論文の概要: Disentangling Active and Passive Cosponsorship in the U.S. Congress

• arxiv url: http://arxiv.org/abs/2205.09674v1
• Date: Thu, 19 May 2022 16:33:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-20 11:56:17.657274
• Title: Disentangling Active and Passive Cosponsorship in the U.S. Congress
• Title（参考訳）: 米国議会における積極的・受動的責任の解消
• Authors: Giuseppe Russo, Christoph Gote, Laurence Brandenberger, Sophia Schlosser, and Frank Schweitzer
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.09236074230806579
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the U.S. Congress, legislators can use active and passive cosponsorship to support bills. We show that these two types of cosponsorship are driven by two different motivations: the backing of political colleagues and the backing of the bill's content. To this end, we develop an Encoder+RGCN based model that learns legislator representations from bill texts and speech transcripts. These representations predict active and passive cosponsorship with an F1-score of 0.88. Applying our representations to predict voting decisions, we show that they are interpretable and generalize to unseen tasks.
• Abstract（参考訳）: アメリカ合衆国議会では、議員は法案を支持するために能動的かつ受動的に協力できる。 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。 そこで我々は,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Encoder+RGCNモデルを開発した。 これらの表現は、f1-score 0.88でアクティブかつパッシブな共責任を予測する。 投票決定を予測するために私たちの表現を適用することで、それらが解釈可能で、目に見えないタスクに一般化されていることを示す。

関連論文リスト

• Representation Bias in Political Sample Simulations with Large Language Models [54.48283690603358]
  本研究は,大規模言語モデルを用いた政治サンプルのシミュレーションにおけるバイアスの同定と定量化を目的とする。 GPT-3.5-Turboモデルを用いて、米国選挙研究、ドイツ縦割り選挙研究、ズオビアオデータセット、中国家族パネル研究のデータを活用する。
  論文  参考訳（メタデータ） (2024-07-16T05:52:26Z)
• Revisiting Multimodal Representation in Contrastive Learning: From Patch and Token Embeddings to Finite Discrete Tokens [76.40196364163663]
  本稿では,CLIPのような学習型視覚言語事前学習手法を提案する。 提案手法は,より包括的な表現を学習し,意味のある相互対応を捉えることができることを示す。
  論文  参考訳（メタデータ） (2023-03-27T00:58:39Z)
• 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)
• Learning Action-Effect Dynamics for Hypothetical Vision-Language Reasoning Task [50.72283841720014]
  本研究では,行動の効果に関する推論を改善する新しい学習戦略を提案する。 本稿では,提案手法の有効性を実証し,性能,データ効率,一般化能力の観点から,従来のベースラインに対する優位性を論じる。
  論文  参考訳（メタデータ） (2022-12-07T05:41:58Z)
• 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)
• The Ability of Self-Supervised Speech Models for Audio Representations [53.19715501273934]
  自己教師付き学習(SSL)音声モデルは、音声表現学習において前例のない成功を収めた。 我々は、最先端のSSL音声モデルの表現能力を評価するために、豊富な音声および非音声音声データセットに関する広範な実験を行う。 結果から、SSL音声モデルは幅広い非音声音声の有意義な特徴を抽出できるが、特定の種類のデータセットではフェールする可能性があることが示された。
  論文  参考訳（メタデータ） (2022-09-26T15:21:06Z)
• Retriever: Learning Content-Style Representation as a Token-Level Bipartite Graph [89.52990975155579]
  Retrieverという名前の、教師なしのフレームワークは、そのような表現を学ぶために提案されている。 モーダルに依存しないため、提案したRetrieverは音声領域と画像領域の両方で評価される。
  論文  参考訳（メタデータ） (2022-02-24T19:00:03Z)
• 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)
• M2P2: Multimodal Persuasion Prediction using Adaptive Fusion [65.04045695380333]
  本稿では,ディベートアウトカム予測 (DOP) 問題において,誰が討論に勝つかを予測し,IPP (Intensity of Persuasion Prediction) 問題では,講演者の発言前後の投票数の変化を予測する。 我々のM2P2フレームワークはIPP問題を解決するためにマルチモーダル(音響、視覚、言語)データを使用した最初のフレームワークです。
  論文  参考訳（メタデータ） (2020-06-03T18:47:24Z)
• Which bills are lobbied? Predicting and interpreting lobbying activity in the US [0.0]
  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。
  論文  参考訳（メタデータ） (2020-04-29T10:46:33Z)

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。