Häufig gestellte Fragen (FAQ)

1. Über das Projekt

1.1 Was ist das Ziel des PollyVote Projekts?
Das Forschungsprojekt PollyVote hat es sich zum Ziel gesetzt, Erkenntnisse aus der Prognoseforschung am Beispiel von Wahlen einer breiten Öffentlichkeit zu demonstrieren. Ziel ist es, die Genauigkeit von Wahlvorhersagen mit Hilfe von empirisch validierten Prognosemethoden zu verbessern. Dabei werden insbesondere Verfahren angewandt, welche auch für andere Anwendungsgebiete nützlich sind.
1.2 Wer steckt hinter PollyVote?
Die PollyVote-Prognose für U.S. Präsidentschaftswahlen wird erstellt von den Professoren J. Scott ArmstrongAlfred G. CuzanAndreas Graefe und Randall J. Jones. Andreas Graefe ist verantwortlich für die deutsche Version von PollyVote, welche im Rahmen des Forschungsschwerpunkts Forecasting Politics am Center for Advanced Studies der LMU München gestartet wurde.
1.3 Was hat es mit dem Papagei auf sich?
Polly der Papagei ist das Maskottchen des PollyVote-Projekts. Polly ist in vielerlei Hinsicht ein gewöhnlicher Papagei. Polly ist vollkommen unpolitisch und weiß nichts über Politik oder Wahlverhalten. Polly plappert lediglich nach, was er von anderen hört. Das Besondere an Polly sind sein Wissen über Prognosemethoden sowie seine Fähigkeit, Durchschnitte zu berechnen. Daher ist Polly in der Lage, eines der einfachsten und effektivsten Prinzipien der Prognoseforschung anzuwenden: die Kombination von Vorhersagen.
1.4 Wo bekomme ich mehr Informationen über PollyVote?
Die besten Quellen sind die englischsprachigen Artikel, welche in unterschiedlichen wissenschaftlichen Fachzeitschriften veröffentlicht wurden und die Entwicklung von PollyVote und die Genauigkeit des Verfahrens über die Zeit dokumentieren.
1.5 In welchen Ländern ist PollyVote verfügbar?
Im Moment liefert Polly Vorhersagen für U.S. Präsidentschaftswahlen sowie die deutsche Bundestagswahl. Polly ist jedoch stets an neuen Aufgaben interessiert. Sollen Sie Interesse am Einsatz von PollyVote haben, melden Sie sich bei einem der Projektmitglieder.
1.6 Wie finanziert sich PollyVote?

2. PollyVote Methode

2.1 Wie funktioniert PollyVote?
PollyVote sammelt Vorhersagen verschiedener Methoden, welche auf unterschiedlichen Informationen basieren. Dazu gehören die klassischen Wahlumfragen, Prognosemärkte, auf denen Teilnehmer auf den Wahlausgang wetten, Einschätzungen von Experten sowie Vorhersagen von statistischen Modellen. Dabei kombiniert PollyVote in einem ersten Schritt alle Prognosen derselben Methode nach vorher definierten Regeln. Die dadurch generierten Vorhersagen pro Methode werden im nächsten Schritt nochmals miteinander kombiniert, erneut durch die Berechnung des ungewichteten Durchschnitts.
2.2 Wie oft wird die Prognose aktualisiert?
Die PollyVote-Prognose wird aktualisiert wann immer neue Informationen zur Verfügung stehen. An manchen Tagen also mehrmals am Tag.

3. Prognosegenauigkeit

3.1 Wie genau ist die PollyVote-Prognose?
Bislang wurde PollyVote ausschließlich für die Vorhersage von U.S. Präsidentschaftswahlen eingesetzt. Für die letzten drei Wahlen verfehlte die finale PollyVote-Prognose, berechnet am Tag vor der Wahl, das tatsächliche Wahlergebnis im Mittel nur um etwas mehr als einen halben Prozentpunkt. Zum Vergleich: der mittlere Fehler der finalen Umfrage des Gallup-Instituts war mit 1,9 Prozentpunkten drei Mal so hoch. Vom Unterhaltungswert abgesehen sind Prognosen für kurze Zeithorizonte, wie dem Tag vor der Wahl, jedoch von geringem Nutzen. Viel interessanter ist die Genauigkeit von Prognosen über längere Zeithorizonte bei dementsprechend höherer Unsicherheit. Für die letzten drei U.S. Präsidentschaftswahlen hat PollyVote bereits Monate im Voraus den korrekten Wahlsieger prognostiziert. Für die Wahl 2004 veröffentlichte Polly die erste Prognose 8 Monate vor der Wahl, 2008 bereits 14 Monate vor der Wahl, und 2012 gar 22 Monate vor der Wahl. Vom Tag der ersten Prognose bis zum Wahltag prognostizierte PollyVote dabei den korrekten Wahlgewinner, auch in Zeiten als andere Methoden (wie z.B. Wahlumfragen oder Prognosemärkte) den falschen Kandidaten vorne sahen. Im Schnitt waren die PollyVote-Prognosen dabei genauer als die Vorhersagen der vier Methoden, welche in die PollyVote-Prognose einfließen (Wahlumfragen, Prognosemärkte, Experteneinschätzungen und quantitative Modelle).
3.2 Wieso liefert PollyVote so gute Prognosen?
PollyVote hält sich strikt an eines der am besten erforschten Prinzipien der Vorhersageforschung: die mechanische Kombination von Vorhersagen. Forschungsarbeiten seit den 1970er-Jahren haben immer wieder gezeigt, dass sich durch Kombination von Prognosen sehr genaue Vorhersagen generieren lassen. Dabei steigt der Wert der kombinierten Vorhersage, wenn die einzelnen Prognosen auf unterschiedlichen Methoden und Daten beruhen. Das liegt zum einen daran, dass die kombinierte Vorhersage mehr Informationen berücksichtigen kann. Zum andern passiert es durch die Kombination von Prognosen häufig, dass sich die Fehler der einzelnen Komponenten gegenseitig aufheben. Die kombinierte Prognose ist wahrscheinlich das einfachste und effektivste Verfahren zur Generierung genauer Vorhersagen – leider wird es in der Praxis nur selten angewendet.

4. Projekthistorie

4.1 Seit wann gibt es PollyVote?
PollyVote wurde erstmals für die Vorhersage der U.S. Präsidentschaftswahlen 2004 zwischen George W. Bush und John Kerry eingesetzt. Danach wurde PollyVote erneut für die Vorhersage der Wahlen in den Jahren 2008 und 2012 eingesetzt.
4.2 Was passierte seit 2004?
sdfsdf asfds f

6. Daten

6.1 Sind die PollyVote Daten frei verfügbar?
Ja. Alle im Projekt gesammelten und veröffentlichten Daten sind unter der MIT Lizenz verfügbar.
6.2 Wie komme ich an die PollyVote Daten?
Sie können unsere Daten über unsere API nutzen. Dort ist die Nutzung auch detailliert beschrieben.

7. Automatisierte Nachrichten

Wer generiert die automatisierten Nachrichten?
Die automatisierten Nachrichten auf Basis der PollyVote Daten werden generiert von AX Semantics.

Externe Partner

AX Semantics
logo-AXLogoAX Semantics zählt weltweit zu den Marktführern im Bereich der Natural Language Generation (NLG) für e-commerce, Journalismus und Business Intelligence. Die NLG-Plattform ax-semantics.com erzeugt Content aus strukturierten Daten und eigenem Wissen in bis zu 11 Sprachen. Sie lässt sich mit Hilfe der Konfigurationssprache ATML3 auf jedes beliebige Thema trainieren. Die 2001 geründete Firma sitzt in Stuttgart und hat Niederlassungen in Berlin und Santiago de Chile. Insgesamt arbeiten 40 Mitarbeiter für AX Semantics.
DW Innovation
A team of researchers from DW Innovation has been collaborating with the PollyVote project since late 2015 with the support of the Volkswagen foundation. The key goal is to learn more about scientific methods as a resource for journalism. The team will explore how to visualize election predictions in ways that make prediction analytics useful for public reporting. Deutsche Welle (DW) is Germany's international broadcaster. The innovation team takes part in European and national research projects to develop technologies which can enhance the quality of journalism and enable newsrooms with new technology tools.

Projektleiter

Andreas Graefe
Andreas Graefe Andreas Graefe ist derzeit Research Fellow am Tow Center for Digital Journalism der Columbia University sowie am Institut für Kommunikationswissenschaft und Medienforschung der LMU München. Er ist zudem Inhaber der Sky Stiftungsprofessor Customer Relationship Management an der Hochschule Macromedia in München. Andreas begann seine akademische Karriere am Institut für Technikfolgenabschätzung und Systemanalyse am Forschungszentrum Karlsruhe und hat 2009 an der Universität Karlsruhe (heute: Karlsruher Institut für Technologie) zum Thema Prognosemethoden promoviert. Nach einem zweijährigen Forschungsaufenthalt an der Wharton Business School der University of Pennsylvania arbeitete Andreas Graefe als Senior Manager in den Bereichen Forecasting & Planning sowie Customer Relationship Management bei Sky Deutschland, ehe er als LMU Research Fellow ans Institut für Kommunikationswissenschaft und Medienforschung der Ludwig-Maximilians-Universität München wechselte, wo unter anderem den Forschungsschwerpunkt "Forecasting Politics" am Center for Advanced Studies geleitet hat und PollyVote für die Vorhersage der Bundestagswahl 2013 eingesetzt hat. Andreas verfügt über zahlreiche wissenschaftliche Publikationen im Bereich der Wahlforschung, beispielsweise zur Kombination von Prognosen, zu Wählererwartungen, sowie zu Index Modellen. Mehr Informationen finden sich auf seiner privaten Website.

Projektteam

Alfred Cuzán
Alfred Cuzán Alfred G. Cuzán, Professor in Politikwissenschaft an der University of West Florida, ist einer der drei PollyVote Gründer. Alfred erhielt seinen PhD in Politikwissenschaft und Volkswirtschaftslehre an der Indiana University in 1975. Er ist Autor zahlreicher wissenschaftlicher Artikel zu (latein)amerikanischer Politik, politischer Theorie und Methoden. Mehr Informationen finden Sie auf Alfred's privater Webseite.
J. Scott Armstrong
J. Scott Armstrong J. Scott Armstrong (Ph.D., MIT, 1968), Professor für Marketing an der Wharton School der University of Pennsylvania, ist einer der drei Gründer von PollyVote.com. Zudem ist er Mitgründer des Journal of Forecasting, des International Journal of Forecasting, sowie des International Symposium on Forecasting, von forecastingprinciples.com, sowie Herausgeber von Principles of Forecasting, eines der meist zitierten Handbücher im Bereich Vorhersageforschung. Im Jahr 1996 ernannte ihn das International Institute of Forecasters als einen der ersten "Honorary Fellows" und im Jahr 2000 wurde er von der Society of Marketing Advances als “Distinguished Marketing Scholar of the Year” ausgezeichnet. Scott ist der am meisten zitierte Professor am Institut für Marketing der Wharton School. Sein aktuellstes Buch Persuasive Advertising liefert einen Überblick über empirische Befunde der Persuasionsforschung und er ist gleichzeitig verantwortlich für advertisingprinciples.com. Mehr Informationen finden Sie auf Scott's privater Website.
Mario Haim
haim Mario Haim ist Kommunikationswissenschaftler und ausgebildeter Informatiker. Er studierten Medien und Kommunikation in Augsburg, München und Helsinki und schloss sein Master-Studium 2014 mit einer Arbeit über das Verhalten von Teilnehmern von Wahlprognosemärkten ab. Seit 2014 ist Mario als wissenschaftlicher Mitarbeiter und Doktorand am Institut für Kommunikationswissenschaft und Medienforschung der LMU München tätig. In seiner Forschung beschäftigt er sich mit zahlreichen Aspekten algorithmischer Einflüsse auf Journalismus und Gesellschaft. Dazu gehören etwa datengetriebener Journalismus, Personalisierung und so genannte Filter-Bubble-Effekte, Popularitätshinweise sowie die Distribution von Nachrichten über soziale Netzwerke. Über seine Arbeit zu automatisiertem Journalismus wurde zuletzt im Medienmagazin ZAPP sowie in diversen Programmen von BR, WDR und Die ZEIT berichtet. Mario leitet außerdem praktische sowie akademische Workshops zu datengetriebenem Journalismus, etwa an der Deutschen Journalistenschule (DJS), dem BR oder der Universität von Süddänemark. Weitere Informationen finden sich auch auf Marios persönlicher Webseite.
Randy Jones
Randy Jones Randall J. Jones, Jr. (PhD, University of Texas at Austin), Professor in Politikwissenschaft an der University of Central Oklahoma, ist einer der drei PollyVote-Gründer. Randys Forschungsschwerpunkt liegt im Bereich Wahlforschung, insbesondere auf der Analyse von Methoden zur Vorhersage von Wahlergebnissen. Er ist Autor von Who Will Be in the White House? Predicting Presidential Elections und Mitherausgeber von 21 Debated: Issues in World Politics. Randy war Vorsitzender des Gründungskommittees der Political Forecasting Group der American Political Science Association. Mehr Informationen finden Sie auf seiner privaten Website.

Publikationen

1. Forschung zur PollyVote-Prognose
  1. Graefe, A. (2015). German election forecasting: Comparing and combining methods for 2013. German Politics, 24(2), 195-204. [Replication data available here.]
  2. Graefe, A. (2015). Accuracy gains of adding vote expectation surveys to a combined forecast of US presidential election outcomesResearch & Politics, 2(1), 1-5. [Replication data available here.]
  3. Graefe, A., Armstrong, J. S., Jones, R. J. Jr. & Cuzán, A. G. (2014). Combining forecasts: An application to electionsInternational Journal of Forecasting, 30(1), 43-54. [Replication data available here.]
  4. Graefe, A., Armstrong, J. S., Cuzán, A. G. & Jones, R. J. Jr. (2014). Accuracy of combined forecasts for the 2012 presidential elections: The PollyVotePS: Political Science & Politics, 47(2), 427-431. [Replication data available here.]
  5. Graefe, A., Armstrong, J. S., Jones, R. J. Jr. & Cuzán, A. G. (2013). Combined Forecasts of the 2012 Election: The PollyVoteForesight – The International Journal of Applied Forecasting, Issue 28, 50-51.
  6. Graefe, A., Jones, R. J. Jr., Armstrong, J. S. & Cuzán, A. G. (2012). The PollyVote’s year-ahead forecast of the 2012 U.S. presidential electionForesight – The International Journal of Applied Forecasting, Issue 24, 13-14.
  7. Graefe, A., Armstrong, J. S., Jones, R. J. Jr. & Cuzán, A. G. (2009). Combined Forecasts of the 2008 Election: The PollyVoteForesight – The International Journal of Applied Forecasting, Issue 12, 41-42.
  8. Cuzán, A. G., Armstrong, J. S. & Jones, R. J. Jr. (2005). The Pollyvote: Applying the Combination Principle in Forecasting to the 2004 Presidential Election, Paper presented at the 2005 International Symposium on Forecasting, San Antonio.
  9. Cuzán, A. G., Armstrong, J. S. & Jones, R. J. Jr. (2005). How we computed the PollyVoteForesight: The International Journal of Applied Forecasting, Issue 1, 51-52.
2. Weitere Arbeiten zu Wahlvorhersagen
  1. Graefe, A. (2015). Improving forecasts using equally weighted predictorsJournal of Business Research, 68(8), 1792-1799. [Replication data available here.]
  2. Graefe, A. (2014). Accuracy of vote expectation surveys in forecasting electionsPublic Opinion Quarterly, 78(S1), 204-232. [Replication data available here.]
  3. Graefe, A., & Armstrong, J. S. (2014). Forecasts of the 2012 U.S. presidential election based on candidates’ perceived competence in handling the most important issuePolitical Science Research and Methods, 2(1), 141-149.
  4. Graefe, A., Küchenhoff, H., Stierle, V. & Riedl, B. (2015). Limitations of Ensemble Bayesian Model Averaging for forecasting social science problemsInternational Journal of Forecasting, 31(3), 943-951.
  5. Graefe, A. (2013). Issue and leader voting in U.S. presidential electionsElectoral Studies, 32(4), 644-657.
  6. Jones, Randall J. Jr. & Cuzán, A. G. (2013). Expert judgment in forecasting American presidential elections: A preliminary evaluation2013 APSA Annual Meeting Paper.
  7. Graefe, A., & Armstrong, J. S. (2013). Forecasting elections from voters’ perceptions of candidates’ ability to handle issuesJournal of Behavioral Decision Making, 26(3), 295-303.
  8. Graefe, A., & Armstrong, J. S. (2012). Predicting elections from the most important issue: A test of the take‐the‐best heuristicJournal of Behavioral Decision Making, 25(1), 41-48.
  9. Armstrong, J. S. & Graefe, A. (2011). Predicting elections from biographical information about candidatesJournal of Business Research, 64, 699-706.
  10. Cuzán, A. G. (2008). Predicting the results of the 2010 midterm Elections: Judgment, econometrics, and prediction marketsForesight – The International Journal of Applied Forecasting, Issue 21, 41-44.
  11. Graefe, A. & Armstrong, J. S. (2011). Who should be nominated to run in the 2012 U.S. Presidential Election? Long-term forecasts based on candidates’ biographies2011 APSA Annual Meeting Paper.
  12. Cuzán, A. G. & Bundrick, C. M. (2009). Predicting presidential elections with equally weighted regressors in Fair’s equation and the fiscal modelPolitical Analysis 17(3), 333-340.
  13. Jones, R. J. Jr. (2008). The state of presidential election forecasting: The 2004 experienceInternational Journal of Forecasting 24(2), 310-321.
  14. Jones, R. J. Jr. & Cuzán, A. G. (2008). Forecasting U.S. Presidential Elections: A Brief ReviewForesight – The International Journal of Applied Forecasting, Issue 10, 29-34.
  15. Jones, R. J. Jr., Armstrong, J. S. & Cuzán, A. G. (2007). Forecasting Elections Using Expert Surveys: An Application to U. S. Presidential Elections2007 APSA Annual Meeting Paper.
  16. Armstrong, J. S. & Cuzán, A. G. (2006). Index methods for forecasting: An application to American presidential electionsForesight – The International Journal of Applied Forecasting, Issue 3, 10-13.
3. Forschung zu automatisiertem Journalismus
  1. Graefe, Andreas (2016). Guide to Automated Journalism. Tow Center for Digital Journalism, Columbia Journalism School, New York City.
  2. Graefe, A., Haim, M., Haarmann, B. & Brosius, H.-B. (2016). Readers‘ perception of computer-written news: Credibility, expertise, and readabilityJournalism (forthcoming).
  3. Haim, M. & Graefe, A. (2016). Automated news: Better than expected?. ICA 2016 – Annual Conference of the International Communication Association, Fukuoka, Japan, June 9-13, 2016.
  4. Berger, M., Haim, M., Graefe, A., Brosius, H.-B., & Hess, T. (2015). Aktuelles Stichwort: Computational Journalism. Medienwirtschaft, 12(1), 20-23.