Legislative Vote Outcome Prediction Using Temporal Approval Patterns

In de bruisende hallen van een parlement komen honderden gekozen functionarissen bijeen om het lot van talloze voorstellen te beslissen. Sommige wetsontwerpen zijn kleine aanpassingen aan bestaande regels, terwijl andere ingrijpende veranderingen zijn die de toekomst van een natie kunnen hervormen. Het voorspellen van de uitkomst van deze stemmingen is berucht moeilijk, vooral in systemen met veel politieke partijen waar allianties verschuiven als zand. In tegen tegenstelling tot een eenvoudige ja-of-nee-vraag, is een parlementaire stemming het resultaat van complexe onderhandelingen, recent politiek momentum en de verborgen invloed van partijleiders. Decennialang hebben politicologen geprobeerd dit gedrag in kaart te brengen, waarbij ze zich vaak richtten op hoe individuele politici stemmen of door de tekst van de wetsontwerpen zelf te analyseren. Echter, een meer praktische uitdaging blijft: kunnen we voorspellen of een voorstel zal worden aangenomen of verworpen voordat de definitieve stemming zelfs maar heeft plaatsgevonden? Deze vraag is van groot belang voor journalisten, toezichthouders en burgers die moeten weten welke voorstellen onmiddellijke aandacht verdienen en welke waarschijnlijk stilzwijgend in een commissie zullen sterven.

Een team onderzoekers uit Brazilië en Finland heeft een nieuwe manier ontwikkeld om deze vraag te beantwoorden, waarbij zij zich richten op de Braziliaanse Kamer van Afgevaardigden. In plaats van te proberen te raden hoe elke individuele van de 513 afgevaardigden zal stemmen, bouwden zij een systeem dat kijkt naar de bredere patronen rondom een voorstel. Ze analyseerden bijna 9.000 stemrondes verspreid over twee decennia, van 2003 tot 2024. Hun aanpak rust op een simpel maar krachtig idee: de geschiedenis van een voorstel en het recente succes van de mensen erachter houden de sleutels tot de toekomst. Door bij te houden hoe vaak een specifieke politieke partij onlangs haar ideeën heeft zien worden goedgekeurd, hoeveel mensen zich bij een voorstel hebben aangesloten, en of de regering het voorstel officieel ondersteunt, creëerden de onderzoekers een model dat de uiteindelijke uitslag met hoge nauwkeurigheid kan voorspellen.

De onderzoekers noemen hun systeem VOTE-RAP. Het werkt door specifieke, realtime aanwijzingen te verzamelen die beschikbaar zijn vlak voordat een stemming plaatsvindt. Een belangrijke aanwijzing is "regeringsoriëntatie", wat simpelweg registreert of de uitvoerende macht van de regering officieel heeft aanbevolen dat een wetsontwerp wordt goedgekeurd of afgewezen. Een andere aanwijzing is "partijpopulariteit", wat meet hoe succesvol een politieke partij is geweest in het laten aannemen van haar eigen voorstellen in het zeer recente verleden. Als een partij de laatste tijd veel stemmen heeft gewonnen, is het waarschijnlijker dat haar nieuwe voorstellen slagen. Het systeem kijkt ook naar "historische goedkeuringspercentages" voor voorstellen die meerdere malen zijn gestemd, en telt het aantal auteurs achter een wetsontwerp, waarbij wordt opgemerkt wanneer een voorstel een ongewoon groot aantal sponsors heeft. Al deze stukken informatie worden gecombineerd om een voorspelling te creëren die veilig is voor een veelvoorkomende fout in de data science die bekend staat als "leakage" (datalek), waarbij een model per ongeluk toekomstige informatie gebruikt om een voorspelling over het verleden te doen.

Toen de onderzoekers hun systeem testten, waren de resultaten opmerkelijk. In een rigoureuze test waarbij het model werd getraind op data uit het verleden en werd gevraagd de toekomst te voorspellen, identificeerde het de uitkomst van stemrondes ongeveer 93 procent van de tijd correct. Belangrijker nog, het was zeer goed in het opsporen van de voorstellen die zouden falen, een moeilijke taak aangezien de meeste wetsontwerpen in dit parlement worden aangenomen. Het systeem behaalde een score van 0,908 op een standaard schaal van voorspellende nauwkeurigheid, wat aanzienlijk beter presteert dan simpelere methoden die alleen naar de aanbeveling van de regering kijken. Dit succes suggereert dat het momentum van recente politieke gebeurtenissen en de structurele details van een voorstel veel voorspellender zijn dan voorheen gedacht.

De studie testte ook een andere, complexere benadering die in de recente jaren is gebruikt, die steunt op gedetailleerde verslagen van hoe individuele afgevaardigden stemden. De onderzoekers vonden dat deze methode, hoewel nuttig voor het begrijpen van individueel gedrag, volledig faalde wanneer het werd gevraagd de algemene uitkomst van een voorstel te voorspellen. Wanneer zij dit complexe model probeerden toe te passen op het volledige bereik van voorstellen, presteerde het niet beter dan willekeurig gokken. Dit gebeurde omdat de gedetailleerde stemverslagen alleen bestaan voor een klein deel van alle voorstellen, en de patronen die in die kleine groep werden gevonden, niet van toepassing waren op de rest. Deze bevinding weerlegt het idee dat het kennen van elke individuele stem van een afgevaardigde noodzakelijk is om de uiteindelijke uitslag te voorspellen, en laat zien dat bredere institutionele signalen voldoende zijn.

Wat dit werk bijzonder waardevol maakt, is de transparantie ervan. Het systeem vertrouwt niet op een mysterieus "black box"-algoritme dat niet uitgelegd kan worden. In plaats daarvan gebruikt het duidelijke, begrijpelijke factoren die iedereen kan inspecteren. De belangrijkste factor bleek de officiële houding van de regering te zijn, gevolgd door de omvang van de groep die het wetsontwerp sponsort en de recente populariteit van de sponsorerende partij. Omdat het model gebouwd is op deze zichtbare signalen, kunnen journalisten en toezichthouders precies begrijpen waarom een voorspelling is gedaan. Als het systeem voorspelt dat een wetsontwerp zal falen, komt dat waarschijnlijk doordat de regering het tegenstaat of doordat de sponsorerende partij de laatste tijd minder stemmen heeft gewonnen. Deze helderheid stelt belanghebbenden in staat om hun inspanningen te prioriteren, door hun aandacht te richten op de voorstellen die het meest waarschijnlijk controversieel zijn of die door de mazen van het net glippen.

De onderzoekers observeerden ook dat de nauwkeurigheid van het systeem in de loop van de tijd verandert, wat de verschuivende aard van de politiek weerspiegelt. In sommige jaren was het model uitzonderlijk nauwkeurig, terwijl in andere jaren de prestaties daalden, waarschijnlijk door plotselinge politieke heroriëntaties of onverwachte gebeurtenissen. Deze variatie is geen fout, maar een realistisch kenmerk van het systeem, waarbij wordt erkend dat politieke landschappen fluïde zijn. Door een strikte tijdlijn voor hun testen te gebruiken, waarbij het model alleen het verleden ziet om de toekomst te voorspellen, hebben de onderzoekers ervoor gezorgd dat hun resultaten reflecteren wat er in de echte wereld zou gebeuren, in plaats van een kunstmatig scenario waarin het model de kans krijgt om in het antwoordmodel te kijken.

Uiteindelijk biedt dit onderzoek een praktisch instrument voor het navigeren door de complexe wereld van wetgeving. Het demonstreert dat het, door te focussen op de juiste signalen — regering aanbevelingen, recent partijsucces en de breedte van de steun voor een voorstel — mogelijk is om parlementaire uitkomsten met een hoge mate van betrouwbaarheid te voorspellen. De studie bevestigt dat hoewel individuele stemmen complex zijn, de collectieve uitkomst vaak een waarneembaar patroon volgt dat wordt gedreven door institutioneel momentum. Voor degenen die de Braziliaanse Kamer van Afgevaardigden volgen, betekent dit dat er nu een manier is om de waarschijnlijke richting van een stemming te zien vóór de definitieve telling, wat een helderder venster biedt op het democratische proces.