Quant Way

🔸یعنی بهترین جایی که می شه صدقه داد یا انسانیت و مهر و عشق را نشون داد کمک به افرادی است که مشکل دادن هزینه بیمارستان و دارو و پزشک را دارند واقعا عالی بود.

Happy #fibonaciday

موقت https://soccer24hd.com/game/match/7670/England-Vs-Iran.html

ما به تو مدیونیم آقای SE! اگر در حوزه تحلیل داده و یادگیری ماشین فعالیت می‌کنید، احتمالا مواقعی پیش اومده که به سمت جمع‌آوری داده و ایجاد دیتاست رفتید. روش‌های مختلفی برای جمع‌آوری داده وجود داره اما در این پست می‌خوایم یک مقاله از گوگل رو برای شما معرفی کنیم که سعی کرده یک چارچوب مدون برای جمع‌آوری داده ارایه کنه و در این راه از مفاهیم موجود در توسعه نرم‌افزار الهام گرفته. در این مقاله توضیح داده شده که فرآیند ایجاد دیتاست، یک فرآیند ۵ مرحله‌ای و چرخه‌ای است که تصویر اون رو می‌تونید در پایین ببینید. این ۵ مرحله عبارتند از: بررسی نیازمندی‌ها، طراحی، اجرا، تست و نگهداری که این ۵ مرحله نیز تداعی کننده متدولوژی‌های مشهور در دنیای مهندسی نرم افزار هستند. نکته قابل توجه، تاکید گوگل بر تولید artifact در هر مرحله است. به این معنا که در هر مرحله باید داکیومنتی آماده بشه که به عنوان خروجی اون مرحله محسوب میشه و برای اون نیز تمپلیت‌هایی در انتهای مقاله آورده شده که کار رو روی زمین بیارند. توضیحات هر یک از این ۵ مرحله در یک جدول و در انتهای این پست در تصاویر آورده شده (ورق بزنید). یکی از مهم‌ترین مراحل، مرحله تسته که به دو صورت تست پذیرش (برای اطمینان از تطابق با نیازمندی‌ها) و تست‌های خصمانه مطرح میشه و برای پیاده‌سازی هم همان متد‌های معروف unit testing در مهندسی نرم‌افزار می‌تونه مورد استفاده قرار بگیره. مثلا فرض کنید چنانچه دیتاست از داخل یک سازمان جمع‌آوری میشه تست‌هایی طراحی بشه که از عدم افشای اطلاعات محرمانه شرکا اطمینان حاصل بشه. در ادامه هم برخی درس‌هایی که از حوزه مهندسی نرم‌افزار گرفتیم رو برای جمع‌آوری دیتاست هم اعمال می‌کنه. مثلا: - به دیتاست به چشم یه گناهکار نگاه کنید مگر اینکه خلافش ثابت بشه (در واقع همیشه شکاک باشید که یه جای کار می‌لنگه و بابتش تست کیس‌های مناسب طراحی کنید) - پیش‌فرض‌هایی که باهاش به سراغ جمع‌آوری دیتاست رفتید رو گردآوری کنید و کنترل ورژن انجام بدید (در داکیومنت خروجی مرحله آنالیز نیازمندی‌ها و یا طراحی می‌تونه دیده بشه) - حتما در مسیر توسعه دیتاست، peer review داشته باشید که از نون شب واجب‌تره - برای بررسی توزیع پارامتر‌های دیتاست از ابزارهای مصورسازی استفاده کنید. (یکی از سکشن‌های تمپلیت مربوط به خروجی فاز آنالیز نیازمندی‌ها که در انتهای مقاله اومده، distributional requirements هست که در اون توزیع لازم برای برخی پارامتر‌ها توضیح داده میشه. مثلا ممکنه دیتاست باید طوری جمع‌آوری بشه که فلان پارامتر توزیع نرمال داشته باشه و این واقعیت باید در داکیومنت فاز آنالیز نیازمندی‌ها دیده بشه) - حتما نواقص و محدودیت‌های دیتاست‌تون رو بدونید و یادداشت کنید به جای اینکه روی سرش قسم بخورید و در آخر باید بگیم که بارها موارد استفاده از پارادایم‌های نرم‌افزاری در توسعه مدل‌های یادگیری ماشین رو دیدیم و این بار شاهد استفاده از این پاردایم‌ها در ایجاد دیتاست بودیم که اهمیت توانمندی در حوزه مهندسی نرم‌افزار رو برای دیتاساینتیست ‌ها بیش از پیش نشون میده و در پایان فقط می‌تونیم بگیم ما دیتاساینتیست‌ها به تو مدیونیم ای مهندسی نرم‌افزار! پ.ن: به عنوان مثال، دیتاست معروف peyma که در حوزه NER فارسی مطرحه یه ایراد بزرگ داره و اون هم اینکه تمام named entityها که در دیتاست تست هستند، در دیتاست ترین نیز موجودند و هیچ named entityای وجود نداره که مدل، اون رو در فاز ترینینگ ندیده باشه! در حالیکه مثلا با ایجاد یک سناریوی یونیت تست میشد جلوی این رو گرفت. البته ما این مشکل رو در دیتاست خودمون (https://t.me/nlp_stuff/250) حلش کردیم ولی دیتاست ما هم قطعا مشکلاتی داره که شما می‌تونید حلش کنید. لینک مقاله: https://arxiv.org/abs/2010.13561 #read #paper @nlp_stuff

🔸امروز یکی از عزیزان اومده و میگه تو چرا در کانال در مورد شرایط کشور صحبت نمی کنی پس من نظر خودم را در این مورد میگم نسبت به اطلاعات این لحظه خودم و هنوزم به درست و غلط بودنش شک دارم : از نظر من بیشتر این اعتراضات فعلی بر می گرده به لیست ابر بدهکاران بانکی که قشنگ تا لیست بخشی از اونا منتشر شد یکی یکی دیتابیس های کشور هک شد و اطلاعاتش لو رفت مثل همین لیست ایمیل های پتروشیمی و شرکت نفت و مصادیق مجرمانه و اینکه مشخصه که خیلی ها داشتند حق و سکوت می گرفتند حالا با افشا شدن لیستشون کشور را به اغتشاش می کشند. یا مثلاً هندوانه نسل خفن را گذاشتند زیر بغل 4 تا بچه که شما می فهمید و دارند وارد خیابونشون می کنند حالا برید از همین بچه ها 4 تا سوال در مورد مکتب و نظریه های اقتصاد و جامعه بکنید حالا که خفن هستند و بازیچه نیستند باید حتما بتونند جواب بدند! دقیقا عین همین رفتار ها رو قبلاً هم در ایران مشاهده کردیم و 40 سال پیش هم با همین تفکر نسل خفن و آینده بهتر این آش را درست کردند پس هر وقت دید به جای رفتار های رادیکال و تندرو رفتار های عاقلانه تر جایگزین شد شاید بشه به آینده این کشور امید داشت. یا مثلاً من امروز شنیدم یک فرد 40 ساله با کلی ادعای دانش میگه کی اول شروع کرد ؟ عزیزم یک قضیه ایی هست توی سیستم عامل میگه تا احترام نباشه بن بست اجتناب ناپذیر است. دوست دارید همو بکشید کاری به من نداره ولی فکر نمی کنم کسی بگه این مردم متمدن بودند و نسل کوروش بودند و این کار ها رو کردند و اول مطمئن بشید عروسک خیمه شب بازی کسی نیستید که قرار سودی ببره بعدش بیا با من بحث کنید چون من مطمئنم این کت جادویی قدرت از هر x که به y منتقل بخواهد بشه آخرش مردم هزینشو میدهند و لیست مسئولین قدرت فقط عوض می شود! پس مطمئناً اگر هم قرار باشه شرایط خوب بشه با هر تغییر به عمر این عزیزان وصال نخواهد داد اگر تازه وضعیت مثل قذافی و لیبی نشود.

اورفیت‌کردن در حکمرانی موضوع علم یادگیری ماشین، تعمیم (Generalization) است. به خاطر همین هدف قرار گرفتن تعمیم، مفاهیم یادگیری ماشین می‌توانند شهودی برای همه قضایای دیگر از جمله اقتصاد و سیاست و حکمرانی قرار گیرند. یکی از پایه‌ای ترین این مفاهیم، بیش‌برازش یا overfiting است. همانطور که می‌دانید ما وقتی می خواهیم یک مدل را به منظور رسیدن به یک هدف آموزش دهیم، از ‌آنجایی که ممکن است این هدف به صورت مستقیم قابل دسترسی نباشد، مدل را بر روی یک proxy به امید رسیدن به آن هدف آموزش می‌دهیم. مثلا ما می‌خواهیم یک مدل دسته‌بندی تصاویر سگ‌ها و گربه‌ها را با هدف بیشتر کردن دقت آن آموزش دهیم، اما از آن جا که معیار دقت قابل بهینه‌سازی نیست و همچنین نمی‌توانیم تمام سگ و گربه‌های دنیا را تصویربرداری کنیم، ما مدل را بر روی تابع هزینه کراس انتروپی و البته بر روی مجموعه محدودی از دادگان آموزش می‌دهیم. حال در فرآیند آموزش ممکن است پس از مدتی میزان عملکرد ما بر روی این پراکسی بهبود یابد اما فاصله ما از هدف اصلی بیشتر و بیشتر شود. به موازات بیش‌برازش،‌ در علم اقتصاد قانونی به نام گودهارت وجود دارد که بیان می‌کند "وقتی یک شاخص اندازه‌گیری به یک هدف تبدیل شود، دیگر شاخص خوبی نخواهد بود". برای مثال فرض کنید شما رییس یک دانشگاه هستید و سعی دارید تا کیفیت علمی دانشگاه را افزایش دهید و به همین جهت بر روی تعداد مقالات منتشرشده و تعداد ارجاعات ‌آن‌ها، سیاست‌های تشویقی اعمال می‌کنید. در ابتدا کیفیت علمی دانشگاه اندکی رشد می‌کند اما پس از مدتی مشاهده می‌کنید که تعداد مقالات و ارجاعات چند برابر شده اما با انبوهی از مقالات بی کیفیت و همچینن خودارجاعی‌های بین نویسندگان مختلف ‌آن‌ها مواجه هستید. به همین دلیل شاخص تعداد مقالات دیگر نمی‌تواند یک شاخص خوبی برای افزایش کیفیت علمی دانشگاه شما باشد. حال آقای Dickstein پژوهشگر Google Brain، در بلاگی با تناظر اورفیت و قانون گودهارت پا را فراتر گذاشته و صورت قوی‌تری از قانون گودهارت را ارائه کرده است: "وقتی یک شاخص اندازه‌گیری به یک هدف تبدیل می‌شود، وقتی بیش از حد در آن کارآمد می شویم، هدف اصلی که به دنبال آن بودیم بدتر می شود" برای مثال ممکن است هدف، پیداکردن حکمرانانی با بیشترین میزان مقبولیت و انتفاع در میان مردم باشد و شاخص این کار را آرای مردمی قرار دهیم. حال اگر فقط بر این شاخص تکیه کنیم، ممکن است تنها افراد صاحب سرمایه و رسانه‌ به قدرت برسند که قابلیت دستکاری افکار عمومی را دارند و در نهایت منجر به ظهور الیگارشی شوند. و یا این که هدف ما داشتن جامعه آگاه و متفکر باشد و برای رسیدن به این هدف شاخص آزادی تبادل اطلاعات را قرار دهیم، در صورت تکیه بر تنها این شاخص در نهایت ممکن است با پدیده‌های حباب فیلتر و رواج تئوری‌های توطئه و شبه علم مواجه شویم. Dickstein در این بلاگ این قبیل‌ مثال‌ها را به خوبی توضیح داده و سپس سعی می‌کند تا با بررسی راهکار‌های حل اورفیت تناظری از آن‌ها را برای حل مشکلات دیگر مطرح شده ارائه کند. از جمله این راهکار‌ها می‌توان به اضافه کردن هزینه منظم‌سازی (regularization)، تزریق نویز به سیستم، توقف زودهنگام و محدودکردن ظرفیت مدل یا بیشترکردن ظرفیت آن (پی‌نوشت را ببینید!) را ارائه داد. برای مثال برای حل مشکل حباب فیلتر که در آن فرد دچار انزوای فکری می‌شود و الگوریتم‌های توصیه‌گر فقط محدوده علاقه او را به او نشان می‌دهند، می‌توانیم هر از گاهی با نویز عمل کنیم و او را از حباب‌هایی که به لحاظ فرهنگی و ایدئولوژیک با سلیقه و ذائقهٔ او همخوانی دارند خارج کنیم. خواندن این بلاگ (که مورد تایید آقامون کارپثی هم هست) را به همه شما توصیه می‌کنیم. پی‌نوشت: یکی از جالب‌ترین مثال‌های بررسی شده در اینجا، میزان تریدآف بین شفافیت و privacy است. در صورتی که این تریدآف در میانه باشد ممکن است اقلیتی از آن و رانت اطلاعاتی به منظور تسلط بر سایرین استفاده کنند که نهایتا منجر به بدترشدن وضع می‌شود. دو راهکار پیشنهادی برای این حالت می‌تواند این باشد که یا مدل را کوچکتر کنیم و دسترسی همه به شفافیت و هر نوع اطلاعاتی از سایرین را ببندیم تا کسی قدرت سواستفاده از اطلاعات را نداشته باشد و یا این که راهکار بسیار بزرگترکردن مدل را در پیش بگیریم. این راهکار بسیار شبیه به موضوع overparameterization در یادگیری ماشین است که اخیرا بسیار مورد توجه قرار گرفته است. در این حالت بایستی روی همه چیز شفافیت داشته باشیم، در حدی که همه افراد از همه اطلاعات هم خبر داشته باشند، در این صورت دیگر امکان سواستفاده از اطلاعات پیش نخواهد آمد! لینک بلاگ: https://sohl-dickstein.github.io/2022/11/06/strong-Goodhart.html #read #blog @nlp_stuff

جمهوری خواهان کنگره رو گرفتن. ترامپت هم که اعلام نامزدی کرد برای ۲۰۲۴.

How to scam investors in 8 steps: 1. Cultivate a mystical persona 2. Dangle an insane Total Addressable Market 3. Promise the most disruptive technology 4. Play on the investors' FOMO, so they neglect their Due Diligence 5. Never have a board 6. Never, never share your financials 7. Hang out with celebrities who don't understand what you do 8. Be on the cover of Forbes magazine https://www.linkedin.com/posts/rajaskogland_investors-activity-6998190468182196224-iaQR

مدل زبانی خیلی بزرگ Galactica که می‌تواند: Can summarize academic literature, solve math problems, generate Wiki articles, write scientific code, annotate molecules and proteins, and more. To accelerate science, we open source all models including the 120 billion model with no friction. You can access them here. galactica.org/paper.pdf Explore and get weights: galactica.org #مقاله ✳️ @AI_Python

انتشار اوراق ریالی مبتنی بر ارز (دلار) بانک مرکزی مشخصات این اوراق به شرح زیر است: 1) ناشر: بانک مرکزی ج.ا.ا 2) تاریخ انتشار: 1401.8.25 3) مبنای محاسبه برای تعیین مبلغ ریالی در زمان انتشار، بازخرید و سررسید اوراق: نرخ پایانی روز قبل نماد دلار توافقی اسکناس بازار متشکل معاملات ارزی 4) با نام و معاف از مالیات 5) صرفاً و اصالتاً قابل خرید توسط اشخاص حقیقی بالای ۱۸ سال 6) اوراق سه‌ماهه و سررسید اوراق تاریخ 1401.11.25 7) حداقل میزان خرید اوراق: معادل ریالی 1.000 دلار 8) حداکثر میزان خرید اوراق: معادل ریالی 4.000 دلار 9) ارزش هر ورقه: معادل ریالی 100 دلار 10) قابل بازخرید قبل از سررسید در شعب بانک ملی ایران با نرخ پایانی روز قبل نماد دلار توافقی اسکناس بازار متشکل معاملات ارزی 11) فاقد امکان معاملات ثانویه و انتقال به غیر 12) امکان تحویل فیزیکی اسکناس دلار در سررسید با پرداخت حق‌الوکاله اسکناس بانک مرکزی بخشنامه این اوراق به بانک ملی ایران به عنوان بانک عامل ابلاغ شده و اقدامات لازم برای عملیاتی شدن آن توسط بانک عامل در دست اقدام بوده و از روز شنبه 1401.8.28 اجرایی خواهد شد.

در این رشتو سعی می‌کنم اتفاقی که برای اف‌تی‌اکس (FTX) افتاده رو توضیح بدم و به مرور کاملش کنم. توضیح اساسی اینکه من هیچ سرمایه‌گذاری در این زمینه ندارم و صرفا ناظر خارجی هستم. داستان از چه قراره؟ شرکت اف‌تی‌اکس چندین ماه پیش نزدیک ۳۲ میلیارد ارزش داشت/ این شرکت توسط فارغ‌التحصیل ام‌آتی‌ای سَم بنکمن‌فراید بنیانگذاری شده بود. قسمت عمده ثروت سَم بیشتر از شرکت اف‌تی‌اکس و شرکت سرمایه‌گذاری آلِمدا (Alameda) است. برای اینکه بفهمیم چه اتفاقی داره می‌افته باید قبل از هر چیز بیزنس مدل اف‌تی‌اکس رو متوجه بشیم. اف‌تی‌اکس صرافی مبادله خرید و فروش ارزهای دیجیتال و NFT هست. بیزنس مدل تا اینجا ساده است، شما از تفاوت نرخ خرید و فروش منفعت می‌بری، مثل صرافی‌های سر کوچه. کجا پیچیده می‌شه پس و ریسک داره؟ اونجا که قراردادهای اختیار خرید و فروش و قراردادهای آتی هم قابل وارد مدل می‌شه. چرا؟ چون این قراردادها اجازه ‌می‌ده دارایی رو بفروشی یا بخری در حالی که مالکیت اون رو نداری؟ این یعنی چی؟ یعنی من متعهد می‌شم یک ارز دیجیتال رو بخرم در قیمت ۱۰۰۰ و اگه قیمت بشه ۱۰ همچنان متعهد به خرید با ضرر ۹۹۰ خواهم بود. اینجا هست که اگه سیستم مدیریت ریسک نقدینگی، ضمانت‌های تعهد، ریسک ورشکستگیِ طرف مقابل قرارداد و … برقرار نباشه و نهادی هم بر اون نظارت نکنه تبدیل به کوهی از تعهدات می‌شه که کافیه به صورت ناگهانی صرافی رو در معرض ورشکستگی قرار بده. چگونه؟ فرض کنید خالصِ حجم تعهدات بابت تمام قراردادها ۱ میلیارد دلار باشه و صرافی فقط ۱ میلیون دلار دارایی نقد داشته باشه و دفعتا به دلیل ترس در بین مشتری‌ها همه دنبال تبدیل به نقد کردن تعهدات باشن و صرافی نا‌توان در پرداخت همه تعهدات در آنِ واحد باشه، این ناتوانی در فراهم آوردن پول نقد برای پاسخ‌گویی به تعهدات باعث می‌شه که صرافی اعلام ورشکستگی کنه. در نظر داشته باشین که یکی از کارکردهای صرافی و به طور کلی سازمان بازارهای مالی نظارت بر این قبیل ریسکها است. مثلا ISDA جایی که دلال‌های بزرگ قراردادهای آتی به قوانین و دستورالعمل‌هاش پایبند هستن. در مورد اف‌تی‌اکس صرافی بوده که قوانینی بر اون حاکم نبوده و مدیریت ریسکی انجام نمی‌شده. حالا کجا داستان پیچیده‌تر شده که تحقیقات رسمی هم شروع شده؟ اونجا که اف‌تی‌اکس قبلا ادعا کرده بود از شرکت آلمدا برای ایجاد نقدینگی استفاده می‌کنه، منتها تا الان شواهد نشان می‌ده که سرمایه از شرکت اف‌تی‌اکس به شرکت آلمدا رفته و اونجا بوده که سم، ریسک‌های بزرگی کرده که لزوما موفق نبوده و حداقل بر اساس آخرین گفته، نزدیک ۱ تا ۲ میلیارد دلار از پول مشتری‌ها و ذینفعان رو از دست داده. سوالی که برای بعضی پیش میاد اینه که پس شرکت‌های حسابرسی چه کاره بودند؟ شرکتی که مسوول حسابرسی اف‌تی‌اکس بوده هم در ماورسه (اولین شرکت دارای دفتر مرکزی در متاورس) که این موضوع به پیچیدگی‌های داستان افزوده. از جمله ریسک‌های سم با پول بقیه در شرکت آلمدا این بوده که ثروت عمده آلمدا (نزدیک ۱۵ میلیارد) در FTT که همون ارزش دیجیتال شرکت اف‌تی‌اکس هست نگه‌داری می‌شه و این یعنی پامپ کردن پول دیجیتال خودساخته و با سقوط ارزش این پول قسمت عمده ثروت سرمایه‌گذاری از بین رفته (به همون دلیل هجوم داراندگان ارز برای فروش و کاهش شدیدی ارزش ارز دیجیتال). به این حالت هجوم دارندگان حساب برای نقد کردن پس‌انذاز رو bank run میگن. این اولین بار هست که برای ارز دیجیتال رخ می‌ده.

✅شکست عجیب ترامپ در قبال نتایج خوب برای دموکرات‌ها و پیروزی جمهوری‌خواهان ✍فرشاد قربان‌پور 🟥 آخرین وضعیت انتخابات در آمریکا حاکی‌ست که تا اینجای شمارش آرا جمهوریخواهان ۲۱۱ کرسی مجلس نمایندگان و دموکرات‌ها نیز ۲۰۳ کرسی را تااکنون از آن خود کرده‌اند. در سنا نیز وضعیت تااکنون ۴۹ به ۵۰ به نفع دموکرات‌هاست. پیروزی کاترین کورتز ماستو نامزد دموکرات سنای ایالت نوادا، پیروزی دموکرات‌ها در سنا را تثبیت کرد. البته شمارش آرا هنوز ادامه دارد. و حتی ممکن است دموکرات‌ها ۵۱ کرسی سنا را از آن خود کنند. 🟥دیگر می‌توان به‌طور قطعی گفت در مجلس نمایندگان، جمهوریخواهان با اختلاف اندکی پیروز شدند. در عوض دموکرات‌ها نیز با تصاحب کرسی سنای ایالت نوادا پیروزی سنا را به نام خود کردند هرچند که با توجه به یک حق رای که خانوم کامالا هریس معاون جو بایدن در سنا دارد، پیش‌تر نیز برتری قطعی از آن دموکرات‌ها بود. بنابراین هیچ‌کدام از دو حزب موفق نشدند کنترل کامل کنگره یعنی مجلس سنا و مجلس نمایندگان را به صورت یکجا به‌دست گیرند. 🟥در این شرایط هرچند هنوز تکلیف برخی از حوزه‌های انتخاباتی به طور قطعی مشخص نشده است اما به نظر می‌رسد که نامزدهای جمهوریخواه از آنچه تصور می‌شد نتایج ضعیف‌تری کسب کرده‌اند. جمهوریخواهان که تحت رهبری ترامپ در انتظار مشاهده موج سرخ بودند ( سرخ، رنگ حزب جمهوریخواه است) از نتایج به‌دست آمده چندان راضی نیستند. 🟥 بررسی وضعیت جو بایدن و حزب دموکرات در این انتخابات و مقایسه آن با دوره بیل کلینتون و یا باراک اوباما نشان می‌دهد که جو بایدن، رئیس‌جمهوری فعلی از دو رئیس‌جمهوری دموکرات پیشین نتایج حتی بهتری در انتخابات میان‌دوره‌ای کسب کرده است. دموکرات‌ها در انتخابات میان‌دوره‌ای سال‌های ۱۹۹۴ و ۲۰۱۰ (اولین انتخابات میان دوره‌ای پس از انتخاب بیل کلینتون و باراک اوباما) با شکست سنگینی روبرو شده بودند.  🟥از این گذشته شاید بتوان این انتخابات را شکستی برای ترامپ دانست. یعنی هرچند که حزب جمهوریخواه به‌کلی انتخابات را از دست نداده و دست‌کم مجلس نمایندگان را در اختیار گرفت، اما این پیروزی کوچک، یک شکست بزرگ برای ترامپ جمهوریخواه محسوب می‌شود. چرا؟ 1️⃣ نخست اینکه در مجموع در این انتخابات نامزدهای جمهوریخواه از آنچه تصور می‌شد نتایج ضعیف‌تری کسب کرده‌اند. 2️⃣ نکته دیگر اینکه جمهوریخواهان در شماری از حوزه‌های این انتخابات میان‌دوره‌ای نامزدهایی داشتند که در انتخابات مقدماتی حزب جمهوریخواه به لطف دونالد ترامپ پیروز شده بودند.  بنابراین هر چند که این نامزدهای جمهوریخواه در انتخابات مقدماتی توانسته بودند تا نظر پایه‌های حزب را به خود جلب کرده و نامزد نهایی شوند اما بهترین گزینه جمهوریخواهان برای غلبه بر دموکرات‌ها محسوب نمی‌شدند. 🟥 نتیجه این شد که از میان ۱۵ نامزدی که ترامپ از آنها برای راهیابی به مجلس نمایندگان آمریکا حمایت کرده بود تنها ۲ نامزد موفق شدند و از میان ۱۱ نامزدی که او برای راهیابی آنها به سنا حمایت کرده بود تنها ۵ نامزد موفق به کسب کرسی سنا شدند. این نشان می‌دهد که تا حد زیادی تبلیغات حزب دموکرات و جو بایدن جواب داده است. 🟥 جو بایدن در ماه‌های اخیر روی راه‌انداختن کارزاری تبلیغی پیرامون «تهدید دموکراسی آمریکا» از سوی هواداران ترامپ متمرکز بود. در کنار آن مطرح شدن موضوع حق سقط جنین در کارزار انتخاباتی باعث شد تا مشارکت رای‌دهندگان دموکرات در سطح بالایی باشد.  🟥 در آن سو جمهوریخواهان امیدوار بودند تا به بهانه‌های اقتصادی از جمله پائین آوردن قیمت سوخت و مساله مالیات سرمایه‌داران بتوانند در انتخابات میان‌دوره‌ای پیروزی قاطعی به دست بیاورند.  در واقع آن شکاف بزرگ که بین دموکرات‌ها و جمهوریخواهان در دوره ریاست‌جمهوری دونالد ترامپ ایجاد شده و مبدل به گسل بزرگی شده بود که اوج آن را در حمله هواداران ترامپ به ساختمان کنگره دیدیم در انتخابات این هفته خودش را به خوبی نشان داد. 🟥 به بیان دیگر در انتخابات سه‌شنبه، رای‌دهندگان هر دو حزب از ترس پیروزی حزب دیگر به پای صندوق‌های رای رفتند.  بنابراین جمهوریخواهانی که به نتیجه انتخابات ریاست‌جمهوری ۲۰۲۰ معترضند با این باور که باید سد راه تبدیل آمریکا به کشوری «سوسیالیستی» یا «کمونیستی» شد و درنتیجه باید با دموکرات‌ها مقابله کرد در انتخابات حضور یافتند. و در مقابل نیز دموکرات‌ها شکست حزب جمهوریخواه به ویژه هواداران دونالد ترامپ را تنها «راه نجات دموکراسی» معرفی می‌کنند.  🟥 علاوه بر شکست نامزدهای مورد حمایت ترامپ، این انتخابات یک نشانه تیره دیگر نیز برای ترامپ داشت؛ طلوع نامزد مورد حمایت ترامپ در قامت رقیب برای سال ۲۰۲۴: ران دیسانتیس، فعلا فرماندار فلوریدا. @Sahamnewsorg