Bibliographic record
Abstract
Nous avons mené une expérience électorale hors laboratoire. Un total de 1065 citoyens du Québec ont voté en ligne lors de six élections, six jours consécutifs, sous deux différents systèmes électoraux au cours de la campagne électorale provinciale au Québec en mars et avril 2014. Les électeurs devaient choisir entre les six principaux partis provinciaux. Afin qu’ils considèrent avec sérieux les résultats de nos élections, nous offrions un incitatif « hybride » basé partiellement sur leur appréciation « naturelle » de chaque parti et partiellement sur le succès de leurs partis préférés à l’élection. Également, plus ils participaient à une grande proportion des élections, plus ils étaient récompensés. Cet incitatif consistait en des points, chaque point donnant une chance de gagner un des six prix de 1000 $. L’objectif principal de l’étude était de comparer le vote entre deux systèmes électoraux, le système pluralitaire et le système proportionnel. La règle proportionnelle est basée sur le quota de Hare qui est appliqué à trois circonscriptions de quatre sièges. Sous le système pluralitaire, il y a douze circonscriptions avec un siège chacune. Nous trouvons davantage de désertions stratégiques sous le système pluralitaire, mais la différence est petite. De façon plus surprenante, nous observons un effet d’entraînement (ralliement au parti le plus fort) de même importance que la tendance à la désertion stratégique. En conclusion, nous discutons des avantages et des limites des expériences hors laboratoire.
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 | 0.001 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.023 | 0.002 |
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".