Anàlisi dels sistemes electorals i estudi dels resultats de les eleccions catalanes ala darrera dècada mitjançant Intel·ligència Artificial
Bibliographic record
Abstract
Ens trobem en un moment de la història on les democràcies estan evolucionant, i degut a la hiperconectivitat i globalització, s’estan replantejant molts models d’elecció dels nostres representants polítics, també coneguts com a models electorals. Aquesta globalització tecnològica permet incidir de forma molt particular en cadascú de nosaltres. Mitjançant l’anàlisi de dades i els algoritmes d’Intel·ligència Artificial, cada vegada està més a l’abast predir el comportament dels humans, i per tant de l’opinió personal i pública. Aquests dos fets han fet despertat en mi una gran curiositat en dos àmbits, l’àmbit dels sistemes electorals i l’àmbit de la Intel·ligència Artificial, fet pel qual vaig proposar fer un treball que englobés ambdós. Així doncs, amb aquest treball es pretén conèixer els diferents sistemes electorals i fer un estudi dels resultats de les eleccions de la darrera dècada a Catalunya (mitjançant l’anàlisi de dades i la Intel·ligència Artificial). Per fer-ho, el treball se separà en dos grans blocs. El primer està relacionat amb els sistemes electorals en sí; al principi es fa una breu introducció de què son i seguidament s’expliquen els 2 grans blocs de sistemes de votació. Per acabar el primer bloc es plasma el que s’ha après mostrant un estudi de com li afectaria a Catalunya el fet de tenir un altre sistema o fórmula electoral diferent a la que s’utilitza actualment. El segon bloc té com a objectiu elaborar un model de predicció mitjançant Intel·ligència Artificial per tal de poder predir el valor dels resultats d’unes possibles eleccions futures, o el que és el mateix, analitzar com afecten diversos factors, com per exemple la natalitat, migració, població segons edat... als resultats de les eleccions. Per arribar fins aquí cal un procés de recopilació, tractament i filtratge de dades i és d’això el que tracta el primer apartat d’aquest segon bloc del treball. L’últim apartat del cos del treball tracta sobre la Intel·ligència Artificial. Comença el capítol fent una introducció general i explicant totes les coses que calen per fer un model de regressió; especialment aquelles que s’empraran posteriorment. La segona part porta com a objectiu trobar un model de regressió que s’ajusti a les dades recopilades, i s’explica poc a poc les passes seguides per tal d’arribar-hi. L’objectiu del model de regressió es poder predir el nombre de vots que aconseguirà cada partit en funció de totes les dades que aniré recopilant. Ja per acabar, m’agradaria destacar que aquest treball intenta estar a l’abast de tothom, per tant no cal saber molt d’Intel·ligència Artificial o d’aspectes electorals per entendre-ho i seguir-ho sense problemes
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.005 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.000 | 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; both teacher heads agree on what is shown here.
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".