Perceptions of Electoral Integrity-UK, (PEI-UK 2.0)
Notice bibliographique
Résumé
This codebook describes an expert survey on Perceptions of Electoral Integrity (PEI). The original PEI survey asks experts to evaluate electoral integrity after national-level elections around the world. However, the Project has also occasionally provided data on sub-national elections. This codebook describes all variables included in the dataset release of October 2024 of the most recent subnational elections in the UK (release PEI_UK_2.0). This study is conducted by Toby S. James, Holly Ann Garnett, and Sofia Caal-Lam for the Electoral Integrity Project based at the Royal Military College of Canada, Queen’s University, and the University of East Anglia. This survey was originally designed and conducted by Pippa Norris and the Electoral Integrity Project team at the University of Sydney and Harvard University (2012-2018). The dataset is drawn from a survey of 120 expert assessments of electoral integrity across sub-national units in the United Kingdom. The elections were the elections to the Scottish Parliament on 6 May 2021, the Senedd Cymru/Welsh Parliament on 6 May 2021 and the Northern Ireland Assembly on 5 May 2022. To operationalize the concept of electoral integrity, the PEI asks experts to evaluate elections using 62 indicators, grouped into eleven categories reflecting the whole electoral cycle. Two files are released in PEI_UK 2.0: an EXPERT-level file (38 observations) and an ELECTION-level file (3 observations). Each dataset can be downloaded in the EXCEL formats.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,093 | 0,026 |
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 source (Gemma direct ou Codex distillé), 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 ».