5.2.2 राजनीतिक घोषणापत्र की भीड़-कोडिंग

राजनीतिक घोषणापत्र, आम तौर पर विशेषज्ञों द्वारा किया कुछ कोडिंग, अधिक से अधिक reproducibility और लचीलापन है, जिसके परिणामस्वरूप एक मानव गणना परियोजना द्वारा प्रदर्शन किया जा सकता है।

गैलेक्सी चिड़ियाघर की तरह, ऐसी कई स्थितियां हैं जहां सामाजिक शोधकर्ता एक छवि या पाठ के टुकड़े को वर्गीकृत, वर्गीकृत या लेबल करना चाहते हैं। इस तरह के शोध का एक उदाहरण राजनीतिक घोषणापत्रों का कोडिंग है। चुनाव के दौरान, राजनीतिक दल अपनी नीतिगत स्थिति का वर्णन करने और दर्शनशास्त्र का मार्गदर्शन करने वाले घोषणापत्र उत्पन्न करते हैं। उदाहरण के लिए, 2010 से यूनाइटेड किंगडम में लेबर पार्टी के घोषणापत्र का एक टुकड़ा यहां दिया गया है:

"हमारे सार्वजनिक सेवाओं में काम कर रहे लोगों के लाखों ब्रिटेन का सबसे अच्छा मूल्यों को अवतार लेना, लोगों को सशक्त करते हुए उन्हें जोखिम वे अपने दम पर सहन करने के लिए नहीं होना चाहिए से रक्षा करने के लिए अपने स्वयं के जीवन का सबसे बनाने के लिए मदद। बस के रूप में हम कर बाजारों में काफी काम में सरकार की भूमिका के बारे में बिंदास रहने की जरूरत है, हम भी सरकार की बोल्ड सुधारकों की जरूरत है। "

इन घोषणापत्रों में राजनीतिक वैज्ञानिकों, विशेष रूप से चुनावों का अध्ययन करने और नीति बहस की गतिशीलता के लिए मूल्यवान डेटा होता है। इन घोषणापत्रों से व्यवस्थित रूप से जानकारी निकालने के लिए, शोधकर्ताओं ने द मेनिफेस्टो प्रोजेक्ट बनाया, जिसने 50 देशों में लगभग 1,000 दलों से 4,000 घोषणापत्र एकत्र किए और फिर व्यवस्थित रूप से उन्हें कोड करने के लिए राजनीतिक वैज्ञानिकों को संगठित किया। प्रत्येक घोषणापत्र में प्रत्येक वाक्य को 56-श्रेणी की योजना का उपयोग करके एक विशेषज्ञ द्वारा कोडित किया गया था। इस सहयोगी प्रयास का परिणाम एक विशाल डेटासेट है जो इन घोषणापत्रों में एम्बेडेड जानकारी को सारांशित करता है, और यह डेटासेट 200 से अधिक वैज्ञानिक पत्रों में उपयोग किया गया है।

केनेथ बेनोइट और सहयोगियों (2016) ने घोषणापत्र कोडिंग कार्य लेने का फैसला किया जो पहले विशेषज्ञों द्वारा किया गया था और इसे मानव गणना परियोजना में बदल दिया गया था। नतीजतन, उन्होंने एक कोडिंग प्रक्रिया बनाई जो अधिक प्रतिलिपिबद्ध और अधिक लचीला है, सस्ता और तेज़ उल्लेख नहीं करना।

यूनाइटेड किंगडम में छह हाल के चुनावों के दौरान उत्पन्न 18 घोषणापत्रों के साथ काम करते हुए, बेनोइट और सहयोगियों ने माइक्रोट्रस्क श्रम बाजार से श्रमिकों के साथ विभाजन-लागू-गठबंधन रणनीति का उपयोग किया (अमेज़ॅन मैकेनिकल तुर्क और भीड़फ्लॉवर माइक्रोटस्क श्रम बाजारों के उदाहरण हैं; ऐसे बाजारों पर अधिक के लिए , अध्याय 4 देखें)। शोधकर्ताओं ने प्रत्येक घोषणापत्र लिया और इसे वाक्यों में विभाजित कर दिया। इसके बाद, एक व्यक्ति ने प्रत्येक वाक्य में कोडिंग योजना लागू की। विशेष रूप से, पाठकों को सामाजिक नीति (उदार या रूढ़िवादी), या न तो (आंकड़ा 5.5) के लिए आर्थिक नीति (बाएं या दाएं) का जिक्र करते हुए प्रत्येक वाक्य को वर्गीकृत करने के लिए कहा जाता था। प्रत्येक वाक्य को लगभग पांच अलग-अलग लोगों द्वारा कोडित किया गया था। अंत में, इन रेटिंगों को एक सांख्यिकीय मॉडल का उपयोग करके संयुक्त किया गया था जो व्यक्तिगत-रटर प्रभाव और कठिनाई के दोनों प्रभावों के लिए जिम्मेदार था। कुल मिलाकर, बेनोइट और सहयोगियों ने करीब 1,500 लोगों से 200,000 रेटिंग एकत्र की।

चित्रा 5.5: बेनोइट एट अल से कोडिंग योजना। (2016)। पाठकों को सामाजिक नीति (उदार या रूढ़िवादी), या न तो आर्थिक नीति (बाएं या दाएं) के संदर्भ में प्रत्येक वाक्य को वर्गीकृत करने के लिए कहा गया था। बेनोइट एट अल से अनुकूलित। (2016), आकृति 1।

चित्रा 5.5: Benoit et al. (2016) से कोडिंग योजना Benoit et al. (2016) । पाठकों को सामाजिक नीति (उदार या रूढ़िवादी), या न तो आर्थिक नीति (बाएं या दाएं) के संदर्भ में प्रत्येक वाक्य को वर्गीकृत करने के लिए कहा गया था। Benoit et al. (2016) से अनुकूलित Benoit et al. (2016) , आकृति 1।

भीड़ कोडिंग की गुणवत्ता का आकलन करने के लिए, बेनोइट और सहयोगियों के पास राजनीतिक विज्ञान में लगभग 10 विशेषज्ञ-प्रोफेसर और स्नातक छात्र भी थे- एक ही प्रक्रिया का उपयोग करके एक ही घोषणापत्र को रेट करें। हालांकि भीड़ के सदस्यों की रेटिंग विशेषज्ञों की रेटिंग से अधिक परिवर्तनीय थी, आम सहमति भीड़ रेटिंग में आम सहमति विशेषज्ञ रेटिंग (आंकड़ा 5.6) के साथ उल्लेखनीय समझौता था। यह तुलना दर्शाती है कि, गैलेक्सी चिड़ियाघर के साथ, मानव गणना परियोजनाएं उच्च गुणवत्ता वाले परिणाम उत्पन्न कर सकती हैं।

चित्रा 5.6: यूनाइटेड किंगडम (बेनोइट एट अल 2016) से 18 पार्टी घोषणापत्रों को कोड करते समय विशेषज्ञ अनुमान (एक्स-अक्ष) और भीड़ अनुमान (वाई-अक्ष) असाधारण समझौते में थे। कोडित घोषणापत्र तीन राजनीतिक दलों (कंज़र्वेटिव, श्रम, और लिबरल डेमोक्रेट) और छह चुनाव (1 9 87, 1 99 7, 2001, 2001, 2005, और 2010) से थे। बेनोइट एट अल से अनुकूलित। (2016), आकृति 3।

चित्रा 5.6: विशेषज्ञ अनुमान ( \(x\) -axis) और भीड़ अनुमान ( \(y\) -axis यूनाइटेड किंगडम से 18 पार्टी घोषणापत्रों को कोड करते समय उल्लेखनीय समझौते में थे (Benoit et al. 2016) । कोडित घोषणापत्र तीन राजनीतिक दलों (कंज़र्वेटिव, श्रम, और लिबरल डेमोक्रेट) और छह चुनाव (1 9 87, 1 99 7, 2001, 2001, 2005, और 2010) से थे। Benoit et al. (2016) से अनुकूलित Benoit et al. (2016) , आकृति 3।

इस परिणाम पर बिल्डिंग, बेनोइट और सहयोगियों ने अपनी भीड़-कोडिंग प्रणाली का उपयोग शोध करने के लिए किया जो कि घोषणापत्र परियोजना द्वारा उपयोग की जाने वाली विशेषज्ञ-संचालित कोडिंग प्रणाली के साथ असंभव था। उदाहरण के लिए, मैनिफेस्टो प्रोजेक्ट ने इमिग्रेशन के विषय पर घोषणापत्र को कोड नहीं किया क्योंकि 1 9 80 के दशक के मध्य में कोडिंग योजना विकसित होने पर यह एक प्रमुख विषय नहीं था। और, इस बिंदु पर, यह घोषणापत्र परियोजना के लिए तर्कसंगत रूप से अक्षम है और इस जानकारी को कैप्चर करने के लिए अपने घोषणापत्र को दोबारा शुरू कर दिया है। इसलिए, ऐसा लगता है कि आप्रवासन की राजनीति का अध्ययन करने में रुचि रखने वाले शोधकर्ता भाग्य से बाहर हैं। हालांकि, बेनोइट और सहयोगी अपने मानव गणना प्रणाली का उपयोग अपने कोडिंग-कस्टमाइज़ करने के लिए अपने शोध प्रश्न-त्वरित और आसानी से करने में सक्षम थे।

आप्रवासन नीति का अध्ययन करने के लिए, उन्होंने यूनाइटेड किंगडम में 2010 के आम चुनाव में आठ पार्टियों के लिए घोषणापत्रों को कोडित किया। प्रत्येक घोषणापत्र में प्रत्येक वाक्य को यह संकेत दिया गया था कि यह आप्रवासन से संबंधित है या नहीं, और यदि ऐसा है, चाहे वह प्रो-इमिग्रेशन, तटस्थ, या विरोधी आप्रवासन था। अपनी परियोजना लॉन्च करने के 5 घंटे के भीतर, परिणाम अंदर थे। उन्होंने $ 360 की कुल लागत पर 22,000 से अधिक प्रतिक्रियाएं एकत्र की थीं। इसके अलावा, भीड़ के अनुमानों ने विशेषज्ञों के पहले सर्वेक्षण के साथ उल्लेखनीय समझौते दिखाए। फिर, दो महीने बाद, अंतिम परीक्षण के रूप में, शोधकर्ताओं ने भीड़-कोडिंग का पुनरुत्पादन किया। कुछ घंटों के भीतर, उन्होंने एक नया भीड़-कोडित डेटासेट बनाया था जो उनके मूल भीड़-कोडित डेटा सेट से बारीकी से मेल खाता था। दूसरे शब्दों में, मानव गणना ने उन्हें राजनीतिक ग्रंथों के कोडिंग उत्पन्न करने में सक्षम बनाया जो विशेषज्ञ मूल्यांकन के साथ सहमत थे और पुन: उत्पन्न किए गए थे। इसके अलावा, क्योंकि मानव गणना त्वरित और सस्ता थी, उनके लिए उनके डेटा संग्रह को आप्रवासन के बारे में अपने विशिष्ट शोध प्रश्न में अनुकूलित करना आसान था।