What voting rules do citizens prefer?
Bibliographic record
Abstract
Le système électoral fait de plus en plus objet de débats et de discussions au Canada et ailleurs dans le monde. Bien qu’il existe de nombreuses études sur les avantages et les inconvénients des différents systèmes électoraux, très peu d’entre elles examinent les préférences des citoyens concernant les modes de scrutin et plus particulièrement la façon dont les individus expriment leur choix sur le bulletin de vote. Dans le cadre de ce mémoire, je m’attarde aux questions suivantes : quelle façon de voter les citoyens préfèrent-ils et pourquoi ? Afin de répondre à ces questions, j'ai mené une expérience en laboratoire avec près de 200 participants dans le cadre des élections fédérales canadiennes de 2019. Les participants furent invités à voter dans une série d'élections en utilisant chacune des trois façons de voter suivantes en ordre aléatoire : scrutin à vote unique, vote par approbation et vote par rangement. Après chaque vote, les participants furent informés du résultat électoral dans leur groupe et interrogés sur leur niveau de satisfaction à l'égard de chaque façon de voter. Les résultats démontrent que les citoyens préfèrent avoir la possibilité de classer les partis plutôt que d'utiliser un scrutin à vote unique ou un vote par approbation. Les individus sont également plus susceptibles d’aimer un mode scrutin lorsqu'ils sont satisfaits des résultats de l’élection.
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 | 0.006 | 0.027 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 0.002 |
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".