5.2.2 جمعیت برنامه نویسی از بیانیههای سیاسی

برنامه نویسی بیانیههای سیاسی، چیزی به طور معمول توسط کارشناسان انجام می شود، می توان با یک پروژه محاسبات انسانی و در نتیجه تکرارپذیری و انعطاف پذیری بیشتر انجام می شود.

شبیه به باغ وحش Galaxy، موقعیت های زیادی وجود دارد که محققان اجتماعی می خواهند یک تصویر یا یک متن را کد، طبقه بندی یا برچسب گذاری کنند. نمونه ای از این نوع تحقیق، برنامه ریزی مانیفست های سیاسی است. در انتخابات، احزاب سیاسی مانیفست ها را توصیف می کنند که موقعیت های سیاسی آنها را شرح می دهند و فلسفه ها را هدایت می کنند. به عنوان مثال، در اینجا یک تکه از مانیفست حزب کارگر در انگلستان از سال 2010 است:

"میلیون ها نفر مشغول به کار در خدمات عمومی ما تجسم بهترین ارزش های انگلیس، کمک به توانمند سازی مردم به بهترین استفاده را از زندگی خود را در حالی که حفاظت از آنها را از خطرات آنها باید مجبور به تحمل خود به خود. همانطور که ما باید جسورانه در مورد نقش دولت در ایجاد بازار کار نسبتا، ما نیز باید اصلاح طلبان جسورانه از دولت است. "

این مانیفست ها حاوی اطلاعات ارزشمند برای دانشمندان علوم سیاسی است، به ویژه کسانی که در انتخابات و تحولات بحث های سیاسی شرکت می کنند. محققان به منظور استخراج اطلاعات از این مانیفست ها، مأموریت پروژه Manifesto را که از حدود 1000 حزب در 50 کشور جمع آوری کرده اند جمع آوری کرد و سپس سازماندهی های سیاسی را به طور سیستماتیک آنها را سازماندهی کرد. هر جمله در هر مانیفست توسط متخصص با استفاده از یک طرح 56 طبقه کد گذاری شده است. نتیجه این تلاش مشترک یک مجموعه داده گسترده است که اطلاعاتی را که در این مانیفست ها تعبیه شده خلاصه کرده است و این مجموعه داده در بیش از 200 مقاله علمی مورد استفاده قرار گرفته است.

کنت بنویت و همکارانش (2016) تصمیم گرفتند که کارکرد برنامهنویسی مانیفست را که قبلا توسط کارشناسان انجام شده بود انجام دهد و آن را به یک پروژه محاسبه انسانی تبدیل کند. در نتیجه، آنها یک فرایند برنامه نویسی ایجاد کرده اند که بازتولید کننده تر و انعطاف پذیر تر است، به جز ارزان تر و سریع تر.

بنوئت و همکارانش با 18 مانیفست تولید شده در طی شش انتخابات اخیر در بریتانیا، از استراتژی ترکیبی تقسیم و تقسیم شده با کارگران از یک بازار کار میکردند (Amazon Mechanical Turk و CrowdFlower نمونه هایی از بازار کار میکرو استک است؛ برای بیشتر در چنین بازارهایی ، نگاه کنید به فصل 4). محققان هر یک از مانیفست را تصویب کرده و آن را به جملات تقسیم کردند. بعد، یک فرد طرح برنامه نویسی به هر جمله اعمال می شود. به طور خاص، خوانندگان خواسته شده که هر جمله را به عنوان سیاست اقتصادی (چپ یا راست)، سیاست اجتماعی (لیبرال یا محافظه کار) یا نه (به شکل 5-5) طبقه بندی کنند. هر جمله حدود پنج نفر متفاوت بود. در نهایت، این رأی ها با استفاده از یک مدل آماری ترکیب شده اند که برای هر دو اثر فردی و اثرات مشکل از جمله است. در مجموع، بنوئیت و همکارانش حدود 20000 رأی را از حدود 1500 نفر جمع آوری کردند.

شکل 5.5: طرح کدینگ از Benoit et al. (2016) . از خوانندگان خواسته شد تا هر جمله را به عنوان سیاست اقتصادی (چپ یا راست)، سیاست اجتماعی (لیبرال یا محافظه کار) یا نه آن را طبقهبندی کنند. از Benoit et al. (2016) اقتباس شده Benoit et al. (2016) ، شکل 1.

به منظور ارزیابی کیفیت برنامه نویسی جمعیت، بنوئیت و همکارانش حدود 10 کارشناس اساتید و دانشجویان تحصیلات تکمیلی در رشته علوم سیاسی دارای همان مانیفست ها با استفاده از روش مشابه بودند. اگر چه رأیهای اعضای جمعیت بیشتر از رتبه بندی کارشناسان متغیر بود، اما رتبه جمعیت توافقنامه با امتیاز ارزیابی اجماع قابل توجه بود (شکل 5.6). این مقایسه نشان می دهد که، همانند Galaxy Zoo، پروژه های محاسباتی انسان می توانند نتایج با کیفیت بالا تولید کنند.

شکل 5.6: تخمین کارشناسان ( \(x\) -axis) و برآورد جمعیت (( \(y\) -axis در توافق قابل توجه در هنگام کدگذاری 18 اظهارنامه حزبی از انگلستان (Benoit et al. 2016) . مانیفست های کدگذاری شده از سه حزب سیاسی (محافظه کار، کارگری و دموکرات لیبرال) و شش انتخابات (1987، 1992، 1997، 2001، 2005 و 2010) بود. از Benoit et al. (2016) اقتباس شده Benoit et al. (2016) ، شکل 3.

بنویت و همکارانش با استفاده از این نتیجه، سیستم جمعیتی خود را برای انجام تحقیقاتی که با برنامه نویسی متخصص اجرا شده توسط پروژه مانیفست غیرممکن است، استفاده کردند. به عنوان مثال، پروژه مانیفست مانیفست ها را در مورد مهاجرت نمی کند زیرا این موضوع مهم در زمانی بود که طرح برنامه نویسی در اواسط دهه 1980 توسعه یافت. و، در این مرحله، از نظر منطقی برای پروژه مانیفست امکان بازگشت و بازبینی مانیفست ها برای گرفتن این اطلاعات وجود دارد. بنابراین، به نظر می رسد که محققان علاقه مند به مطالعه سیاست مهاجرت از موفقیت نیستند. با این حال، بنوئیت و همکارانش توانستند به سرعت و به راحتی از این سیستم محاسبات انسانی استفاده کنند تا این کدبندی را که به سؤال تحقیقاتی آنها اختصاص داده شده است، انجام دهد.

به منظور بررسی سیاست مهاجرت، آنها در سال 2010 انتخابات عمومی در انگلیس، manifesto را برای هشت حزب مساوی کردند. هر جمله در هر مانیفست با توجه به اینکه آیا مربوط به مهاجرت است یا خیر، کدام است و اگر چنین باشد، آیا آن مهاجرت، خنثی یا ضد مهاجرت بود. در عرض 5 ساعت از راه اندازی پروژه خود، نتایج به دست آمده است. آنها بیش از 22،000 پاسخ را با مجموع هزینه 360 دلار جمع آوری کرده اند. علاوه بر این، برآوردهای جمعیت نشان داد که توافق قابل توجهی با بررسی پیشین کارشناسان وجود دارد. سپس، دو ماه بعد، به عنوان یک آزمایش نهایی، محققان جمعیت خود را کدگذاری کردند. در عرض چند ساعت، آنها یک مجموعه داده جدید با کدگذاری ایجاد کرده بودند که به شدت با مجموعه داده های کدگذاری شده خود جمع شده بودند. به عبارت دیگر، محاسبات انسانی آنها را قادر به تولید کدگذاری متون سیاسی که با ارزیابی کارشناسان توافق شده بود و قابل بازیابی بود. علاوه بر این، چون محاسبه انسانی سریع و ارزان بود، آنها به راحتی می توانستند مجموعه داده های خود را به پرسش های خاص خود در مورد مهاجرت سفارشی کنند.