako cech decyzyjn przyjto:

a20 – Uzyskanie znacznego poparcia wyborców (ponad 30% głosów) {1. tak; 2. nie}

W wyniku wstpnych oblicze dokonano zmniejszenia liczby rozpatrywanych cech, usuwajc cechy, nie majce istotnego znaczenia dla rozrónienia kandydatów startujcych w wyborach. Poniej przedstawiono cechy opisujce poszczególnych kandydatów, które zostały ostatecznie uwzgldnione w dalszej analizie oraz wartoci, które przyjmuj.

Tabela II. Kandydaci \ Cechy a1 a2 a3 a4 a5 a6 a7 a8 a9 a1 0 a1 1 a1 2 a1 4 a1 5 a1 7 a2 0 D.Tusk 1 1 1 1 2 1 1 1 4 1 1 1 1 1 4 1 L.Kaczyski 1 2 2 2 1 2 2 2 4 2 2 2 1 1 2 1 J.Kalinowski 3 2 2 3 1 5 1 2 1 3 3 3 2 2 3 2 A.Leper 2 2 2 2 3 1 2 2 2 3 3 4 3 3 3 2 H.Bochniarz 3 3 3 4 4 3 1 3 4 4 4 1 3 2 4 2 M.Borowski 1 3 2 3 1 4 1 1 3 4 5 4 2 2 4 2 ródło: opracowanie własne

2. Opis zastosowanego podejĞcia

Do analizy preferencji elektoratu w wyborach prezydenckich autorzy zaproponowali zastoso-wanie wybranych metod analizy komputerowej zbioru przykładów opisujcych kandydatów startu-jcych w wyborach prezydenckich. W literaturze opisano wiele metod nalecych do tej klasy, takich jak np. metody empiryczne tworzenia reguł klasyfikacji i drzew decyzyjnych, metody oparte na algorytmach genetycznych, sieciach neuronowych itd. Róni si one pomidzy sob m.in. zastosowanym sposobem reprezentacji wiedzy, czyli sposobem opisu danych pozyskiwanych od ekspertów lub z dowiadcze, które s przyjmowane do oblicze jak równie sposobem zapisu pozyskanej przez system wiedzy. Za najwaniejsze sposoby reprezentacji wiedzy uwaane s re-prezentacje regułowe, sieci semantyczne, ramy i rere-prezentacje logiczne.

W pracy przyjto reprezentacj regułow, która daje zapis wyników w jawnej postaci reguł de-cyzyjnych typu "jeeli - to", łatwej do interpretacji przez ekspertów. Zalet jej jest łatwo doko-nywania zarówno zapisu wiedzy w tej postaci, jak równie wprowadzanie do niej dalszych zmian poprzez np. moliwo usuwania starych i wprowadzania nowych reguł i warunków. Wieloletnie dowiadczenia wykazuj, e jest to reprezentacja stosunkowo uniwersalna, któr mona zastoso-wa w wielu zagadnieniach praktycznych, np. do zadania klasyfikacji, a jednoczenie majca wzgldnie łatw realizacj komputerow.

Poniej, w sposób skrótowy, podano opis zastosowanego podejcia. Szczegółowe informacje mona znale w pracach [15, 18, 19].

Przyjmijmy, e dany jest zbiór przykładów U = { m

e }, m = 1,...,P, zwany zbiorem uczcym. W naszym zadaniu jest to zbiór szeciu kandydatów, którzy uzyskali najwiksz liczb głosów w pierwszej turze wyborów prezydenckich 2005r.: D. Tusk, L. Kaczynski, J. Kalinowski, A. Leper, H. Bochniarz, M. Borowski (Tabela I). Przykłady opisujemy za pomoc warunków zwizanych ze zbiorem cech A ={a₁,...,a_K} o skoczonym zbiorze wartoci j

j a A a V V

_

∈ = dla j=1,...,K_{, gdzie} ∅ ≠ j a

V jest dziedzin cechy aj∈A, {1 ,..., }

j j j j a i a a v v V = .

Warunkiem elementarnym dla cechy aj, j=1,...,K i przykładu e ∈U nazywamy wyraenie

postaci ( aj) i j v a = , gdzie j j a a i V

v ∈ . Taki zapis oznacza, e cecha a przyjmuje wartoj

v

i aj

w przykładzie e. Tak, wic kady przykład

e∈

U

mona opisa bardziej formalnie w postaci ko-niunkcji K warunków elementarnych w sposób nastpujcy:

) ( 1 j a i j K j a v e= ∧ = = (1)

Stosujc wymienione powyej cechy moemy zgodnie ze wzorem (1) opisa kadego kandy-data startujcego w wyborach prezydenckich w postaci koniunkcji warunków zwizanych z tymi cechami. Koniunkcj l warunków elementarnych, l ≤K, dla wszystkich cech nalecych do pew-nego podzbioru P ⊆A, { ,..., }

1 jl

j a

a

P = , {j1,...,jl}⊆{1,...,K} takiego, e card(P)=l, zapisujemy w nastpujcej postaci: P kon = ( j) j a i j P a a =v ∧ ∈ = ( ) ... ( ) 1 1 l j l j a i j a i j v a v a = ∧ ∧ = (2) l j l j j j a a i a a i V v V v ∈ ,..., ∈ 1 1

Mówimy, e przykład e ∈U jest opisany przez koniunkcj kon , jeeli przykład spełnia _P wszystkie warunki wystpujce w tej koniunkcji.

Jeeli ze zbioru cech A wybierzemy jedn cech

a

d, to moemy ze wzgldu na wartoci, które

ona przyjmuje dokona podziału zbioru przykładów na rozłczne i w sumie tworzce cały zbiór podzbiory, które nazywamy klasami dla klasyfikacji i których opis w postaci reguł bdziemy two-rzy. Elementy zbioru A\{

a

d} nazywamy cechami warunkowymi, a cech

a

d nazywamy cech

decyzyjn. Zakładamy, e liczba i rodzaj cech wystarczaj do poprawnego rozdzielenia przykła-dów nalecych do rónych klas.

Bardziej formalnie moemy zapisa, e podziałem zbioru przykładów U ze wzgldu na cech decyzyjn

a

_d∈A majc dziedzin { 1 ,..., }

d d d d a i a a v v

V = nazywamy podzbiory przykładów

} ..., , , { 2 1 d a d i d a d a v v v Y Y Y , gdzie d d t a a i V v ∈ ∀ , { : ( , ) d} t d a t i a i d v e U f e a v Y = ∈ = , t=1,...d, oraz zachodzi U Y Y ad d i d a v v1 ∪...∪ = , ∩ a_d =∅ j d d i v v Y Y dla i ≠ j.

Zbiory tak okrelonych przykładów uczcych (z ich podziałem na klasy) s punktem wyjcia w procesie uczenia maszynowego. Poprzez uczenie maszynowe na podstawie przykładów bdzie-my rozumieli w pracy tworzenie opisu rozpatrywanej klasy na podstawie danego a priori zbioru przykładów, zwanego zbiorem uczcym. Zbiór uczcy zawiera zarówno przykłady nalece do danej klasy (tzw. przykłady pozytywne), jak równie przykłady, które do tej klasy nie nale (tzw. przykłady negatywne). Opisy klas tworzone s w postaci zbioru reguł elementarnych majcych posta wyrae logicznych JE ELI spełnione s okrelone warunki TO zachodzi przynaleno do danej klasy; w których poprzednik reguły zawiera koniunkcj warunków zwizanych z podzbiorem cech wybranych do opisu kandydatów startujcych w wyborach na prezydenta, a nastpnik reguły bdzie okrelał przynaleno danego kandydata do klasy tych kandydatów, którzy uzyskali znacz-ne poparcie wyborców lub te do klasy zawierajcej tych kandydatów, którzy takiego poparcia nie uzyskali. Reguł elementarn dla klasy

Y

_v

itad nazywamy wyraenie ) , ( d t a i v P

rul : JE ELI kon TO P ( d)

t a i d v a = (3) gdzie { ,..., } \{ } 1 j d j a A a a P l ⊆ = _{, koniunkcj} P kon okrela wzór (2), d d t a a i V v ∈ .

Tworzone reguły elementarne powinny spełnia warunek spójnoci, tzn. rozrónia przykłady nalece od nie nalecych do danej klasy oraz by minimalne, tzn. usunicie dowolnego warunku z czci warunkowej, spowodowałoby nie spełnienie warunku spójnoci. Reguła przynalenoci do klasy ad

t i

v

Y _{jest zbiorem reguł elementarnych majcych posta wyrae logicznych typu (3). Zbiór} taki bdziemy nazywali kompletnym, jeeli jest niepusty i skoczony oraz dla kadego przykładu ze zbioru uczcego istnieje, co najmniej jedna reguła, która go opisuje. Minimalnym zbiorem reguł nazywamy taki zbiór, który jest kompletny i zawiera minimaln liczb reguł.

Reguły, o których była mowa wyej, mona tworzy stosujc róne algorytmy uczenia maszy-nowego. Reguły mog by uyte do uzyskania nieznanych wczeniej w sposób jawny informacji o istniejcych w zbiorze danych zalenociach. W tym przypadku kada reguła jest rozpatrywana indywidualnie jako moliwa reprezentacja interesujcego nas wzorca czy te jakiej istniejcej zalenoci pomidzy cechami.

Jest rzecz oczywist, e nie zawsze wszystkie cechy s niezbdne, aby zapewni nie zmienio-n dokładno klasyfikacji przykładów. Kluczowym pojciem zwizanym z redukcj cech w teorii zbiorów przyblionych jest pojcie reduktu. Mona wyróni kilka typów reduktów, w zalenoci od rodzaju zastosowanej relacji nierozrónialnoci [2, 16, 17]. Reduktem zbioru cech bdziemy nazywali najmniejszy podzbiór tego zbioru zapewniajcy tak sam rozrónialno przykładów jak oryginalny zbiór cech. Reguły moemy tworzy uwzgldniajc cały zbiór cech A, jak równie tylko cechy nalece do wybranego reduktu.

W pracy wyznaczany jest kolejno

• zbiór reduktów dla rozpatrywanej klasyfikacji,

• zbiór wszystkich minimalnych reguł elementarnych opisujcych zbiór przykładów, • minimalny zbiór reguł elementarnych.

Na ich podstawie dokonywana jest analiza preferencji elektoratu. 3. Omówienie uzyskanych wyników

W wyniku przeprowadzonych oblicze wyznaczono 61 reduktów. Czstoci wystpowania po-szczególnych cech w zbiorze reduktów zawarto w tabeli III.

Tabela III Cechy a1 a2 a3 a4 a5 a6 a7 a8 a9 a1 0 a1 1 a1 2 a1 4 a1 5 a1 7 Czstoci wystpowania

cech w zbiorze reduktów

11 8 9 9 10 13 6 8 10 1 9 7 9 9 5

ródło: opracowanie własne

Z analizy reduktów wynika, e istnieje tylko jeden redut jednoelementowy, tworzy go cecha a10 – charakter pastwa, co wiadczy o jej bardzo duym znaczeniu przy podejmowaniu decyzji wyborczych przez elektorat.

Sporód cech charakteryzujcych program społeczno– gospodarczy kandydatów, w reduktach najczciej wystpuj nastpujce cechy: a6 – bezpieczestwo wewntrzne pastwa (13 razy), a1 – walka z bezrobociem (11 razy), a5 – ochrona zdrowia (10 razy), a9 – rolnictwo (10 razy), a3 – podatki (9 razy), a4 – gospodarka (9 razy).

Sporód cech charakteryzujcych deklarowane pogldy i wyznawane wartoci, w reduktach najczciej wystpowała cecha a11 – deklarowane pogldy (9 razy). Równie czsto wystpuj cechy opisujce sposób prowadzenia przez kandydatów kampanii wyborczej: a14 – ocena organi-zacji kampanii wyborczej (9 razy), a15 – formy prowadzenia kampanii wyborczej (9 razy).

Na 20 reduktów składaj si cechy okrelajce program społeczno-gospodarczy kandydatów. Wród nich, wystpuje 18 reduktów dwuelementowych i tylko 2 trzyelementowe.

39 reduktów stanowi redukty dwuelementowe, w których jedna cecha opisuje program spo-łeczno-gospodarczy a druga deklarowane pogldy, wyznawane wartoci lub sposób prowadzenia kampanii wyborczej. Naley podkreli, e nie ma reduktu dwuelementowego, który tworzyłyby wyłcznie cechy z tej drugiej grupy.

Z powyszej analizy wynika, e w zbiorze wszystkich minimalnych reguł elementarnych utwo-rzonych dla rozpatrywanych klas, bd czsto wystpowały cechy okrelajce program społeczno-gospodarczy kandydatów. Powysza obserwacja stawia pod znakiem zapytania lansowan przez politologów tez, e w Polsce, podobnie jak w krajach zachodnich, programy społeczno-gospodarcze ogłaszane przez kandydatów nie maj zasadniczego wpływu na wyniki wyborów prezydenckich. By moe pewnym wytłumaczeniem tej sytuacji była zbieno terminów wyborów parlamentarnych i prezydenckich, a wic kierowanie do wyborców wielu informacji dotyczcych tych programów. Nie ulega jednak wtpliwoci , e na wynik wyborów prezydenckich bardzo duy wpływ ma sposób prowadzenia kampanii wyborczej i jej ukierunkowanie.

Dla rozpatrywanego zbioru przykładów wyznaczono 76 minimalnych reguł elementarnych, któ-re okktó-relaj, jakie warunki powinien spełnia kandydat na pktó-rezydenta, aby uzyska znaczne popar-cie wyborców (klasa Y1) albo uzyska znacznie mniejsze poparpopar-cie (klasa Y2). Reguł dla klasy Y1 wyznaczono 35, z tego 13 reguł zawiera tylko jeden warunek (Tabela IV).

Tabela IV Tabela V

Warunkowa cz reguł elementarnych do klasy Y1: (a20 = 1)

Warunkowa cz reguł elementarnych do klasy Y2: (a20 = 2) Jedno warunkowe, opisujce 2 przykłady: Jedno warunkowe, opisujce 3 przykłady:

(a14=1) (a15=2)

(a15=1) Jedno warunkowe, opisujce 2 przykłady: Jedno warunkowe, opisujcych 1 przykład: (a1=3)

(a2=1) (a2=3) (a3=1) (a4=3) (a4=1) (a10=3) (a5=2) (a10=4) (a6=2) (a11=3) (a10=1) (a12=4) (a10=2) (a14=3) (a11=1) (a17=3)

(a11=21) Jedno warunkowe, opisujcych 1 przykład:

(a12=2) (a1=2)

(a17=2) (a3=3)

Dwu warunkowe, opisujce 2 przykłady: (a4=4)

(a1=1)

∧

(a9=4) (a5=3)

Dwu warunkowe, opisujce 1 przykład: (a5=4)

(a1=1)

∧

(a2=2) (a6=3)

(a1=1)

∧

(a4=2) (a6=4)

(a1=1)

∧

(a6=1) (a6=5)

(a1=1)

∧

(a7=2) (a8=3)

(a1=1)

∧

(a8=2) (a9=1)

(a1=1)

∧

(a12=1) (a9=2)

(a2=2)

∧

(a9=4) (a9=3)

(a3=2)

∧

(a9=4) (a11=4)

(a4=2)

∧

(a5=1) (a11=5)

(a4=2)

∧

(a9=4) (a12=3)

(a5=1)

∧

(a7=2) (a14=2)

(a5=1)

∧

(a9=4) (a15=3)

(a6=1)

∧

(a7=1) (a17=3)

(a6=1)

∧

(a8=1) Dwu warunkowe, opisujce 2 przykłady:

(a6=1)

∧

(a9=4) (a3=2)

∧

(a7=1)

(a6=1)

∧

(a12=1) (a5=1)

∧

(a7=1)

(a6=1)

∧

(a17=4) Dwu warunkowe, opisujce 1 przykład:

(a7=2)

∧

(a9=4) (a2=2)

∧

(a6=1)

(a8=1)

∧

(a9=4) (a2=2)

∧

(a7=1)

Warunkowa cz reguł elementarnych do klasy Y1: (a20 = 1)

Warunkowa cz reguł elementarnych do klasy Y2: (a20 = 2)

(a8=2)

∧

(a9=4) (a3=2)

∧

(a8=1)

(a3=2)

∧

(a17=4) (a4=2)

∧

(a6=1) (a5=1)

∧

(a8=1) (a5=1)

∧

(a17=4) (a6=1)

∧

(a7=2) (a6=1)

∧

(a8=2) (a7=1)

∧

(a8=2) ródło: opracowanie własne

Dla klasy Y2 wyznaczono 41 reguł, z których, co naley podkreli, a 28 stanowi reguły jed-no warunkowe (Tabela V).

Z Tabeli IV bezporednio wynika, e obaj kandydaci, którzy uzyskali najwiksz liczb głosów w I turze wyborów prezydenckich prowadzili swoj kampani wyborcz w sposób profesjonalny i skuteczny (warunki a14=1 oraz a15=1). Zazwyczaj przyjmuje si, e reguły zawierajce tylko jeden warunek daj istotniejsz charakteryzacj opisywanego przykładu. Naley podkreli, e prawie połowa utworzonych reguł zawiera warunki zwizane z cechami odnoszcymi si do pro-gramu społeczno-gospodarczego kandydatów. Pozostałe dotycz przede wszystkim deklarowanych pogldów i wyznawanych wartoci. Obserwacja ta zdaje si potwierdza, podkrelan ju tez, e w Polsce w wyborach prezydenckich nadal liczy si program społeczno-gospodarczy kandydatów, a nie tylko ich wizerunek i deklarowane pogldy, jak to ma miejsce w krajach zachodnich. Naley jednak podkreli fakt, e dla obu kandydatów cechy opisujce ich program przyjmuj róne war-toci. Podobnie jest w przypadku deklarowanych pogldów i wyznawanych warwar-toci. Wystarczy porówna liberalne pogldy D. Tuska z solidaryzmem L. Kaczyskiego.

W pozostałych 22 regułach dwuelementowych najczciej wystpuj warunki zwizane z cechami: a9 - rolnictwo, a1 – bezrobocie oraz a6 – bezpieczestwo wewntrzne pastwa. Waru-nek a9=4 (inne propozycje) wystpuje a 9 razy; waruWaru-nek a1=1 (stworzenie warunków rozwoju dla przedsibiorstw polskich i zagranicznych) 7 razy a warunek a6=1 (usprawnienie pracy policji i przyspieszenie procedur w wymiarze sprawiedliwoci) 6 razy. Naley podkreli, e reguła za-wierajca dwa warunki: a1=1 oraz a9=4 opisuje obu kandydatów, którzy uzyskali najwicej gło-sów w I turze wyborów prezydenckich. Warunek a6=1 wystpuje w regułach, które nie opisuj jednoczenie obu kandydatów, ale wysoka czsto jego wystpowania w połczeniu z innymi warunkami oznacza du wag przykładan zarówno przez L. Kaczyskiego, jak i D. Tuska do zagadnie bezpieczestwa wewntrznego pastwa.

W Tabeli V podane zostały reguły klasyfikujce do klasy Y2, to znaczy tych kandydatów, któ-rzy uzyskali znacznie słabsze poparcie wyborców ni L. Kaczyski i D. Tusk. Wród wyznaczo-nych reguł elementarwyznaczo-nych a 28 z nich zawierało tylko jeden warunek, reguł z dwoma warunkami było tylko 13. Wytłumaczeniem tego faktu moe by stosunkowo dua jednorodno rozpatrywa-nej grupy kandydatów (oczywicie program społeczno-gospodarczy H. Bochniarz wyłamuje si z tej jednorodnoci). Wród utworzonych reguł, 12 opisuje wicej ni jeden przykład, z tego 10 to reguły zawierajce tylko jeden warunek. Naley podkreli, e reguła zawierajca warunek a15=2 (kampania wyborcza prowadzona tradycyjnymi metodami) opisuje a trzy przykłady. Opinie

poli-tologów [1] jednoznacznie potwierdzaj, e L. Kaczyski i D. Tusk zdobyli znaczn przewag w I turze wyborów prezydenckich dziki prowadzeniu kampanii wyborczej przy uyciu najnow-szych rozwiza medialnych (a15=1). Dwa przykłady opisuj równie reguły zawierajce warunki zwizane z programem społeczno-gospodarczym kandydatów (a1 – walka z bezrobociem, a2 – edukacja i nauka oraz a4 – gospodarka) jak te z deklarowanymi pogldami i wyznawanymi warto-ciami (a10 – charakter pastwa, a11 – deklarowane pogldy, a12 – głoszone hasła i wartoci) a take ze sposobem prowadzenia kampanii wyborczej (a14, a17).

Wród reguł z dwoma warunkami s dwie, które opisuj dwa przykłady. Zawieraj one cechy dotyczce wyłcznie programu społeczno-gospodarczego (a3 – podatki, a5 – ochrona zdrowia, a7 – stosunek do UE). Warto podkreli, e warunek a7=1 cisła współpraca z UE i USA) wystpuje w obu tych regułach. Warto równie odnotowa, e tylko w dwóch regułach z dwoma warunkami wystpuje cecha niezwizana z programem społeczno-gospodarczym. Jest to warunek a17=4 doty-czcy ukierunkowania kampanii wyborczej. Fakt ten potwierdza wspomnian ju poprzednio sto-sunkowo du zbieno programów społeczno gospodarczych głoszonych przez M. Borowskiego, J. Kalinowskiego i A. Leppera.

4. Uwagi koĔcowe

Wyniki przedstawione w pracy dotyczce analizy preferencji elektoratu w wyborach prezy-denckich opieraj si na analizie bazy wiedzy uzyskanej dziki współpracy z politologami. Naley podkreli, e zastosowane metody uczenia maszynowego na podstawie przykładów pozwalaj wyznaczy wszystkie minimalne reguły elementarne dla rozpatrywanych klas.

Naturalnym kierunkiem kontynuacji bada zawartych w niniejszym artykule powinno by za-stosowanie utworzonego zbioru reguł do celów prognostycznych.

Bibliografia

1. Garbie A., Małkiewicz A.: Uwarunkowania wyników wyborów prezydenckich w Polsce w 2005r. Maszynopis, 2006.

2. Greco S., Matarazzo B., Slowinski R. Rough sets theory for multicriteria decision analysis. European J. of Operational Research 129, 2001, 1-47

3. Hołubiec J., Małkiewicz A., Szkatuła G., Wagner D.: Próba uwzgldnienia dodatkowych atry-butów w analizie kampanii wyborów do Sejmu w 2001r. W: Trzaskalik T. (Red.): Modelowa-nie preferencji a ryzyko '03. Akademia Ekonomiczna, Katowice 2003, pp. 133-150

4. Hołubiec J., Małkiewicz A., Szkatuła G., Wagner D. Kampania prezydencka 2005 – modelo-wanie preferencji wyborców. Modelomodelo-wanie Preferencji a Ryzyko '07, Akademia Ekonomicz-na, Katowice, w przygotowaniu.

5. Hołubiec J., Szkatuła G., Wagner D.: Próba zastosowania uczenia maszynowego do prognozowania wyników głosowa sejmowych. In: Trzaskalik T. (ed.): Metody i zastosowania bada operacyjnych. Akademia Ekonomiczna, Katowice, 1998, pp. 117-127 6. Hołubiec J., Szkatuła G., Wagner D.: Modelowanie preferencji wyborców w postaci reguł

de-cyzyjnych. Modelowanie Preferencji a Ryzyko ’01. Akademia Ekonomiczna, Katowice, 2002, pp. 133-144

7. Hołubiec J., Szkatuła G., Wagner D.: Analiza obietnic wyborczych ugrupowa politycznych. In: Bubnicki Z., Hryniewicz O., Kulikowski R. (eds.): Metody i techniki analizy informacji i

wspomagania decyzji. Badania operacyjne i systemowe wobec wyzwa XXI wieku. AOW EXIT, Warszawa, III, 2002, pp. 63-74

8. Hołubiec J., Szkatuła G., Wagner D.: Modelling electorate preferences by machine learning. In: Proceedings of the conference: 8th IEEE International Conference on Methods and Models in Automation and Robotics 2002, 2-5.09.2002, Technical University, Szczecin, 2002, pp. 1383-1388

9. Hołubiec J., Szkatuła G., Wagner D.: New aspects in electorate preferences modelling using machine learning. In: Proceedings of the conference: 9th IEEE International Conference on Methods and Models in Automation and Robotics Midzyzdroje, 25-28 August 2003, pp. 1271-1276

10. Hołubiec J., Szkatuła G., Wagner D.: Próba oceny wanoci cech w analizie preferencji wy-borców. W: Red. R. Kulikowski, J. Kacprzyk, R. Słowiski: Podejmowanie Decyzji, Podstawy Metodyczne i Zastosowania. Problemy Współczesnej Nauki: Teoria i Zastosowania, Warsza-wa, Seria: Badania Operacyjne i Systemowe, 2004, pp. 149-160

11. Hołubiec J., Szkatuła G., Wagner D.: Analysis of rules describing electorate preferences gen-erated by machine learning methods. W: Proceedings of the conference: 10th IEEE Interna-tional Conference on Methods and Models in Automation and Robotics, Midzyzdroje, Po-land, 30 August – 2 September 2004, Technical University, Szczecin, 2004, pp. 1119-1124 12. Hołubiec J., Szkatuła G., Wagner D.: Analiza rónic programowych partii politycznych. In: T.

Trzaskalik (Red.): Modelowanie Preferencji a Ryzyko ’05, Akademia Ekonomiczna, Katowi-ce, 2005, pp. 1-15.

13. Hołubiec J., Szkatuła G., Wagner D.: Application of Classification Rules in Modelling Politi-cal Parties. In: Proceedings of the 11th IEEE International Conference on Methods and Mod-els in Automation and Robotics, Midzyzdroje, Poland, 29 August – 1 September 2005, Wy-dawnictwo Uczelniane Politechniki Szczeciskiej, pp. 767- 772.

14. Hołubiec J., Szkatuła G., Wagner D.: Identyfikacja elementów parlamentarnej kampanii wy-borczej – budowanie bazy wiedzy. W: Studia i Materiały Polskiego Stowarzyszenia Zarzdza-nia Wiedz, Polskie Stow. ZarzdzaZarzdza-nia Wiedz, Bydgoszcz, 2007, pp. 58-61

15. Kacprzyk J., Szkatuła G.: An inductive learning algorithm with a preanalysis of data. Interna-tional Journal of Knowledge-Based Intelligent Engineering Systems, 3, 1999, pp. 135– 146 16. Pawlak Z.: Rough Set. International Journal of Computer and Information Sciences, Vol. 11,

No 5, 1982, pp. 341-356.

17. Pawlak Z.: Rough Set. Theoretical Aspect of Reasoning about Data. Kluwer Academic Pub-lisher, 1991

18. Szkatuła G.: Uczenie maszynowe na podstawie przykładów w przypadku błdów w danych. PhD thesis, SRI PAS, Warsaw, 1995.

19. Szkatuła G.: Zastosowanie zmodyfikowanego zadania pokrycia w uczeniu maszynowym. In: Gutenbaum J. (ed.): Automatyka Sterowanie Zarzdzanie. SRI PAS, Warszawa, 2002, pp. 431-445

20. Szkatuła G., Hołubiec J., Wagner D.: Forecasting voting behaviour using machine learning - Poland in transition. In: Transition to Advanced Market Institutions and Economies, 18-21.06.1997, SRI PAS Warszawa, 1997, pp. 426-429

21. Szkatuła G., Hołubiec J., Wagner D.: Machine learning from examples for forecasting voting behaviour. In: Methods and Models in Automation and Robotics, Midzyzdroje 26-29. 08.1997, Technical University, Szczecin, 1997, pp. 385-389

22. Szkatuła G., Hołubiec J., Wagner D.: Forecasting voting behaviour using machine learning - Poland in transition. Annals of Operations Research 97, 2000, pp. 31-41

23. Szkatuła G., Wagner D.: Programmes of parties versus their location on the political scene. Application of decision rules to describe the differences. W: Kacprzyk J., Wagner D. (Red.): Group decisions and voting. Akademicka Oficyna Wydawnicza EXIT, Warszawa 2003, pp. 227-238.

ANALYSIS OF KNOWLEDGE BASE FOR PRESIDENT ELECTION IN 2005

Summary

One can identify the most important elements of President Campaign in 2005 on a base of its analysis. One can built the knowledge base on this bases. There was created rules modeling specific programs and media image of the candidates using machine learning methods. This way candidates who got essential advocacy and those who got smaller advocacy were selected. One can make analysis of created rules and conclusions resulted from the analysis were mentioned.

Keywords: president election, knowledge base, machine learning

Jerzy Hołubiec hołubiec@ibspan.waw.pl Grayna Szkatuła szkatulg@ibspan.waw.pl Dariusz Wagner wagner@ibspan.waw.pl

Instytut Bada Systemowych PAN, ul. Newelska 6, 01-447 Warszawa