論文の概要: Which bills are lobbied? Predicting and interpreting lobbying activity in the US

• arxiv url: http://arxiv.org/abs/2005.06386v1
• Date: Wed, 29 Apr 2020 10:46:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 13:17:31.562314
• Title: Which bills are lobbied? Predicting and interpreting lobbying activity in the US
• Title（参考訳）: どの紙幣がロビーですか。 アメリカにおけるロビー活動の予測と解釈
• Authors: Ivan Slobozhan, Peter Ormosi, Rajesh Sharma
• Abstract要約: OpenSecrets.orgのロビーデータを使って、ある法案(米国法案)がロビー活動の対象になったかどうかを予測する。 また,ロビー活動の激しさがロビー活動の対象になっていないロビー活動と,ロビー活動がロビー活動にどう影響するかについても検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Using lobbying data from OpenSecrets.org, we offer several experiments applying machine learning techniques to predict if a piece of legislation (US bill) has been subjected to lobbying activities or not. We also investigate the influence of the intensity of the lobbying activity on how discernible a lobbied bill is from one that was not subject to lobbying. We compare the performance of a number of different models (logistic regression, random forest, CNN and LSTM) and text embedding representations (BOW, TF-IDF, GloVe, Law2Vec). We report results of above 0.85% ROC AUC scores, and 78% accuracy. Model performance significantly improves (95% ROC AUC, and 88% accuracy) when bills with higher lobbying intensity are looked at. We also propose a method that could be used for unlabelled data. Through this we show that there is a considerably large number of previously unlabelled US bills where our predictions suggest that some lobbying activity took place. We believe our method could potentially contribute to the enforcement of the US Lobbying Disclosure Act (LDA) by indicating the bills that were likely to have been affected by lobbying but were not filed as such.
• Abstract（参考訳）: opensecrets.orgのロビー活動データを用いて、法律(法案)の一部がロビー活動の対象にされたかどうかを予測するために、機械学習技術を適用したいくつかの実験を行う。 また、ロビー活動の強度が、ロビー活動の対象となっていない法案の識別性に及ぼす影響についても検討した。 我々は,複数の異なるモデル(論理回帰,ランダムフォレスト,CNN,LSTM)とテキスト埋め込み表現(BOW,TF-IDF,GloVe,Law2Vec)の性能を比較した。 ROC AUCスコアは0.85%以上,精度は78%であった。 モデル性能はロビー強度の高い紙幣をみると顕著に向上する(95% ROC AUC, 88%の精度)。 また,非ラベルデータに利用できる手法を提案する。 これを通じて、我々の予測ではロビー活動が行われたことを示唆する、これまで未定の米国法案がかなり多いことを示しています。 我々は,ロビー活動の影響を受けがちな法案を提出することで,米国ロビー活動開示法(LDA)の施行に寄与する可能性があると考えている。

関連論文リスト

• Bayesian scaling laws for in-context learning [72.17734205418502]
  In-context Learning(ICL)は、言語モデルをトレーニング更新なしで複雑なタスクを実行するための強力なテクニックである。 我々は、ICCがベイズ学習者を近似し、ICCのための新しいベイズスケーリング法則のファミリーを開発することを示す。
  論文  参考訳（メタデータ） (2024-10-21T21:45:22Z)
• CLIP the Bias: How Useful is Balancing Data in Multimodal Learning? [72.19502317793133]
  比較言語画像事前学習(CLIP)におけるバイアス軽減のためのデータバランスの有効性について検討する。 表現バイアスと相関バイアスの両方を低減するために,Multi-Modal Moment Matching (M4) と呼ばれる新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-03-07T14:43:17Z)
• Efficient Weighting Schemes for Auditing Instant-Runoff Voting Elections [57.67176250198289]
  AWAIREは、適応的に重み付けされたテスト統計量であり、本質的には、テストに有効な仮説のセットを「学習」する。 我々は、より広範囲にスキームと設定を検討し、実践のための効率的な選択を特定し、推奨する。 現在のAWAIRE実装の制限は、少数の候補者に限られている。
  論文  参考訳（メタデータ） (2024-02-18T10:13:01Z)
• BAL: Balancing Diversity and Novelty for Active Learning [53.289700543331925]
  多様な不確実なデータのバランスをとるために適応的なサブプールを構築する新しいフレームワークであるBalancing Active Learning (BAL)を導入する。 我々のアプローチは、広く認識されているベンチマークにおいて、確立されたすべてのアクティブな学習方法より1.20%優れています。
  論文  参考訳（メタデータ） (2023-12-26T08:14:46Z)
• Adaptively Weighted Audits of Instant-Runoff Voting Elections: AWAIRE [61.872917066847855]
  即時投票(IRV)選挙の監査方法は、リスク制限や、各投票における投票の電子的記録であるキャスト投票記録(CVR)を必要とするものではない。 我々は,CVRが利用できない場合に,適応的に重み付けされたテストスーパーマーチンガルを用いてITV選挙を効率よく監査するRLA手法を開発した。
  論文  参考訳（メタデータ） (2023-07-20T15:55:34Z)
• Large Language Models as Corporate Lobbyists [0.0]
  自己回帰的大言語モデルは、提案されたアメリカ合衆国議会法案が特定の公共企業に関連するかどうかを決定する。 モデルが関連するものとみなす法案について、モデルは、提案された法律を変更するよう議会に説得するために、法案のスポンサーに手紙を起草する。
  論文  参考訳（メタデータ） (2023-01-03T16:25:52Z)
• DeepParliament: A Legal domain Benchmark & Dataset for Parliament Bills Prediction [0.0]
  本稿では、請求書とメタデータを収集する法的ドメインベンチマークデータセットであるDeepParliamentを紹介する。 我々は2つの新しいベンチマークを提案する。 この作業は、議会法案の予測タスクを初めて提示する。
  論文  参考訳（メタデータ） (2022-11-15T04:55:32Z)
• Disentangling Active and Passive Cosponsorship in the U.S. Congress [0.09236074230806579]
  アメリカ合衆国議会では、法案を支持するためにアクティブかつパッシブな共同責任を利用することができる。 これら2つのタイプの共同責任は、政治的同僚の支持と法案の内容の支持という2つの異なる動機によって引き起こされている。 我々は,請求書のテキストと音声の書き起こしから,議員表現を学習するAnRGC+Nモデルを開発した。
  論文  参考訳（メタデータ） (2022-05-19T16:33:46Z)
• Feature Engineering for US State Legislative Hearings: Stance, Affiliation, Engagement and Absentees [0.8122270502556374]
  公開コメントにおいて,組織間の連携を自動的に追跡するシステムを提案する。 議員の参加と欠席を計算するための指標も提案されている。
  論文  参考訳（メタデータ） (2021-09-18T06:50:35Z)
• Predicting and Analyzing Law-Making in Kenya [0.012691047660244334]
  結果を予測するために,請求書から抽出した特徴を組み合わせた機械学習モデルを開発し,訓練した。 法案のテキストは、法案が提出された年月や、法案が属するカテゴリほど関連性がないことを観察した。
  論文  参考訳（メタデータ） (2020-06-09T20:21:50Z)
• Adversarial Attacks on Linear Contextual Bandits [87.08004581867537]
  悪意のあるエージェントは、望ましい行動を実行するためにバンディットアルゴリズムを攻撃するインセンティブを持つ可能性がある。 悪意のあるエージェントは、線形コンテキストのバンドイットアルゴリズムに任意のアーム$T - o(T)$倍を$T$ステップで引き出すように強制することができる。 また,悪意のあるエージェントが単一コンテキストにおける帯域幅アルゴリズムの動作に影響を与えることに関心がある場合についても検討する。
  論文  参考訳（メタデータ） (2020-02-10T15:04:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。