Democracy in the Information Age: The Death of Consciousness
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The Information Age has produced a society where data has become the principal commodity; where citizens are valued by the information they can provide to institutions. When applied to the democratic process, how will political campaigns utilize this technology to advance their campaigns? What is the impact of Big Data and predictive analytics on individual autonomy and how does this contribute to an increasingly fragmented society? The 2008 United States Presidential election instituted a new norm of political practice. The early stages of predictive analytics, provided by user generated data, enabled the campaign to isolate subsets of potential voters and persuade them into active participants. As the norm of quantitative campaigning became increasingly entrenched, the 2016 Trump campaign would demonstrate the current apex of its application. Utilizing sophisticated Big Data analytics, with support from Cambridge-Analytica and the Giles-Parscale agency, the Trump campaign created individual behavioral profiles of over 215 million voters. Who they would then strategically target to mobilize or de-mobilize the population in fault line States. The advent of the Internet enabled the development of mass scale data operations; when applied to quantitative marketing techniques, it allows for legacy institutions to strategically manipulate individuals to their preferred outcome. The predictive analytical techniques, that have been embedded throughout democratic societies are directly contributing to an increasingly fragmented society. As legacy institutions obtain more data they will increase their capacity to manipulate populations; changing the nature of political consciousness and contributing to an increasingly fragmented polis. Discipline: Political Sciences (Honours) Faculty Mentor: Dr. Jean-Christophe Boucher
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.
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 | 0,009 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découle