Identifying Influential Members of Parliament Using Topological Features in a Co-Votation Network
Autores
|
6496 |
2935,312
|
|
|
6497 |
2935,312
|
Informações:
Publicações do PESC
Este trabalho propõe investigar se é possível identificar parlamentares influentes usando apenas informações de resultados das votações. Dados oriundos das sessões de votação da plenária da Câmara dos Deputados do Brasil durante o ano de 2015 foram usados para criar uma rede de co-votação. Nessa rede, vértices representam parlamentares e arestas ponderadas representam a semelhança entre parlamentares quanto ao seu comportamento de voto. Uma lista de deputados influentes elaborada por um grupo de pesquisa em ciência política foi utilizada como referência.
Inicialmente, explorou-se ranquear os deputados conforme diferentes conceitos de centralidade de rede. Em seguida, essas diferentes propriedades topológicas foram utilizadas de maneira conjunta como atributos para alimentar algoritmos de classificação. Os resultados indicaram que, segundo a métrica da precisão média observada ao longo da curva de precisão-recuperação, esse método desempenhou quase 3 vezes melhor que o esperado caso se montasse uma lista de parlamentes influentes de maneira aleatória. Isso sugere que os resultados de votações parlamentares codificam informações relativas ao grau de influência dos congressistas.
This works proposes to investigate whether influent members of the parliament can be identified solely by using voting results. Data from voting sessions in the plenary of the Brazilian House of Representatives during the year of 2015 were used to create a co-voting network. In this network, vertices are congressmen and weighted edges represent pairwise similarity between congressmen regarding their voting behavior. Ground truth data about most influential congressmen were obtained from a report prepared by a political science think tank.
Initially, congressmen were ranked according to different centrality metrics. Afterwards, those topological proprieties were combined by using them as input features to feed classification algorithms. Results indicate that, as measure by the average precision over the precision-recall curve, this method performed almost 3 times better than what would be expected if influent congress were selected by random chance. This suggests that information regarding congressmen influence is encoded into voting results.