有效心理战（PSYOP）的基础在于透彻理解我们将影响其行为的目标受众。然而，条令性心理战规划流程并未提供技术方法，以发现特定人群中的所有潜在目标受众，或定量预测其偏好。在实践中，心理战规划人员试图从开源研究和承包调查中提取潜在目标受众。在本研究中，我们引入一种无监督机器学习（ML）方法，基于免费可用调查数据中的人口统计与心理特征，将某地区人口分类为不同的集群。我们利用成对相似性，通过分层谱聚类方法构建受访者集群的合成网络，并通过描述性统计描述每个集群的有意义特征，从而为军事规划人员提供对人文地形的充分理解。转向有监督机器学习，我们训练图注意力网络（GATs）来预测调查受访者基于聚类的社区归属，其准确度优于当代表格分类器，这得益于图注意力网络的邻域注意力机制。本研究强调了机器学习对专注于作战环境人文维度的规划人员的效用，并证明对开源调查的分析能有效刻画人文维度并支持任务分析。

本研究提出两种机器学习（ML）方法，以填补这一空白并协助信息环境作战从业人员进行规划——聚类和分类。在第2章中，我们回顾了关于这两种方法的相关文献，并阐明了我们的研究假设。由于我们使用了拉美晴雨表公司免费提供的2023年波次调查数据，我们在描述分析调查时遇到的典型数据类型之前，先考察了调查的一般效用与局限性。我们将讨论营销领域如何利用调查数据进行受众细分与分类，这将引导我们探索潜在类别分析（一种常用的调查分析方法），然后总结当今使用的各种聚类技术。接下来，我们解释图注意力网络（GAT）架构，并将其与表格分类器进行对比，第2章最后定义了用于比较分类性能的分类评估标准：加权一对多（OVR）曲线下面积（AUC）。要更深入地探讨本论文所解决的条令空白以及它如何改进心理战规划流程，鼓励读者参阅第5节，其中包含本论文不可公开发布内容的附录。

第3章描述了用于分析拉美晴雨表数据的两种机器学习方法。首先，我们提出了一种分层谱聚类方法，从特征清洗与工程开始，构建余弦与高尔相似性矩阵，利用互信息对数据集加权并在数据中编码邻域结构，以及顶级集群的分层拆分。聚类完成后，我们训练并评估各种表格分类器，以根据调查数据预测社区归属。这些表格分类器均作为基线基准，我们据此比较各种图注意力网络架构的性能。

第4章描述了两种机器学习方法的结果。根据轮廓系数，余弦相似性产生了更稳定的叶集群，这些集群代表了整个调查人群，而高尔相似性未能在其拉普拉斯矩阵中编码出明显的社区结构。谱聚类的特征间隙启发式在应用于具有明确、不同集群社区的数据集时表现最佳，我们发现所使用的调查数据不太适合这种聚类方法（Von Luxburg 2007）。为简要描述每个集群中的大多数受访者，我们提供了描述性统计表，显示了同一集群受访者共有的特征，以及每个集群的受访者与其他集群受访者的不同之处。使用加权一对多曲线下面积，我们表明图注意力网络分类器的性能优于表格分类器，这归功于图注意力网络对调查数据的网络表示及其消息传递注意力机制。

最后，在第5章中，以方法总结、结果和未来研究建议结束本论文。鉴于本论文的关键要点，在受控非密信息（CUI）补充附录第5节中，为改进当前美国陆军心理战条令提供了建议。本文表明，对开源调查数据的聚类分析为刻画作战环境的人文维度提供了有意义的支持。应将聚类方法（如本研究展示的技术）明确添加到美国陆军的条令性心理战流程中，以协助规划人员识别有意义的目标受众。