MétaCan
Menu
Retour à la cohorte
Enregistrement W3021029234 · doi:10.1089/elj.2019.0566

Disinformation, Digital Information Equality, and Electoral Integrity

2020· article· en· W3021029234 sur OpenAlexaboutno aff
Elizabeth F. Judge, Amir M. Korhani

Notice bibliographique

RevueElection Law Journal Rules Politics and Policy · 2020
Typearticle
Langueen
DomaineComputer Science
ThématiqueHate Speech and Cyberbullying Detection
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésDisinformationDemocracyPolitical scienceContext (archaeology)PoliticsLaw and economicsElection lawLawInternet privacySociologyComputer scienceSocial media

Résumé

récupéré en direct d'OpenAlex

Electoral disinformation campaigns intentionally deceive voters, thereby disrupting the notion of fair elections and challenging western democracies to craft new policies that safeguard their electoral integrity. Over-regulation of political speech, however, can imperil the political participation of the informed voter, who in turn engages and influences other voters. Such policies for regulating electoral disinformation must therefore balance the tension between curbing speech and encouraging voters to engage in political participation through the free flow of information. Canadian elections law offers a possible solution for jurisdictions seeking to effectively regulate disinformation without unduly stifling free expression through the principle of informational equality. We argue for an updated principle of digital information equality to address the harms of disinformation. By reinvigorating the principle of information equality and adapting it from a theoretical concept to a regulatory device, this article proposes a new method to regulate electoral disinformation while supporting an informed electorate, respecting democratic principles, and protecting electoral integrity. In so doing, the article identifies three harmful examples of electoral disinformation that warrant increased regulation and concludes with recommendations for other jurisdictions seeking to regulate disinformation in the electoral context.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,025
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,041

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,025
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0060,028
Communication savante0,0110,008
Science ouverte0,0010,006
Intégrité de la recherche0,0030,003
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,261
Écart entre enseignants0,246 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
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

Citations10
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueElection Law Journal Rules Politics and PolicyMême sujetHate Speech and Cyberbullying DetectionTravaux en français237 207