美国大选即将尘埃落定，随着人工智能技术的发展，多名科研人员都论证了多代理系统可用于模拟复杂的社会互动，可能对选举预测非常有用。北京外国语大学区域与全球治理高等研究院陈征团队基于多维度数据和多智能体结构，旨在模拟美国总统选举中选民的支持率，通过综合分析选民行为特征和候选人主张的响应，为预测提供支持。
由于人工智能需要与领域知识融合，人工智能辅助选举预测需要与美国选举的专家知识进行耦合，本团队基于人工智能多代理模型预测的胜选概率，结合本次大选7个摇摆州早期投票情况，对2024年大选结局做合理预测。
情景一：民主党哈里斯大获全胜
情景二：民主党哈里斯赢得北部铁锈带宾夕法尼亚州和密歇根州，但是输掉关键的威斯康星州惜败特朗普。
以上两种情景的判断基于多智能体代理模型的计算结果，由于在研究过程中发现人工智能有偏左翼的价值观倾向，因此哈里斯的胜选概率一直高于特朗普。因此，对人工智能计算结果结合专家领域知识判断后，认为哈里斯赢得7个摇摆州的概率不大，但是人工智能对于各州胜选概率的排序非常具有参考价值。
根据多智能体模型计算，哈里斯赢得密歇根州的概率最大，随后是宾夕法尼亚州，但是她在民主党赢得大选关键“蓝墙州”威斯康星州的选情却不乐观，其胜选概率排在北卡、亚利桑那和内华达州之后。由于哈里斯获胜组合最有可能是密歇根州、宾夕法尼亚州和威斯康星州的组合，目前这三州的提前投票数据也显示民主党领先。因此，威斯康星州成为哈里斯能否赢得270张选举人票的关键州。根据多智能体模型的概率排序，如果哈里斯能赢得威斯康星州就意味着她也有一定概率赢得其他南部摇摆州，从而大胜，如果她输掉维斯康星州就输掉选举。各州哈里斯的获胜概率如下表所示：
研究方法：
数据维度与选民特征
该模型使用选民的年龄、性别、教育水平和种族四个维度来描述选民的基本特征。每个维度内的群体特征详细说明了他们的关注点、价值观和影响其投票行为的关键因素。这些维度的划分为模型提供了精确的选民群体分层，从而能够捕捉到不同群体对候选人态度的差异。
年龄：模型通过划分“20-29岁”、“30-39岁”、“40-49岁”、“50-59岁”及“60岁以上”群体，捕捉不同人生阶段选民的政治偏好和社会关注点。年轻选民群体更关注教育、公民权利、气候变化等议题，而中老年群体则更倾向于关心经济稳定、健康保险和退休生活。
性别：男性和女性在政治问题上的关注点存在显著差异。男性更关心经济、通货膨胀、税收和国防政策，而女性对社会安全、环境保护、性别平等及堕胎权利尤为关注。
教育水平：不同学历背景的选民在政治态度上的差异性也被模型细化分析。高中以下学历选民较关注经济和基本社会保障，而拥有本科学位和研究生学位的选民则更关心国家治理、投资环境、以及美国的国际地位等宏观问题。
种族：种族维度包括白人、非裔、拉丁裔等，反映出不同种族群体对经济、教育、移民政策的关注程度差异。该维度为模型提供了进一步捕捉种族间差异的能力，尤其是在像非裔选民群体中，种族平等和社区安全等问题尤为重要。
数据收集
数据收集工作涵盖了多维度的详尽信息，这使得本模型在预测选民支持率方面具有显著优势：
1. 摇摆州人口数据：我们重点收集了七个关键摇摆州的人口信息，包括年龄、性别、教育水平、收入水平和历史投票记录。这些数据为模型识别选民特征在不同地区的差异性提供了基础，使模型能够更好地模拟和预测特定州内选民行为的变化。
2. 关键事件数据：为了更全面地反映选民态度的动态变化，我们收集了与美国政治和经济相关的重要事件数据。这些事件，例如经济政策调整、国际关系变动等，为模型提供了更广泛的输入，帮助我们预测在选举前和选举过程中的选民行为变化。
3. 候选人政策主张：通过详细分析特朗普和哈里斯的政策主张，我们能够识别选民对候选人政策的多层次反应。例如，特朗普的政策强调移民控制、经济独立和制造业回归，而哈里斯则专注于中产阶级的减税、医疗和能源成本降低等。这些细化的政策数据进一步帮助模型准确预测不同选民群体的政策偏好。
支持率的建模和分析
代码提供的支持率数据基于2016年和2020年选举中不同群体对候选人的支持率。通过历史数据，本项目模型能够利用趋势分析及不同群体的变化特征来推测未来选举中的可能走向。
1. 选民智能体（Voter Agent）：该智能体代表不同选民群体，生成基于真实数据的多元态度。选民智能体不仅通过历史支持率数据进行调整，还结合各群体的特定prompt描述（如年龄段关注的核心问题）以生成相应的态度预测。这些prompt在不同选民群体的属性维度中得到了体现，使智能体能够在模拟时更全面地反映群体态度。
2. 专家智能体（Expert Agent）：专家智能体分析候选人的主张，并与选民智能体交互，以便预测不同选民群体的反应。例如，特朗普和哈里斯的政策立场在各群体的不同接受度可以通过专家智能体解析，综合包括经济、教育、社会议题等关键点的影响力。
模型交互与决策
智能体间的交互增强了模型的适应性，使得该系统能够在预测中更加灵活。以下为各个步骤的简述：
数据融合：基于选民维度和不同政策问题的prompt设定，使选民智能体能够模拟出具有多样性的选民反应。
双向交互：选民智能体与专家智能体通过迭代交互增强理解候选人主张的影响，并针对关键政策点进行预测调整。
投票预测与结果分析：在所有选民群体与政策的交互分析基础上，模型给出关于未来投票趋势的预测。这些预测包括对各关键维度的支持率变化的量化分析，从而得出综合的选举结果预测。
通过对上述结构和细节的描述，本项目模型实现了多维度、多智能体的协同，充分利用历史数据和选民群体特征，使得预测的深度和准确性得到了显著提升。这种多智能体系统方法为未来选举预测研究提供了可靠的参考，同时具备应用于其他领域的潜力，如政策分析和舆情监测等。
研究团队核心成员：陈征、顾涵文、袁喆
参与研究成员：陆遥、余淇、白茜文、李诤、罗浩月、李元昊、汤进一、成轶瑾、刘颖颖、郑思佳、韩银珠、付一诺、商梓娴、张元一
