Vote par approbation pour les élections à vainqueurs multiples. Une famille générale de règles, leur complexité algorithmique et leur manipulabilité
Bibliographic record
Abstract
Le vote par approbation est une procédure de vote utilisée, entre autres, pour élire des comités et qui permet aux votants de voter pour (d’approuver) autant de candidats qu’ils le souhaitent. Deux règles de vote ont été particulièrement utilisées pour élire des comités à l’aide du vote par approbation. La règle habituelle, appelée aussi minisum, choisit l’ensemble des candidats (éventuellement soumis à une contrainte de cardinalité) ayant été approuvés par le plus grand nombre de votants. La règle minimax élit un ensemble de candidats qui minimise le maximum, sur l’ensemble des votants, de la distance de Hamming à chacun des votes. Comme ces deux règles semblent trop extrêmes, nous les généralisons en un ensemble continu de règles de vote, par l’utilisation de l’opérateur de moyenne pondérée ordonnée (ordered weighted averaging, ou OWA). Cette règle est paramétrée par un vecteur de poids, noté w, qui permet de définir des règles de vote entre minisum et minimax. Nous nous intéressons aux vecteurs de poids croissants, et en particulier aux vecteurs de la forme w(i) = (0, .., 0, 1, .., 1), où i représente le nombre de 0. Nous étudions la complexité algorithmique de la détermination d’un comité gagnant, et de l’ensemble des comités gagnants pour des règles associées aux vecteurs w(i). Nous montrons qu’il est difficile de trouver un comité gagnant pour ces règles alors que cela est facile pour minisum. Enfin, nous prouvons la manipulabilité de ces règles quand elles sont paramétrées par des vecteurs croissants, et strictement croissants.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.020 | 0.008 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".