Miles de publicaciones pueden convertir un asunto político en tendencia sin que eso se traduzca necesariamente en un mayor apoyo electoral. Esta diferencia entre lo que se comenta en redes sociales y lo que finalmente se vota plantea uno de los principales desafíos de la demoscopia actual. La conversación digital ofrece información sobre las preocupaciones y opiniones de una parte de la población. Pero no siempre representa al conjunto de la sociedad.
En este escenario, la inteligencia artificial abre nuevas posibilidades para estudiar la evolución de la opinión pública. El aprendizaje automático (Machine Learning), el procesamiento del lenguaje natural y el análisis de grandes volúmenes de datos son algunas de estas tecnologías. Permiten identificar patrones, observar cambios en el debate público y complementar los métodos tradicionales de investigación electoral. A partir de estas herramientas, los modelos demoscópicos pueden explorar diferentes escenarios. Aun así, sus estimaciones siguen dependiendo de la calidad y representatividad de los datos utilizados.
Comprender cómo funcionan estos modelos y cómo interpretar sus resultados requiere conocimientos de inteligencia artificial y analítica de datos. Son dos disciplinas que se abordan en programas como nuestro Máster en Inteligencia Artificial y Analítica.
De la encuesta al análisis continuo: qué cambia con la IA
Las encuestas siguen siendo una herramienta fundamental para medir la opinión pública. A partir de entrevistas a muestras de ciudadanos y de modelos estadísticos, permiten estimar las preferencias de una población más amplia. Sin embargo, conseguir muestras representativas resulta cada vez más exigente. La falta de respuesta o las diferencias entre quienes participan y quienes no lo hacen pueden afectar a las estimaciones. También influye la dificultad para identificar quién acudirá finalmente a las urnas. Además, una encuesta recoge respuestas en un periodo concreto, aunque las preferencias de los encuestados puedan cambiar después.
La IA permite explorar otras fuentes y actualizar los análisis con mayor frecuencia. Los modelos pueden combinar encuestas con indicadores socioeconómicos, datos históricos y señales procedentes de la actividad digital. Esto permite observar cambios con más detalle, pero no garantiza una mayor precisión. Lo importante en este caso es cómo se seleccionan, relacionan y validan los datos.
Cómo funciona un algoritmo demoscópico
Un modelo predictivo electoral no se limita a contar menciones a partidos o candidatos. Su funcionamiento comprende varias etapas que convierten datos heterogéneos en estimaciones que deben interpretarse con cautela. Estas etapas pueden dividirse en:
- Recopilar y relacionar diferentes fuentes de datos.
- Detectar patrones con aprendizaje automático.
- Traducir las estimaciones en escenarios electorales.
Durante la primera etapa, además de los resultados electorales anteriores y las encuestas, pueden utilizarse indicadores económicos, datos demográficos o publicaciones en redes sociales. Todo ello, siempre dentro de los límites legales y de acceso a la información.
Cada fuente aporta una perspectiva distinta. Los indicadores económicos ayudan a contextualizar las preocupaciones ciudadanas, las encuestas recogen intenciones declaradas y la actividad digital ofrece pistas sobre los asuntos que generan conversación.
Por otro lado, durante la segunda fase los modelos de Machine Learning identifican relaciones entre variables. Muchas de ellas pueden resultar difíciles de detectar mediante un análisis convencional. Entrenados con datos históricos, pueden estimar cómo determinados factores se relacionan con la participación electoral o con los cambios de intención de voto.
El procesamiento del lenguaje natural (NLP) permite analizar grandes cantidades de texto. Así puede identificar temas recurrentes, clasificar opiniones o detectar valoraciones favorables y desfavorables sobre asuntos políticos. Sin embargo, detectar una tendencia en la conversación no equivale a medir el apoyo electoral. Una publicación crítica puede expresar rechazo, ironía o simplemente interés informativo.
En la última etapa, predecir porcentajes de voto y estimar escaños son tareas diferentes. En España, el sistema electoral asigna los representantes por circunscripciones. Esto hace que una variación en los votos pueda tener consecuencias distintas según la provincia.
Los modelos pueden combinar estimaciones de voto con simulaciones para calcular posibles distribuciones de escaños y sus márgenes de incertidumbre. Así, en lugar de ofrecer una cifra única como si fuera segura, permiten explorar diferentes escenarios. Por ejemplo, qué ocurriría si cambiara la participación o si los partidos obtuvieran resultados diferentes en determinadas circunscripciones.
Distinguir la conversación digital de la opinión pública
Uno de los principales riesgos de la IA aplicada a la demoscopia es confundir la abundancia de datos con su representatividad. Las redes sociales reflejan la actividad de sus usuarios, no una muestra aleatoria del electorado. Algunas personas publican frecuentemente sobre política, otras, apenas participan o no utilizan estas plataformas. Además, la visibilidad de los mensajes depende de factores como los algoritmos de recomendación y la circulación de contenidos automatizados. Por eso, una campaña que acumula muchas menciones no tiene por qué contar con más apoyo electoral. Del mismo modo, el análisis automatizado del sentimiento puede confundir críticas, sarcasmo o mensajes ambiguos si no interpreta adecuadamente su contexto.
La investigación académica confirma estas dificultades. Un metaanálisis de Skoric, Liu y Jaidka (2020), basado en 74 estudios, encontró que la precisión de las predicciones electorales y de opinión pública mediante redes sociales variaba considerablemente. En promedio, quedaba por debajo de los referentes de las encuestas tradicionales.
Otros trabajos apuntan al potencial de combinar fuentes. Brito y Adeodato (2023) analizaron modelos de aprendizaje automático que integraban datos de interacción en redes sociales y encuestas para predecir elecciones en cuatro países latinoamericanos. Los resultados fueron comparables o superiores a los de los sondeos en los casos estudiados. La utilidad de la IA no depende, por tanto, solo de la cantidad de datos disponibles. También depende de su calidad, representatividad y combinación con otras fuentes.
Los límites de predecir el voto con inteligencia artificial
Los modelos entrenados con elecciones anteriores pueden reproducir patrones que dejan de funcionar ante acontecimientos inesperados, nuevos candidatos o cambios relevantes en la participación. Este riesgo se relaciona con el «sobreajuste». Es decir, el modelo aprende demasiado bien las particularidades de los datos conocidos y pierde capacidad para generalizar a situaciones nuevas. Además, la intención de voto no es inmutable. Un debate, una noticia o una polémica pueden modificar las preferencias durante una campaña. Incluso una estimación bien calibrada puede fallar si la participación final difiere de la prevista. Evaluar un modelo exige algo más que comprobar si acertó en unas elecciones. Es necesario medir sus errores, contrastar sus predicciones con resultados reales y comprobar su rendimiento en convocatorias distintas.
El reto de interpretar una sociedad en movimiento
Las elecciones son un escenario especialmente complejo para la analítica predictiva. Las personas no se comportan como variables aisladas: reaccionan a los acontecimientos, cambian de opinión y toman decisiones condicionadas por factores que no siempre dejan una huella digital. Esto plantea una cuestión que va más allá de la tecnología: ¿hasta qué punto es posible anticipar una decisión colectiva a partir de los datos disponibles? Cuanto más sofisticados son los modelos, más importante resulta distinguir entre una correlación estadística y una explicación real del comportamiento humano.
El desarrollo de la IA puede ampliar nuestra capacidad para detectar tendencias y formular hipótesis. Pero interpretar por qué una sociedad se moviliza, cambia de preferencias o decide abstenerse sigue requiriendo contexto, investigación y criterio humano. En la demoscopia, como en otros ámbitos de la analítica, el verdadero desafío no es acumular más datos, sino aprender a hacer las preguntas adecuadas.encias o decide abstenerse sigue requiriendo contexto, investigación y criterio humano. En la demoscopia, como en otros ámbitos de la analítica, el verdadero desafío no es acumular más datos, sino aprender a hacer las preguntas adecuadas.
