Candidatures endogènes dans les élections pluralitaires : quelques explications du nombre de candidats et de leur polarisation
Bibliographic record
Abstract
Cet article propose un tour d’horizon de la littérature faisant usage des modèles de compétition électorale avec candidature endogène, modèles qui ont pour ambition, entre autres, d’expliquer le nombre de candidats et leur polarisation dans les élections pluralitaires. Dans une élection pluralitaire, chaque électeur vote pour un seul candidat et le candidat qui obtient le plus de votes est élu. Nous regroupons en trois familles les différents types de modèles avec candidature endogène. Ce regroupement est basé sur ce qui motive un candidat à se présenter à l’élection et sur la partie de l’ensemble des candidats qui est endogène. Nous argumentons que, comparé au modèle standard Hotelling-Downs, les modèles avec candidature endogène offrent des avantages à la fois sur le plan théorique et sur le plan empirique. Sur le plan théorique, ces modèles offrent, d’une manière qui est davantage satisfaisante, des microfondements à l’émergence et/ou la stabilité d’un système bipartite. Sur le plan empirique, ces modèles offrent une meilleure explication des faits stylisés concernant le nombre de candidats et leur polarisation. Nous soulignons également certaines limitations de ces modèles et proposons des avenues pour les recherches futures.
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 | 0.004 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.025 | 0.001 |
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".