fuzzy sets … too fuzzy to study women’s representation in parliament!
Notice bibliographique
Résumé
In this rebuttal piece to Buche et al , I reiterate my criticism of fuzzy set analysis as a method that is poorly suited to study women’s representation in parliament and other rather complex phenomena. The use of fuzzy set analysis is problematic from the onset, because this method asks the researchers to distinguish meaningful from non-meaningful variation and set benchmarks for high women’s representation, the cross-over point and low or non-high representation. Yet, in the study of women’s representation, the distinction between meaningful and non-meaningful variation and the setup of these benchmarks is problematic if not impossible, even with case-specific knowledge. For example, in Asia and Latin America can we talk about high women’s representation if there are 30 per cent women deputies, 35 per cent women deputies or 40 per cent women deputies? Neither the literature nor Buche et al give an answer to this question. This problem of arbitrarily setting benchmarks is magnified by the non-robust findings and low coverage of this method. It is disturbing if we get a completely different combination of conditions, if we slightly change the benchmark for high women’s representation and/or that of some of the conditions or independent variables. Because of these reasons, researchers should refrain from using fuzzy set analysis, when explaining variation in the number of deputies in parliament.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,024 | 0,084 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,018 |
| Communication savante | 0,005 | 0,015 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,006 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».