5.2.2 राजकीय जाहीरनाम्यात च्या गर्दीतून-कोडींग

राजकीय जाहीरनाम्यात, काहीतरी विशेषत: तज्ञ केले कोडींग, मोठे reproducibility आणि लवचिकता परिणामी मानवी मोजणी प्रकल्प केले जाऊ शकते.

दीर्घिका चिंटूसारखीच अशी अनेक उदाहरणे आहेत ज्यात सामाजिक संशोधक कोड, वर्गीकृत किंवा मजकूर किंवा मजकूरचा भाग लेबल करायचे आहेत. अशा प्रकारच्या संशोधनाचे एक उदाहरण म्हणजे राजकीय जाहीरनाम्यांचा कोडिंग. निवडणुकीच्या दरम्यान, राजकीय पक्ष त्यांची धोरणे आणि मार्गदर्शन तत्त्वज्ञानांचे वर्णन करणारे जाहीरनाम आहे. उदाहरणार्थ, 2010 पासून युनायटेड किंग्डममधील लेबर पार्टीच्या जाहीरनाम्याचा एक भाग येथे आहे:

"आमच्या सार्वजनिक सेवा काम लाखो लोक जोखीम ते त्यांच्या स्वत: वर धरणे नये त्यांचे संरक्षण करताना त्यांच्या स्वत: च्या जीवनात सर्वात करण्यासाठी लोक सक्षम मदत, ब्रिटन उत्तम मूल्ये मूर्त स्वरुप देणे. आम्ही मार्केट प्रामाणिकपणाने काम करत सरकारची भूमिका बद्दल अधिक ठळक असणे आवश्यक आहे फक्त म्हणून, आम्ही सरकारी ठळक reformers असणे आवश्यक आहे. "

या जाहीरनाम्यात राजकीय शास्त्रज्ञांसाठी विशेषतः मौल्यवान माहिती असते, विशेषत: निवडणुका अभ्यासणारे आणि धोरणात्मक वादविवाद. या जाहीरनाम्यांमधून पद्धतशीरपणे माहिती काढण्यासाठी संशोधकांनी द मॅनिफेस्टो प्रोजेक्ट तयार केले आहे ज्याने 50 देशांमधील सुमारे 1,000 पक्षांकडून 4000 मॅनिटोस्टेशन गोळा केले आणि नंतर राजकीय शास्त्रज्ञांना व्यवस्थितपणे त्यांची रचना करण्यासाठी संघटित केले. प्रत्येक जाहीरनाम्यात प्रत्येक वाक्यात 56-श्रेणीच्या योजनेचा उपयोग करून एका तज्ज्ञाने कोड केले होते. या सहयोगी प्रयत्नांचा परिणाम हा जाहीरनाम्यांमध्ये अंतर्भूत केलेल्या माहितीचा सारांश देणारा एक प्रचंड डेटासेट आहे आणि हा डेटासेट 200 पेक्षा अधिक वैज्ञानिक पेपरमध्ये वापरला गेला आहे.

केनेथ बेनोइट आणि सहकाऱ्यांनी (2016) यांनी मॅनिफेस्टो कोडींग टास्क घेण्याचे ठरवले जे पूर्वी तज्ञांनी केले होते आणि ते एका मानवी संगणन प्रकल्पात रुपांतरीत केले. परिणामी, त्यांनी कोडींग प्रक्रिया तयार केली जो अधिक प्रजननक्षम आणि अधिक लवचिक आहे, स्वस्त आणि वेगवान उल्लेख न करता.

युनायटेड किंग्डममधील नुकत्याच झालेल्या सहा निवडणुकांमध्ये झालेल्या 18 जाहीरनाम्यात कार्यरत असलेल्या, बेनोइट आणि सहकाऱ्यांनी मायक्रोटॅस्क श्रमिक बाजार (ऍमेझॉन मेकॅनिक तुर्क आणि क्राउडफ्लॉवर) च्या कामगारांशी स्प्लिट-ऍप्लिकेशन-जॉबिक रॅन्टीन्सचा वापर केला आहे. , अध्याय 4 पहा). संशोधकांनी प्रत्येक जाहिरनामा घेतला आणि तो वाक्यांत विभागला . पुढे, एका व्यक्तीने प्रत्येक वाक्यात कोडींग योजना लागू केली. विशेषतः, वाचकांना आर्थिक धोरण (डावीकडे किंवा उजवीकडे) म्हणून सामाजिक धोरण (उदारमतवादी किंवा पुराणमतवादी) किंवा प्रत्येकाने (आकृती 5.5) संदर्भ म्हणून प्रत्येक वाक्याचे वर्गीकरण करण्यास सांगितले होते. प्रत्येक वाक्याची संख्या सुमारे पाच वेगवेगळ्या लोकांची होती. अखेरीस या रेटिंगचा एकत्रितपणे स्टॅटिस्टिस्टिकल मॉडेल वापरून एकत्र केला गेला जो वैयक्तिक-राटर इफेक्ट्स आणि अडचण-ऑफ-वाकई दोन्ही प्रकारांसाठी होता. बेनोहित आणि सहकार्यांनी 1,500 लोकांकडून 20000 रेटिंग गोळा केले.

आकृती 5.5: Benoit et al. (2016) कडून कोडिंग योजना Benoit et al. (2016) . वाचकांना आर्थिक धोरण (डावीकडे किंवा उजवीकडे) म्हणून सामाजिक धोरण (उदारमतवादी किंवा पुराणमतवादी), किंवा दोन्हीचा संदर्भ म्हणून प्रत्येक वाक्याचे वर्गीकरण करण्यास सांगितले होते. Benoit et al. (2016) पासून रुपांतर Benoit et al. (2016) , आकृती 1

गर्दीच्या कोडींगच्या गुणवत्तेचे मूल्यांकन करण्यासाठी, बेनोइट आणि त्यांच्या सहकाऱ्यांनी देखील सुमारे 10 तज्ञ-प्रोफेसर्स आणि पदवीधर विद्यार्थ्यांना राजकीय विज्ञान-दरांमध्ये समान प्रकिया वापरून समान घोषणा पत्र दिले होते. जरी गर्दीच्या सदस्यांचे रेटिंग तज्ञांच्या रेटिंगपेक्षा जास्त होते, परंतु सर्वसामान्य जनगणित रेटिंग एकमतमत तज्ज्ञ रेटिंग (आकृती 5.6) सह उल्लेखनीय करार होते. या तुलनेत असे दिसून येते की, दीर्घिका चिनीसह मानवी संकलन प्रकल्प उच्च दर्जाचे परिणाम उत्पादन करू शकतात.

आकृती 5.6: युनायटेड किंग्डम (Benoit et al. 2016) 18 पक्षाचे जाहीरनाम्यांना कोडिंग करताना तज्ज्ञ अंदाज ( \(x\) -Xis) आणि गर्दीचा अंदाज ( \(y\) -Xis) एक उल्लेखनीय करार होता. कोडित जाहीरनाम्यात तीन राजकीय पक्ष (कंझर्व्हेटिव्ह, श्रम आणि लिबरल डेमोक्रॅट्स) आणि सहा निवडणुका (1 9 87, 1 99 2, 1 99 7, 2001, 2005 आणि 2010) होते. Benoit et al. (2016) पासून रुपांतर Benoit et al. (2016) , आकृती 3

या परिणामाचे बांधकाम, मॅनेफेस्टो प्रोजेक्टद्वारे वापरलेल्या विशेषज्ञ-रन कोडींग सिस्टीमसह बेनोआयट आणि सहकर्मींनी त्यांच्या गर्दी-कोडींग सिस्टींगचा वापर करणे अशक्य होते. उदाहरणार्थ, मॅनिफेस्टो प्रोजेक्टने जाहीरनाम्यांस इमिग्रेशन विषयक शब्दांची माहिती दिली नाही कारण 1 9 80 च्या दशकाच्या मध्यात कोडींग योजना विकसित झाली होती. आणि, या टप्प्यावर, मॅनिफेस्टो प्रोजेक्टला मागे जाण्याची आणि ही माहिती मिळवण्यासाठी त्यांच्या मॅपॉर्टीजची पुनरावृत्ती करणे हे logistically infeasible आहे. म्हणून असे दिसून येईल की संशोधकांना परदेशातील राजकारणाचा अभ्यास करण्यात रस आहे. तथापि, बेनोइट आणि त्यांच्या सहकाऱ्यांनी त्यांच्या मानवी संगणन प्रणालीचा वापर या कोडिंग-सानुकूल त्यांच्या संशोधन प्रश्नांकरिता-जलद आणि सुलभ-वापरण्यास सक्षम होते.

इमिग्रेशन धोरणाचा अभ्यास करण्यासाठी, युनायटेड किंग्डममधील 2010 च्या सार्वत्रिक निवडणुकीत त्यांनी आठ पक्षांच्या जाहीरनाम्याची माहिती दिली. प्रत्येक मॅनिटेस्टेशमध्ये प्रत्येक वाक्य हे कायमचे वास्तव्य करण्यासाठी परदेशातून संबंधित आहे की नाहीत याबद्दल कोडित करण्यात आले होते, आणि तसे असल्यास, ते हे प्रो-इमिग्रेशन, तटस्थ किंवा विरोधी-इमिग्रेशन होते का. त्यांच्या प्रोजेक्टला लॉन्च झाल्याच्या 5 तासातच, निकाल लागला. त्यांनी $ 360 च्या एकूण खर्चासह 22,000 पेक्षा अधिक प्रतिसाद गोळा केले. शिवाय, गर्दीच्या अंदाजानुसार तज्ज्ञांच्या आधीच्या सर्वेक्षणात उल्लेखनीय करार झाला. नंतर, अंतिम चाचणी म्हणून, दोन महिन्यांनंतर, संशोधकांनी त्यांच्या जमाव-कोडिंगची पुनरुत्पादित केली. काही तासांच्या आत त्यांनी नवीन गर्दी-कोड असलेल्या डेटासेट तयार केले जे त्यांच्या मूळ गर्दी-कोड केलेल्या डेटा सेट शी जवळून जुळले. दुस-या शब्दात सांगायचे तर, मानवी गणनेने ते त्यांना वैचारिक ग्रंथांच्या कोडिंगची निर्मिती करण्यास सक्षम करते जे तज्ज्ञांच्या मूल्यांकनांशी सहमत होते आणि ते पुन्हा उत्पन्न करण्यायोग्य होते. पुढे, मानवी मोजणी जलद आणि स्वस्तात असल्याने, त्यांना त्यांच्या माहितीचे संकलन त्यांच्या इमिग्रेशन विषयक विशिष्ट शोध प्रश्नावर कस्टमाइज करणे सोपे होते.