राजकीय जाहीरनाम्यात, काहीतरी विशेषत: तज्ञ केले कोडींग, मोठे reproducibility आणि लवचिकता परिणामी मानवी मोजणी प्रकल्प केले जाऊ शकते.
दीर्घिका प्राणीसंग्रहालय सारखे, सामाजिक संशोधक, कोड करू इच्छित जेथे वर्गीकरण, किंवा एक प्रतिमा किंवा मजकूर तुकडा लेबल अनेक घटनांमध्ये आहेत. संशोधन या प्रकारची एक उदाहरण राजकीय जाहीरनाम्यात चहाचे दुकान आहे. निवडणुकीच्या काळात राजकीय पक्ष जाहीरनामे त्यांच्या धोरण पोझिशन्स वर्णन मार्गदर्शन तत्त्वज्ञान निर्मिती. उदाहरणार्थ, 2010 पासून ग्रेट ब्रिटन मध्ये लेबर पक्षाचे जाहीरनामा एक तुकडा 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 शास्त्रज्ञ मौल्यवान डेटा, विशिष्ट त्या अभ्यास निवडणूक धोरण वादविवाद प्रेरक शक्ती असतात. पद्धतशीरपणे या जाहीरनाम्यात पासून माहिती करण्यासाठी, संशोधक निर्माण जाहीरनामा प्रकल्प 50 देशांमध्ये सुमारे 1,000 पक्ष 4000 जाहीरनाम्यात कोड राजकीय शास्त्रज्ञ आयोजित केला. प्रत्येक जाहीरनाम्यात प्रत्येक वाक्य एक 56-श्रेणी योजना वापरून तज्ञ कोड करण्यात आली आहे. या सहयोगी प्रयत्न परिणाम या जाहीरनाम्यात एम्बेड माहिती summarizing एक भव्य डेटासेटच्या आहे, आणि हे डेटासेटमध्ये 200 पेक्षा अधिक वैज्ञानिक कागदपत्रे वापरले गेले आहे.
केनेथ Benoit आणि सहकारी (2015) पूर्वी तज्ञ सादर केले होते की जाहीरनामा कोडींग कार्य घेऊन आणि एक मानवी मोजणी प्रकल्प मध्ये चालू करण्याचा निर्णय घेतला. एक परिणाम म्हणून, ते स्वस्त आणि जलद उल्लेख नाही, अधिक उत्पन्न करता येण्याजोगा आणि अधिक लवचिक आहे की एक कोडींग प्रक्रिया तयार.
अलीकडील यूके मध्ये सहा निवडणुकीत निर्माण 18 जाहीरनाम्यात काम करताना, Benoit आणि सहकारी वापरले विभाजित-लागू-एकत्र एक सूक्ष्म-कार्य श्रमिक बाजार पासून कामगार धोरण (ऍमेझॉन यांत्रिकी तुर्क आणि CrowdFlower सूक्ष्म-कार्य श्रमिक बाजार उदाहरणे आहेत; अधिक सूक्ष्म-कार्य श्रमिक बाजार वर धडा 4 पहा). संशोधक प्रत्येक जाहीरनामा घेतला आणि वाक्य विभाजित. पुढे, मानवी रेटिंग प्रत्येक वाक्य लागू करण्यात आले. विशेषतः, वाक्य एक धोरण सहभागी असेल, तर ते दोन वेगळेपण कोड होते: आर्थिक (फार डावीकडे अतिशय योग्य) व सामाजिक (आकृती 5.5) (पुराणमतवादी उदारमतवादी पासून). प्रत्येक वाक्याचा सुमारे 5 वेगवेगळे लोक कोड होते. शेवटी, ही रेटिंग दोन्ही वैयक्तिक रेट करणारा प्रभाव आणि वाक्य प्रभाव अडचण या अहवालात एक संख्याशास्त्रीय मॉडेल वापरून एकत्र होते. सर्व, Benoit आणि सहकाऱ्यांकडील 1500 कामगार 200,000 रेटिंग गोळा.
गर्दी कोडींग गुणवत्ता मूल्यांकन करण्यासाठी, Benoit आणि सहकारी तसेच 10 तज्ञ-प्राध्यापक आणि पदवीधर विद्यार्थी राजकीय विज्ञान-दर एक समान पद्धतीचा वापर करून त्याच जाहीरनाम्यात होते. गर्दी सदस्य रेटिंग तज्ञ रेटिंग पेक्षा अधिक चल झाले असले तरी, एकमत गर्दी रेटिंग एकमत तज्ज्ञ रेटिंग (आकृती 5.6) सह उल्लेखनीय करार होता. ही तुलना दीर्घिका प्राणीसंग्रहालय म्हणून, मानवी मोजणी प्रकल्प उच्च दर्जाचे परिणाम करू शकता, हे लक्षात येते.
हा परिणाम इमारत, Benoit आणि सहकारी जाहीरनामा प्रकल्प अशक्य होते की संशोधन करण्याची त्यांची गर्दी-कोडींग प्रणाली वापरली. उदाहरणार्थ, जाहीरनामा, प्रकल्प इमिग्रेशन या विषयावर जाहीरनाम्यात कोड नाही कारण की एक ठळक विषय होता नाही कोडींग योजना 1980 च्या दशकाच्या मध्यात विकसित करण्यात आली आहे. आणि, या टप्प्यावर, तो logistically अव्यवहार्य जाहीरनामा प्रकल्प परत जा आणि ही माहिती काबीज पुन्हा कोड त्यांच्या जाहीरनाम्यात केले आहे. त्यामुळे, इमिग्रेशन राजकारण अभ्यास रस संशोधक नशीब बाहेर आहेत की असे दिसून येते. तथापि, Benoit आणि आप्तेष्टांना या कोडींग-पसंतीचे प्रश्न जलद आणि सहज त्यांच्या संशोधन करण्याची त्यांची मानवी मोजणी प्रणाली वापरण्यासाठी सक्षम होते.
इमिग्रेशन धोरण अभ्यास करण्यासाठी, ते ग्रेट ब्रिटन मध्ये 2010 निवडणुकीत आठ पक्षांनी जाहीरनामे कोड. प्रत्येक जाहीरनाम्यात प्रत्येक वाक्याची तो इमिग्रेशन संबंधित की नाही म्हणून कोड होते, आणि म्हणून तर, तो प्रो-इमिग्रेशन, तटस्थ, किंवा विरोधी इमिग्रेशन झाली की. त्यांच्या प्रकल्प सुरू करणार 5 तासांच्या आत, परिणाम होते. ते $ 360 एकूण खर्च जास्त 22,000 प्रतिसाद गोळा केली होती. पुढील जमावातील अंदाज तज्ज्ञ पूर्वीचे सर्वेक्षणातील उल्लेखनीय करार झाली. नंतर, एक अंतिम चाचणी म्हणून, दोन महिने नंतर, संशोधक त्यांच्या गर्दी-कोडींग पुन. काही तासांच्या आत, ते त्यांच्या मूळ गर्दी-कोड डेटा सेट लक्षपूर्वक जुळलेले एक नवीन जमाव-कोड डेटासेटचे निर्माण केली होती. दुसऱ्या शब्दांत, मानवी मोजणी तज्ज्ञ मोजमापन सहमती आणि पुन्हा उत्पन्न करता येण्याजोगा होता की, राजकीय ग्रंथ कोडींग निर्माण करण्यासाठी सक्षम. शिवाय, मानवी मोजणी जलद आणि स्वस्त होता म्हणून त्यांना सहज इमिग्रेशन बद्दल त्यांच्या विशिष्ट संशोधन प्रश्न त्यांच्या डेटा संकलन सानुकूल करण्यासाठी होते.