Un grand nombre d'études sur les médias sociaux sont basées sur des modèles prédictifs permettant de déduire l'affiliation politique des utilisateurs. Les méthodes conçues pour cette prédiction reposent sur le contenu généré par les utilisateurs (par exemple, les textes des tweets), les relations qu'ils entretiennent (par exemple, qui ils suivent) ou leurs activités et interactions (par exemple, les tweets qu'ils aiment). La précision de cette tâche peut modifier considérablement les conclusions d'une analyse en aval, mais le choix entre les différentes méthodes semble se faire de manière arbitraire. Dans cet article, nous présentons une étude complète et une comparaison empirique de ces pratiques actuelles, afin de comparer leur force de signal et leur performance dans la prédiction de l'appartenance partisane des utilisateurs. Nous proposons également plusieurs nouvelles approches, qui sont compétitives ou plus performantes que les méthodes de pointe, et qui permettent au praticien de choisir parmi un large éventail de types de données qui donnent toutes de bonnes performances. Enfin, nous menons des expériences approfondies sur différents aspects de ces méthodes, qui peuvent fournir des indications pour la recherche appliquée et méthodologique. 

Un article co-écrit par Kellin Pelrine, Anne Imouza, Gabrielle Desrosiers-Brisebois, Sacha Lévy, Jacob-Junqi Tian, Zachary Yang, Aarash Feizi, Cécile Amadoro, André Blais, Jean-François Godbout and Reihaneh Rabbany 

Événement organisé par la Chaire de recherche en démocratie électorale 

Date : 27 mars, 12h-13h  

Lieu : C-4145, Pavillon Lionel-Groulx, UdeM