Data-Driven Campaigning and Political Parties
Notice bibliographique
Résumé
Abstract What is data-driven campaigning? According to prevailing accounts, this idea describes the rise of increasingly sophisticated, highly targeted, and often invasive uses of data. Deployed to suppress votes, manipulate voter preferences, or boost a candidates’ popularity, the power of data is seen to be transforming campaign practice and raising concerns over democratic processes. And yet, there is a significant problem with these ideas: there is at best a partial understanding of the nature of data-driven campaigning, and limited clarity about its implications. This book provides unprecedented insight into the conduct of data-driven campaigns. Presenting data from interviews with over 300 professional campaigners in Australia, Canada, Germany, the United Kingdom, and the United States, the authors provide unique insight into the components of data-driven campaigning by political parties. They make three key contributions. First, distinguishing between data, analytics, technology, and personnel, they provide unmatched descriptive insight into these four components of data-driven campaigning, revealing significant variation in its operationalization depending on party and country context. Second, introducing a novel multi-level theoretical framework, they isolate systemic, regulatory, and party-level variables which help explain the reasons for these differences. Third, they consider the implications of these findings for debates about democracy, data, and technology in the twenty-first century. Cumulatively these contributions reveal data-driven campaigning to come in different forms that are not inherently problematic. Giving voice to practitioner perspectives, through interviews and innovative vignettes, this book recasts the debate around data-driven campaigning, offering important lessons for scholars, campaigners, and policymakers alike.
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 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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».