Dommett, Katharine, Glenn Kefford and Simon Kruschinski. 2024. Data-driven campaigning and political parties—Five advanced democracies compared
Notice bibliographique
Résumé
When looking at media coverage and the public discourse it seems as if all election campaigns nowadays are highly data-driven, with political parties being able to individually target voters in order to mobilize or persuade them.In their book, Katharine Dommett, Glenn Kefford and Simon Kruschinski set out to paint a more differentiated picture of data-driven campaigning (DDC) by looking not only into to the so-far dominant case of the USA, but by comparing five advanced democracies: the USA, the UK, Australia, Canada and Germany.They aim to "demystify the practice of DDC, looking beyond the hyperbolic claims and sales pitches to examine how DDC is employed by political parties" and succeed in showing that "not only [...] DDC is by no means uniform, but also that data can be collected, analyzed and deployed in different ways" (p.191).One of the many strengths of the book is its clear structure: The authors start with an introduction (Chap.1) before presenting their theoretical framework (Chap.2).Within this theoretical framework and the analysis built upon it lies the biggest contribution of this book.Building upon an understanding that DDC can come in many different forms and can be used to promote different goals, they divide DDC into four components, namely data, analytics, technology, and personnel.Subsequently, while expanding upon existing research, the authors identify variables that influence these four components on different analytical levels: the party, regulatory, and system level.The following chapters focus on describing the variation found in each of the four DDC components within the five countries, starting with data in chapter three.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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.
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».