Legislative Vote Outcome Prediction Using Temporal Approval Patterns

In den geschäftigen Hallen einer Legislative versammeln sich hunderte gewählter Amtsträger, um über das Schicksal unzähliger Vorschläge zu entscheiden. Einige Gesetzentwürfe sind geringfügige Anpassungen bestehender Regeln, während andere tiefgreifende Änderungen darstellen, die eine Nation neu gestalten könnten. Die Vorhersage des Ausgangs dieser Abstimmungen ist notorisch schwierig, insbesondere in Systemen mit vielen politischen Parteien, in denen sich Allianzen wie Sand verschieben. Im Gegensatz zu einer einfachen Ja-oder-Nein-Frage ist eine legislative Abstimmung das Ergebnis komplexer Verhandlungen, des jüngsten politischen Impulses und des verborgenen Einflusses von Parteiführern. Seit Jahrzehnten versuchen Politikwissenschaftler, dieses Verhalten abzubilden, wobei sie sich oft darauf konzentrieren, wie einzelne Politiker abstimmen oder analysieren den Text der Gesetzentwürfe selbst. Es bleibt jedoch eine praktischere Herausforderung bestehen: Können wir vorhersagen, ob ein Vorschlag angenommen oder abgelehnt wird, noch bevor die endgültige Abstimmung überhaupt stattgefunden hat? Diese Frage ist für Journalisten, Aufsichtsgruppen und Bürger von tiefer Bedeutung, die wissen müssen, welche Vorschläge sofortige Aufmerksamkeit verdienen und welche wahrscheinlich still und leise in Ausschüssen untergehen werden.

Ein Forschungsteam aus Brasilien und Finnland hat einen neuen Weg entwickelt, um diese Frage zu beantworten, wobei es sich auf die brasilianische Abgeordnetenkammer konzentriert. Anstatt zu versuchen zu erraten, wie jeder einzelne der 513 Abgeordneten abstimmen wird, haben sie ein System entwickelt, das die breiteren Muster rund um einen Vorschlag betrachtet. Sie analysierten fast 9.000 Sitzungen der letzten zwei Jahrzehnte, von 2003 bis 2024. Ihr Ansatz beruht auf einer einfachen, aber kraftvollen Idee: Die Geschichte eines Vorschlags und der jüngste Erfolg der hinter ihm stehenden Personen halten den Schlüssel zu seiner Zukunft bereit. Durch die Verfolgung der Frage, wie oft eine bestimmte politische Partei in jüngster Vergangenheit gesehen hat, dass ihre Ideen verabschiedet wurden, wie viele Personen sich einem Vorschlag angeschlossen haben und ob die Regierung ihn offiziell unterstützt, schufen die Forscher ein Modell, das das Endergebnis mit hoher Genauigkeit vorhersagen kann.

Die Forscher nennen ihr System VOTE-RAP. Es funktioniert durch das Sammeln spezifischer, Echtzeit-Hinweise, die unmittelbar vor einer Abstimmung verfügbar sind. Ein Schlüsselhinweis ist die „Regierungsorientierung“, die einfach festhält, ob die Exekutive der Regierung offiziell empfohlen hat, ein Gesetz anzunehmen oder abzulehnen. Ein weiterer Hinweis ist die „Parteipopularität“, die misst, wie erfolgreich eine politische Partei in der sehr nahen Vergangenheit darin war, ihre eigenen Vorschläge durchzusetzen. Wenn eine Partei in letzter Zeit viele Stimmen gewonnen hat, ist es wahrscheinlicher, dass ihre neuen Vorschläge Erfolg haben. Das System betrachtet auch die „historischen Genehmigungsraten“ für Vorschläge, über die bereits mehrfach abgestimmt wurde, und zählt die Anzahl der Autoren hinter einem Gesetz, wobei es feststellt, wenn ein Vorschlag eine ungewöhnlich große Anzahl von Sponsoren hat. All diese Informationen werden kombiniert, um eine Vorhersage zu erstellen, die vor einem häufigen Fehler in der Datenwissenschaft namens „Leakage“ (Datenleckage) geschützt ist, bei dem ein Modell versehentlich zukünftige Informationen verwendet, um eine Vorhersage über die Vergangenheit zu treffen.

Als die Forscher ihr System testeten, waren die Ergebnisse beeindruckend. In einem strengen Test, bei dem das Modell mit Daten aus der Vergangenheit trainiert wurde und die Zukunft vorhersagen sollte, identifizierte es das Ergebnis von Abstimmungssitzungen zu etwa 93 Prozent der Fälle korrekt. Wichtiger noch: Es war sehr gut darin, die Vorschläge zu erkennen, die scheitern würden – eine schwierige Aufgabe, da die meisten Gesetzentwürfe in dieser Legislative angenommen werden. Das System erreichte einen Wert von 0,908 auf einer Standard-Skala der Vorhersagegenauigkeit und übertraf damit deutlich einfachere Methoden, die lediglich die Empfehlung der Regierung berücksichtigen. Dieser Erfolg deutet darauf hin, dass der Impuls jüngster politischer Ereignisse und die strukturellen Details eines Vorschlags weitaus aussagekräftiger sind als bisher angenommen.

Die Studie testete auch einen anderen, komplexeren Ansatz, der in den letzten Jahren verwendet wurde und der auf detaillierten Aufzeichnungen darüber basiert, wie einzelne Abgeordnete abgestimmt haben. Die Forscher fanden heraus, dass diese Methode, obwohl sie nützlich ist, um das individuelle Verhalten zu verstehen, bei der Vorhersage des Gesamtergebnisses eines Vorschlags völlig versagte. Als sie versuchten, dieses komplexe Modell auf das gesamte Spektrum der Vorschläge anzuwenden, schnitt es nicht besser ab als der Zufall. Dies geschah, weil detaillierte Abstimmungsaufzeichnungen nur für einen kleinen Bruchteil aller Vorschläge existieren und die in dieser kleinen Gruppe gefundenen Muster nicht auf den Rest übertragbar waren. Dieser Befund widerlegt die Annahme, dass es notwendig ist, jede einzelne Stimme eines Abgeordneten zu kennen, um das Endergebnis vorherzusagen, und zeigt stattdessen, dass breitere institutionelle Signale ausreichend sind.

Was diese Arbeit besonders wertvoll macht, ist ihre Transparenz. Das System stützt sich nicht auf einen mysteriösen „Black-Box“-Algorithmus, der nicht erklärt werden kann. Stattdessen nutzt es klare, verständliche Faktoren, die jeder überprüfen kann. Der wichtigste Faktor war die offizielle Haltung der Regierung, gefolgt von der Größe der Gruppe, die den Gesetzentwurf sponsert, und der jüngsten Popularität der sponsernden Partei. Da das Modell auf diesen sichtbaren Signalen aufgebaut ist, können Journalisten und Aufsichtsgruppen genau nachvollziehen, warum eine Vorhersage getroffen wurde. Wenn das System vorhersagt, dass ein Gesetz scheitern wird, liegt das wahrscheinlich daran, dass die Regierung dagegen ist oder die sponsernde Partei in letzter Zeit weniger Stimmen gewonnen hat. Diese Klarheit ermöglicht es den Beteiligten, ihre Bemühungen zu priorisieren und ihren Fokus auf die Vorschläge zu richten, die am wahrscheinlichsten umstritten sind oder durch die Maschen fallen.

Die Forscher beobachteten auch, dass sich die Genauigkeit des Systems im Laufe der Zeit verändert, was die wechselhafte Natur der Politik widerspiegelt. In einigen Jahren war das Modell außergewöhnlich genau, während in anderen Jahren seine Leistung sank, was wahrscheinlich auf plötzliche politische Neuausrichtungen oder unerwartete Ereignisse zurückzuführen ist. Diese Variation ist kein Fehler, sondern ein realistisches Merkmal des Systems, das anerkennt, dass politische Landschaften fließend sind. Durch die Verwendung eines strengen Zeitplans für ihre Tests, bei dem das Modell nur die Vergangenheit sieht, um die Zukunft vorherzusagen, stellten die Forscher sicher, dass ihre Ergebnisse dessen entsprechen, was in der realen Welt passieren würde, anstatt eines künstlichen Szenarios, in dem das Modell die Antwortmöglichkeit vorab einsehen darf.

Letztendlich bietet diese Forschung ein praktisches Werkzeug zur Navigation durch die komplexe Welt der Gesetzgebung. Sie zeigt, dass es möglich ist, durch die Konzentration auf die richtigen Signale – Regierungsempfehlungen, den jüngsten Erfolg einer Partei und die Breite der Unterstützung eines Vorschlags – die Ergebnisse der Gesetzgebung mit einem hohen Maß an Zuverlässigkeit vorherzusagen. Die Studie bestätigt, dass während individuelle Stimmen komplex sind, das kollektive Ergebnis oft einem erkennbaren Muster folgt, das durch institutionellen Impuls angetrieben wird. Für diejenigen, die die brasilianische Abgeordnetenkammer beobachten, bedeutet dies, dass es nun eine Möglichkeit gibt, die wahrscheinliche Richtung einer Abstimmung vor der endgültigen Auszählung zu sehen, was ein klareres Fenster in den demokratischen Prozess öffnet.