La province de l’Île-du-Prince-Édouard : une figure d’exception au Canada en matière de participation électorale
Bibliographic record
Abstract
Pourquoi vote-t-on plus à l’Île-du-Prince-Édouard qu’ailleurs au Canada? Pour répondre à cette question, je me base sur la théorie de la participation électorale et sur une étude approfondie des particularités de cette province insulaire. À l’aide de données du Recensement canadien de 2006 et 2011 et des résultats électoraux pour les mêmes années, j’estime l’impact de 12 variables sur l’écart dans le taux de participation entre l’Île-du-Prince-Édouard et le reste du Canada. Cinq variables sont identifiées comme ayant un impact substantiel et significatif sur cet écart. Je trouve que la petite taille et l’homogénéité de la population de l’IPE ainsi que le caractère insulaire de la province permettent d’expliquer la forte participation électorale à l’Île-du-Prince-Édouard malgré un taux de chômage plus élevé et un plus faible taux de diplomation. Cette analyse permet d’expliquer environ 75 % de l’écart de participation, ce qui signifie que le mystère sur l’Île-du-Prince-Édouard est résolu en bonne partie.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.000 |
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".