机构名称：
¥ 2.0
以及是什么让它们变得民主，通常称为党内民主 (IPD)。我们研究现有的 IPD 测量方法，质疑其有效性，并探索通过机器学习 (ML) 技术增强它们的潜力。然后，我们将注意力转向 ML 在测量 IPD 和帮助政党进行日常组织方面的作用。由于政治团体的不透明性、活力和内部异质性，测量 IPD 具有挑战性，这些因素长期以来阻碍了该领域的研究。定量文本分析的最新进展提供了新的见解。学者们分析议会演讲，仔细研究党内会议上的辩论，并仔细研究党内文件以评估意识形态多样性。此外，他们还对党员和官员进行调查和问卷调查（Ceron，2017 年；Bernauer 和 Bräuninger，2009 年；Benoit 和 Herzog，2017 年；Greene 和 Haber，2017 年；2017 年；Medzihorsky、Littvay 和 Jenne，2014 年；Bäck，2008 年）。数字技术和社交媒体网站为收集相关信息以监测和评估 IPD 提供了新途径。然而，它们也引发了新的问题，即它们如何重塑 IPD 本身的动态（García Lupato 和 Meloni，2023 年；Dommett 等，2021 年；Scarrow，2013 年）。现有的 IPD 测量方法显示出一些局限性。首先，对于一个政党内部的民主究竟是什么，存在一定程度的概念模糊性（Borz & Janda，2020）。其次，目前的衡量标准往往侧重于正式要素，例如政党章程，而忽视了非正式做法，例如政党派系的影响或工会等外部影响。第三，标准的经验工具（如调查和问卷）带来了多重实际挑战，包括数据可用性有限、社会期望偏差、无法定期更新以及运行成本高昂。在本文中，我们不关注概念模糊性，这是一个影响所有方法的问题。相反，我们在特定的政党组织框架下，为 IPD 测量中更实际的挑战提供解决方案。为此，我们探索并映射数据管理和各种 ML 技术在 IPD 实证测量和研究中的适用性。这些技术涵盖多种任务，从数据收集和预处理到模式识别和定量测量。我们考虑了几种 ML 技术，例如自动文本/数据挖掘和自然语言处理 (NLP)（例如情绪分析、零样本/小样本分类 1 ）、分类算法（例如逻辑回归）、集成方法（例如随机森林）和无监督学习（例如聚类算法）。接下来，我们分析政党如何利用 ML 来提高其内部组织和决策的公平性或有效性。最近的研究表明，尤其是在欧盟，政党越来越多地使用大数据和数字技术来竞选和运行其组织结构和功能（Barberà 等，2021 年）。传统的欧洲政党逐渐加强了其
人工智能促进政党内部民主
主要关键词
相关文件推荐
