Always a Bridesmaid: A Machine Learning Approach to Minor Party Identity in Multi-Party Systems
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
Abstract In multiparty systems, maintaining a distinct and positive partisan identity may be more difficult for those who identify with minor parties, because such parties lack the rich history of success that could reinforce a positive social standing in the political realm. Yet, we know little about the unique nature of minor partisan identities because partisanship tends to be most prominent in single-member plurality systems that tend toward two dominant parties, such as the United States. Canada provides a fascinating case of a single-member plurality electoral system that has consistently led to a multiparty system, ideal for studying minor party identity. We use large datasets of public opinion data, collected in 2019 and 2021 in Canada, to test a Lasso regression, a machine learning technique, to identify the factors that are the most important to predict whether partisans of minor political parties will seek in-group distinctiveness , meaning that they seek a different and positive political identity from the major political parties they are in competition with, or take part in out-group favouritism , meaning that they seek to become closer major political parties. We find that party rating is the most important predictor. The more partisans of the minor party rate their own party favourably, the more they take part in distinctiveness. We also find that the more minor party partisans perceive the major party as favourable, the more favouritism they will show towards the major party.
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 | 0,001 | 0,001 |
| 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 | 0,000 | 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 découle