El análisis de comportamientos sociopolíticos plantea importantes desafíos de operacionalización y medición, especialmente cuando se estudian colectivos internamente heterogéneos a partir de datos de encuesta. Este trabajo propone una reflexión metodológica sobre la integración de distintas técnicas cuantitativas para la identificación y análisis de perfiles sociopolíticos, poniendo el foco en el tipo de resultados que ofrece cada cada técnica y su potencial complementariedad.

A partir de datos de la European Social Survey (ESS), se diseña una estrategia analítica que combina técnicas de segmentación (análisis de clases latentes y métodos de clustering), modelos explicativos (regresiones multinomiales) y modelos predictivos basados en machine learning (random forest y otros algoritmos de clasificación). 

Esta aproximación se aplica al estudio de comportamientos políticos del colectivo LGTBIQ+ en Europa, con el objetivo de evaluar en qué medida la combinación de estas técnicas permite captar con mayor precisión la heterogeneidad política interna de este colectivo, así como comparar sus respectivas aportaciones, ventajas y limitaciones en términos de capacidad explicativa y rendimiento predictivo.

El artículo pretende contribuir al debate metodológico en ciencia política sobre la medición de comportamientos sociopolíticos, destacando el papel que pueden desempeñar las técnicas de aprendizaje automático en el análisis de datos de encuesta, particularmente en problemas de clasificación, identificación de perfiles y predicción.