Déterminants du vote rétrospectif aux élections scolaires en Californie.
Bibliographic record
Abstract
La littérature reconnaît depuis longtemps que la performance économique peut influencer les résultats électoraux. Les chercheurs n’ont, cependant, pas encore réussi à démontrer que le phénomène se produit systématiquement d’une élection à l’autre et d’une juridiction à l’autre. En nous concentrant sur les élections tenues dans des gouvernements locaux à fonction unique, comme les commissions scolaires, nous pensons réussir à mieux comprendre l’évaluation que font les électeurs de la performance des élus. Ce mémoire s’intéresse à l’efficacité du processus démocratique en place dans les commissions scolaires. Plus particulièrement, nous étudions le lien entre les résultats électoraux et la performance des élus dans les commissions scolaires. Nous faisons l’hypothèse que la performance des élus passe par trois mesures de performance, soit l’Academic Performance Index (API), le taux de décrochage et le ratio élèves-enseignant. En plus de nous intéresser au lien entre les résultats électoraux et la performance des élus, nous prenons le temps de bien comprendre et d’analyser les déterminants de la performance elle-même ainsi que du taux de participation. Pour ce faire, nous analysons les résultats des élections scolaires tenues en Californie entre 1995 et 2009. Avec notre vaste base de données, nous arrivons à trouver plusieurs facteurs déterminants dans chacun des modèles étudiés. Bien que peu de nos résultats pointent directement dans le sens du vote rétrospectif lors des élections scolaires californiennes, ces quelques résultats tendent à indiquer que le phénomène est bel et bien présent.
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 | 0.002 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.013 | 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".