Analyzing the Personality of Party and Government Leaders: A LDA Topic Model
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
Purpose/Significance: Personalities of party and government leaders play a pivotal role in shaping their preferences, attitudes, and conduct in the context of strategic decision-making. The analysis of personality carries substantial implications for the assessment and selection of leadership cadres. The study endeavors to introduce an innovative method for scrutinizing the personalities of party and government leaders, leveraging the technological topics generated through a Latent Dirichlet Allocation (LDA) model.Methods/Procedures: Anchored in the theory of personality behavior, the study posits that discernible topics can be extracted from news reports that document the political activities of party and government leaders. These discerned topics can be employed to make inferences about their personalities. Consequently, we systematically amassed news reports chronicling the political engagements of 62 party and government leaders spanning 31 provinces, municipalities, and autonomous regions in mainland China, covering their tenures in office up to 2021. Based on the LDA model, we conducted an analysis to uncover the dimensional structure of their personalities, incorporating techniques such as topic clustering and common factor extraction.Results/Conclusions: The study effectively identified six distinct personalities that correspond with Hollander's views on occupational personality. The development gave rise to a theory that specifically addresses the personalities exhibited by party and government leaders. Spatial analysis validated the presence of a spatial aggregation effect, underscoring the validity of our framework. Our study can provide implications for the training, evaluation, and designation of party and government leaders in the future.
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 | 0,003 | 0,000 |
| 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