Sprikende flertall? Samsvar mellom stemmegivning og representasjon i ti land
Bibliographic record
Abstract
Både i 2005 og i 2009 ble det dannet regjeringer med bakgrunn i stortingsflertall som baserte seg på færre velgere enn det opposisjonen på Stortinget baserte seg på. Slike parlamentsflertall har blitt betegnet som sprikende flertall. Hvilke kriterier som bør ligge til grunn for å kunne si at vi har å gjøre med et sprikende flertall, kan allikevel være noe usikkert. I tillegg har det vært uvisst hvor utbredt slike flertall er, og hva det er som gjør at slike flertall oppstår. For å få klargjort hva sprikende flertall er, blir det i denne masteroppgaven foretatt en begrepsfesting av forskjellige kombinasjoner av ulike typer flertall og mindretall som kan oppstå når stemmeandeler konverteres til parlamentsandeler Disse begrepene har grunnlag i tidligere teori som, foruten sprikende flertall, har dreid seg om fortjente flertall, fabrikkerte flertall, spuriøse flertall, naturlige mindretall og kunstige mindretall. Det blir deretter vist at sprikende flertall har vært helt vanlige i Norge, Storbritannia, Canada, Irland og Spania, mens det ikke blir funnet noen slike flertall når valg og regjeringsdannelser i Danmark, Sverige, Island og Nederland blir undersøkt. I tillegg blir det funnet ett sprikende flertall når det gjelder Tyskland. Til slutt blir det gransket hvorfor sprikende flertall oppstår. Da fremkommer det at sprikende flertall kan årsaksforklares med disproporsjonale valgresultater, men at selv liten grad av disproporsjonalitet kan føre til sprikende flertall når størrelsen på stemmeandelene til regjering og opposisjon er bortimot jevnstore.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.096 | 0.019 |
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".