Why implement plug-in electric policies? Comparing policy discourse in newspapers across three Canadian provinces (2008-2018)
Notice bibliographique
Résumé
Governments can implement a wide range of policies to increase the uptake of plug-in electric vehicles (PEVs). For example, regions differ in their focus on demand-focused policies that encourage consumers to purchase a PEV, versus supply-focused policies that encourage the industry to develop or sell PEVs. I explore how policy discourse, or how language is used to create meaning around policy issues, can shed light on policy implementation in the Canadian provinces of British Columbia, Ontario, and Québec during the decade 2008-2018. In Canada, Québec became the first to use supplyfocused policy, while British Columbia and Ontario relied on demand-focused policies. Using a selection of 984 newspaper articles, I adopt a mixed-method approach to analyze statements from governments and other actors. First, I conduct (quantitative) content analysis and analyze the frequencies of frames (selected aspects of reality) around PEVs and policies. Second, I conduct (qualitative) discourse analysis by investigating how frames unite to create meaning in simplified stories, storylines. Similar frames occurred in all three case studies: governments framed PEV policy to meet climate goals while emphasizing PEVs’ private benefits to consumers. Policy discourses differed by regions: Québec’s emphasized PEVs as part of economic independence;Ontario’s demonstrated more policy controversy; and British Columbia’s remained silent over supply-focused policies during the time period. In British Columbia and Québec, the automobile industry favored a demand-focused policy approach. While this study remains exploratory, analyzing and comparing policy discourses can shed light on why policymakers in different regions may gravitate towards different policy approaches over time.
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 | 0,005 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,005 | 0,012 |
| Études des sciences et des technologies | 0,012 | 0,006 |
| Communication savante | 0,008 | 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) | 0,003 | 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 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 ».