AN ASSESSMENT OF THE RELIABILITY OF POLLING DATA AHEAD OF FUTURE PRESIDENTIAL ELECTIONS IN THE UNITED STATES
Notice bibliographique
Résumé
The accuracy of polling data has been a subject of intense debate in recent years, particularly in the wake of high-profile misses in the 2016 and 2024 United States of America’s presidential elections despite polls indicating a high likelihood of a Hilary Clinton and Kamala Harris victory, Trump won in both elections. This study provides an assessment of the reliability of polling data ahead of presidential election polls in the United States of America. Contemporary polling faces numerous challenges, including declining response rates, the rise of non-probability internet samples, and increasing concerns about survey error. This study employs a mixed-methods approach, combining quantitative analysis of polling data from the 2016 presidential election to the 2024 presidential election with qualitative insights from expert interviews as both elections provide opportunities to examine the reliability of polling data in a more contemporary context. The quantitative analysis assesses the accuracy of polling data in predicting election outcomes, while the qualitative component explores the challenges and limitations of polling in the contemporary media landscape. The study adopted structural functional theory as developed by sociologists such as Émile Durkheim (1893) and Talcott Parsons (1949), emphasizes the interconnectedness of social structures and institutions in maintaining social order. The study concludes that there is the need for caution when interpreting polling data and underscores the importance of continued research into the challenges facing contemporary polling. The study recommends that the public should be cautious when interpreting polling data and recognize the potential limitations and biases of polling estimates
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 | 0,018 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».