Modeling Voting Decisions in Governance Networks for Agents with Heterogeneous Mental Models and Alternate Network Structures
Notice bibliographique
Résumé
Public1 and private sector partnerships have proliferated to address wicked and complex planning problems, resulting in the rise of "governance networks." Governance networks draw actors from the public, private and non-profit sectors cutting across geographic, social and administrative boundaries. Empirical examples of governance networks include, but are not limited to, watershed partnerships, airshed partnerships, regional transportation and land-use planning networks and climate action partnerships. For this study of watershed governance networks, we develop agent-based models to examine how agents holding diverse beliefs interact under different assumptions for network structure. Using a simulation methodology, we address three research questions: (1) How do voting outcomes in watershed partnerships differ when planning proposals with low, medium and high scores on decision criteria regarding the environment, market and local government are introduced for discussion and voting by agents with heterogeneous mental models? (2) How sensitive are decision making outcomes to changes in the tolerance of a network members' beliefs to other members' beliefs in small world versus like-minded networks? (3) How sensitive are decision-making outcomes to changes in the average number of connections per agent in small world versus tolerance of belief difference in connections in like-minded networks? Results from a survey of watershed stakeholders are used to initialize the simulated beliefs of six stakeholder groups in an agent-based model: environmentalists, farmers, business people, government officials, and water and forestry experts. Simulated voting outcomes are sensitive to both stakeholder beliefs and simulated social networks among stakeholders. Increasing an agent's tolerance of other's beliefs increases the likelihood of majority or consensus voting on planning proposals. Counter to our expectations, simulated group consensus emerged more readily in small world networks than like-minded networks in which stakeholders had narrow thresholds of tolerance for other beliefs. As the diversity of stakeholder connections increases, consensus becomes more likely for watershed and other environmental planning governance networks.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».