هدف المحاضرة / Lecture Goal

تمكين الطالب من محاكاة عملية تحليل نتائج الانتخابات، وفهم كيفية تقسيم الناخبين إلى فئات (Segmentation)، واستخدام الأوامر البرمجية البسيطة لاستقراء التوجهات الكبرى للرأي العام بناءً على عينات البيانات.

🖋️ توطئة (Preamble)

تعتبر الانتخابات هي "المختبر الطبيعي" للعلوم السياسية. في السابق، كان المحلل السياسي يقضي أياماً في فرز الأصوات يدوياً أو باستخدام جداول بسيطة، لكن اليوم، وباستخدام بايثون، يمكننا تحليل ملايين الأصوات في ثوانٍ. هذه المحاضرة ستعلمكم كيف تنظرون إلى "خلف" الأرقام الصماء؛ لنعرف ليس فقط من فاز؟ بل لماذا فاز؟ ومن هي الفئات التي منحت أصواتها لكل مرشح.

1. تصنيف الناخبين (Voter Segmentation)

باستخدام لغة بايثون، نقوم بتقسيم البيانات الضخمة إلى مجموعات لفهم سلوك التصويت:

  • التصنيف الجغرافي: مقارنة نسب التصويت بين المناطق الحضرية والريفية.

  • التصنيف الديموغرافي: تحليل العلاقة بين "العمر" أو "المستوى التعليمي" وبين اختيار مرشح معين.

  • مثال: هل فاز المرشح (أ) بفضل أصوات الشباب أم بفضل فئة كبار السن؟

2. التنبؤ الأولي بالنتائج (Predictive Insights)

نتعلم كيف نستخدم "العينات" (Samples) للتنبؤ بالنتيجة النهائية. من خلال البرمجة، يمكننا حساب "هامش الخطأ" والتأكد مما إذا كانت العينة تمثل المجتمع فعلاً أم أنها منحازة.

3. تحليل الفجوة السياسية (The Declared vs. Actual Vote)

أحياناً يخشى الناخبون التصريح برأيهم الحقيقي في الاستطلاعات (Shy Voter Factor). نستخدم بايثون للمقارنة بين نتائج الاستطلاعات والنتائج الفعلية لتفسير هذه الفجوات السوسيولوجية.

Lecture 10: 

1. Understanding Voter Behavior through Data

Election analysis is no longer just about the final count. It is about segmentation. Using Python, we can filter datasets to answer specific questions:

  • How did gender influence the vote?

  • Is there a correlation between unemployment rates in a district and the support for opposition parties?

2. Data Cleaning in Election Files

Election data is often messy (names with typos, missing regional codes). Students will apply their Pandas skills to ensure every vote is counted correctly and categorized geographically.

3. Visualizing Democracy

In this stage, the student moves from code to Political Dashboards. We create charts that show "Swing States" or "Voting Shifts" between two election cycles, making the political change visible and easy to interpret.

💡 مثال تطبيقي برمجـي (Practical Python Example)

سنستخدم كوداً بسيطاً لتحليل نتائج تصويت في ثلاث ولايات افتراضية لمعرفة "الحزب المهيمن":

Python 
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# 1. إنشاء بيانات افتراضية لنتائج 3 ولايات
election_data = {
    'Province': ['Setif', 'Bejaia', 'Constantine', 'Setif', 'Bejaia', 'Constantine'],
    'Party': ['Party A', 'Party A', 'Party A', 'Party B', 'Party B', 'Party B'],
    'Votes': [120000, 45000, 89000, 95000, 110000, 75000]
}

df = pd.DataFrame(election_data)

# 2. رسم المقارنة بين الأحزاب حسب الولايات
sns.barplot(data=df, x='Province', y='Votes', hue='Party')
plt.title('مقارنة نتائج الأحزاب حسب الولاية - Election Results by Province')
plt.show()

 ملخص المحاضرة

تعلمنا اليوم أن البرمجة هي "عين" الباحث التي يرى بها تفاصيل السلوك الانتخابي. الطالب الآن لا يرى أرقاماً فقط، بل يرى خريطة سياسية متحركة تخبره عن موازين القوى في المجتمع.