Dijital Siyasal İletişimde Algoritmik Temsiliyet: YouTube Yorumları Üzerinden 2024 ABD Seçimlerinin Geriye Dönük Okuması

Bu çalışma, dijital izlerin seçim sonuçlarını yansıtma kapasitesini değerlendirmek amacıyla, 2024 ABD başkanlık seçimleri sürecinde YouTube kullanıcı yorumlarına dayalı duygu temelli bir tahmin modeli geliştirmektedir. Araştırma kapsamında Donald Trump ve Kamala Harris’e yönelik toplam 200 bini aşkın yorum, makine öğrenmesi tabanlı bir duygu analiz modeli ile pozitif, negatif ve nötr biçiminde sınıflandırılmıştır. Elde edilen duygu oranları, adaylara ait günlük kazanma olasılıklarını hesaplamak amacıyla Bayesyen yaklaşım kullanılarak modellenmiştir. Model, 3 Kasım 2024 itibarıyla Trump için %50,73, Kamala Harris için ise %49,27 oranında kazanma tahmininde bulunmuş ve bu öngörü, gerçek seçim sonuçlarıyla büyük ölçüde örtüşmüştür. Bulgular, sosyal medya temelli duygu analizlerinin siyasal eğilimleri izlemek ve seçim sonuçlarını öngörmek açısından anlamlı bir araç olabileceğini göstermektedir. Çalışma ayrıca dijital platformlarda üretilen içeriklerin, algoritmik temsil süreçleriyle nasıl görünür kılındığını tartışmakta; böylece yalnızca teknik tahmin doğruluğu değil, aynı zamanda siyasal iletişimde dijital temsiliyetin sınırları da ele alınmaktadır. Bu bağlamda araştırma, retrospektif modelleme yaklaşımıyla dijital siyasal verilerin ampirik değerini, temsil gücünü, metodolojik sınırlılıklarını ve seçim süreçlerine yönelik olası yansımalarını birlikte değerlendirmektedir. Böylece çalışma hem ampirik hem de kuramsal düzeyde literatüre özgün ve kapsamlı bir katkı sağlamaktadır.

This study develops a sentiment-based prediction model grounded in YouTube user comments during the 2024 U.S. presidential election, to evaluate the capacity of digital traces to reflect electoral outcomes. In the scope of the research, more than 600,000 comments related to Donald Trump and Kamala Harris were classified as positive, negative, or neutral using a machine learning–based sentiment analysis model. The resulting sentiment ratios were modeled through a Bayesian approach in order to estimate the candidates’ daily winning probabilities. As of November 3, 2024, the model predicted a 50.73% probability of victory for Trump and a 49.27% probability for Harris, which closely aligned with the actual election results. The findings demonstrate that social media–based sentiment analysis can serve as a meaningful tool for monitoring political tendencies and forecasting electoral outcomes. In addition, the study discusses how user-generated content on digital platforms is made visible through processes of algorithmic representation, thereby emphasizing not only predictive accuracy but also the structural boundaries of digital political communication. Within this framework, the research evaluates the empirical value, representational capacity, methodological limitations, and possible implications of retrospective modeling for understanding electoral processes. In doing so it provides an original and comprehensive contribution to the literature at both the empirical and theoretical levels.