MétaCan
Menu
Retour à la cohorte
Enregistrement W3123085554

Narrowing the field in elections: the next-two rule

2011· preprint· en· W3123085554 sur OpenAlexaff
Steven J. Brams, D. Marc Kilgour

Notice bibliographique

RevueRePEc: Research Papers in Economics · 2011
Typepreprint
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueSports Analytics and Performance
Établissements canadiensWilfrid Laurier University
Organismes subventionnairesnon disponible
Mots-clésApportionmentComputer scienceField (mathematics)Distribution (mathematics)Law and economicsPolitical scienceOperations researchComputer securityMathematical economicsMathematicsEconomicsLaw
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

We suggest a new approach to narrowing the field in elections, based on the deservingness of candidates to be contenders in a runoff, or to be declared one of several winners. Instead of specifying some minimum percentage (e.g., 50) that the leading candidate must surpass to avoid a runoff (usually between the top two candidates), we propose that the number of contenders depend on the distribution of votes among candidates. Divisor methods of apportionment proposed by Jefferson and Webster, among others, provide measures of deservingness, but they can prescribe a runoff even when one candidate receives more than 50 percent of the vote. We propose a new measure of deservingness, called the Next-Two rule, which compares the performance of candidates to the two that immediately follow them. It never prescribes a runoff when one candidate receives more than 50 percent of the vote. More generally, it identifies as contenders candidates who are bunched together near the top and, unlike the Jefferson and Webster methods, never declares that all candidates are contenders. We apply the Next-Two rule to several empirical examples, including one (elections to major league baseball’s Hall of Fame) in which more than one candidate can be elected.

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)0,020
score de la tête « metaresearch » (Gemma)0,083
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 enseignants0,020
Score d'incertitude au seuil0,106

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0200,083
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0040,002
Bibliométrie0,0030,002
Études des sciences et des technologies0,0040,005
Communication savante0,0050,007
Science ouverte0,0030,004
Intégrité de la recherche0,0030,007
Charge utile insuffisante (le modèle a refusé de juger)0,0070,002

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 Opus0,081
Tête enseignante GPT0,311
Écart entre enseignants0,230 · 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

Citations0
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRePEc: Research Papers in EconomicsMême sujetSports Analytics and PerformanceTravaux en français237 207