Bibliographic record
Abstract
Est-ce que les électeurs informés prennent compte d'un plus grand nombre de facteurs quand vient le temps de voter? Est-ce que les variations quant aux choix des considérations prises en compte mènent à des choix électoraux différents? Est-ce que les institutions politiques et la complexité électorale ont une incidence sur les processus de décision des électeurs et le choix du vote? À l'aide de données recueillies en Australie, en Grande-Bretagne, au Canada, en Nouvelle-Zélande et aux États-Unis (21 enquêtes au total), cette recherche examine comment l'hétérogénéité dans le niveau d'information des électeurs influence le choix du vote ainsi que le processus qui y mène, le tout en tenant compte de la complexité de l'environnement de l'électeur.Nous testerons d'abord si l'hétérogénéité du niveau d'information des électeurs entraîne des différences dans le processus de décision du vote et si ces différences influencent de façon significative le choix du vote comme tel. Deuxièmement, nous verrons si l'effet du niveau d'information de l'électeur est fonction du contexte et si un environnement complexe entraîne de plus grandes différences entre électeurs.Les résultats tendent à démontrer que les variations dans le niveau d'information mènent à des différences dans le calcul du vote, et du choix du vote des électeurs. Par contre, contrairement à ce qui était attendu, le niveau de complexité de l'élection n'affecte pas davantage le choix du vote. C'est plutôt l'opposé qui est observé. En effet, c'est lors des situations les plus complexes que l'effet d'information est le moindre. Ce résultat est disséqué à l'aide d'une série de simulations où l'on compare le vote reporté des électeurs avec celui que l'on aurait observé si tous les électeurs avaient suivi le même processus décisionnel. Une différence significative est observée dans le choix du vote entre les électeurs très informés et peu informés da
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 | 0.016 | 0.068 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.007 | 0.006 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 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".