MétaCan
Menu
Retour à la cohorte
Enregistrement W2789113431 · doi:10.5539/res.v10n1p46

Candidate Selection Methods, Cooperation and Legislative Effectiveness

2018· article· en· W2789113431 sur OpenAlexvenueno aff
Osnat Akirav

Notice bibliographique

RevueReview of European Studies · 2018
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueElectoral Systems and Political Participation
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésLegislatureParliamentLegislationPoliticsSelection (genetic algorithm)CategorizationPolitical scienceCompromiseVariable (mathematics)Public administrationBusinessLaw and economicsLawEconomicsComputer science

Résumé

récupéré en direct d'OpenAlex

This study investigates whether differences in candidate selection methods and/or the changes in the Israeli political system affect cooperation between parliament members and whether such cooperation explains legislative effectiveness. To examine these issues, we discuss different types of cooperative strategies using a scale we devised that defines three options for cooperation: 1) uncooperative, 2) cooperation within the party and 3) cooperation between parties. Then, we categorize the various methods that Israeli political parties have used to select their candidates since the establishment of the state, creating four categories of a variable we call the effect of the primaries. Additionally, we consider differences in four periods of changes in the Israeli party system. Finally, we assess the results of cooperation in light of our dependent variable, legislative effectiveness, using data from 1949 to 2015. Our findings indicate that the majority of bills passed without cooperation, but when cooperative strategies were used, they usually involved inter-party rather than intra-party support. Furthermore, the adoption of primaries reduced the probability of passing bills. In addition, when one party was dominant, 68% of the representatives initiated legislation alone, while during the multi-polar fragmented period 41.9% cooperated with legislators from other parties.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,857
Score d'incertitude au seuil0,207

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,111
Tête enseignante GPT0,497
Écart entre enseignants0,386 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueReview of European StudiesMême sujetElectoral Systems and Political ParticipationTravaux en français237 207