Het voorspellen van de uitslag is elk jaar weer een race tegen de klok - en elkaar. Waar Maurice de Hond elke week met een nieuwe peiling (en coronawetenswaardigheden) komt, zijn in het verleden diverse methoden aangesteld om de uitslagen op meer gedragsmatige basis te voorspellen. Klassieke peilingen zijn immers niet perfect. Ze hebben te kampen met  representativiteit van de samenleving, sociale wenselijkheid en andere kiezers-biases (Zhou et al., 2021).

Een groeiende beweging is de toepassing van Machine Learning op Big Data verzameld van Twitter en andere sociale media. Dit wordt steeds belangrijker: het aantal tweets in combinatie met het sentiment dat over partijen wordt uitgesproken in deze 140 tekens kon de verkiezingen voorspellen in verschillende landen, bijvoorbeeld Duitsland (Tumasjan et al., 2010), Maleisië, India, Pakistan (Jaidka et al., 2019) en Nederland (Sanders en van den Bosch, 2019).

Een methode die meer op de onbewuste motivatie van kiezers stoelt, is de impliciete associatie test (IAT). Hiermee kon de uitslag voorspeld worden op een Zwitsers referendum (Raccuia, 2016) en tijdens Italiaanse verkiezingen (Roccato en Zogmaister, 2010).

Ook werd getest met het inzetten van metingen van het onbewuste keuzecentrum: het brein. Deze neuro-methode heeft ook al de eerste waarde bewezen: de reactie van het brein op het zien van het gezicht van de lijsttrekker kon de verkiezingsuitslag bij de Italiaanse verkiezingen voorspellen (Vecchiato et al., 2009).

Het is duidelijk dat naast de traditionele peilingen verschillende meetmethodes die de onbewuste ervaring meten, een waardevolle toevoeging kunnen zijn aan de vrij rigide meetmethode die de media op dit moment domineert.