Khám Phá Chương Trình Chính Trị Của Nghị Viện Châu Âu Sử Dụng Phương Pháp Mô Hình Chủ Đề Động

Political Analysis - Tập 25 Số 1 - Trang 77-94 - 2017
Derek Greene1, James Cross2
1Insight Centre for Data Analytics & School of Computer Science, University College Dublin, Ireland. Email:
2School of Politics & International Relations, University College Dublin, Ireland. Email:

Tóm tắt

Nghiên cứu này phân tích chương trình chính trị của phiên họp toàn thể Nghị viện Châu Âu (EP), cách mà nó đã phát triển theo thời gian, và cách mà các Nghị sĩ Nghị viện Châu Âu (MEPs) đã phản ứng với các yếu tố kích thích bên ngoài và bên trong khi phát biểu trong phiên họp toàn thể. Để làm rõ chương trình nghị sự của phiên họp toàn thể và phát hiện các chủ đề tiềm ẩn trong các bài phát biểu lập pháp qua thời gian, nội dung bài phát biểu của các MEP được phân tích bằng cách sử dụng phương pháp mô hình chủ đề động mới dựa trên hai lớp phân tích ma trận không âm (NMF). Phương pháp này được áp dụng cho một tập hợp dữ liệu mới về tất cả các bài phát biểu lập pháp bằng tiếng Anh trong phiên họp toàn thể của EP từ năm 1999 đến 2014. Các phát hiện của chúng tôi cho thấy NMF hai lớp là một lựa chọn có giá trị cho các phương pháp mô hình chủ đề động hiện có được tìm thấy trong tài liệu, và có thể làm rõ các chủ đề ngách và từ vựng liên quan mà các phương pháp hiện tại không nắm bắt được. Về mặt nội dung, các phát hiện của chúng tôi đề xuất rằng chương trình chính trị của EP tiến hóa đáng kể theo thời gian và phản ứng với các sự kiện bên ngoài như cuộc trưng cầu dân ý về Hiệp ước EU và sự xuất hiện của cuộc khủng hoảng đồng Euro. Đóng góp của các MEP cho chương trình nghị sự toàn thể cũng bị ảnh hưởng bởi hành vi bỏ phiếu và cấu trúc ủy ban của Nghị viện.

Từ khóa


Tài liệu tham khảo

10.1111/j.1541-0072.2011.00431.x

Jones, 2005, The politics of attention: How government prioritizes problems

Jones, 1994, Reconceiving decision-making in democratic politics: attention, choice, and public policy

10.1111/j.1541-0072.2011.00435.x

10.1177/0010414011405165

Downs, 1996, The Politics of American Economic Policy Making

10.1017/CBO9780511491955

10.1111/j.1540-5907.2006.00198.x

Chang, 2009, Advances in neural information processing systems, 288

10.1017/CBO9781139013567

Röder, 2015, Proc. 8th ACM international conference on Web search and data mining, 399, 10.1145/2684822.2685324

10.1017/S0007123400007158

Blei, 2003, Latent dirichlet allocation, Journal of Machine Learning Research, 3, 993

Baumgartner, 2010, Agendas and instability in American politics

Steyvers, 2006, Handbook of Latent Semantic Analysis

10.1111/j.1540-5907.2009.00389.x

Wang, 2012, Proc. 35th SIGIR Conf. on Research and Development in Information Retrieval, 375

10.1016/j.eswa.2015.02.055

10.1145/1830252.1830269

10.1002/(SICI)1097-4571(199009)41:6<391::AID-ASI1>3.0.CO;2-9

10.1111/j.1540-5907.2009.00427.x

10.1016/j.patcog.2007.09.010

10.1111/ajps.12103

Proksch, 2014, The politics of parliamentary debate: Parties, rebels and representation, 10.1017/CBO9781139680752

Scully, 2012, National or European Parliamentarians? Evidence from a New Survey of the Members of the European Parliament, JCMS: J. Common Market Studies, 50, 670

10.1017/S0143814X15000124

10.1111/j.1541-0072.2011.00434.x

Stevens, 2012, Proceedings of the 2012 Joint Conference on Empirical Methods in Natural Language Processing and Computational Natural Language Learning, 952

10.1017/S0007123409990299

10.1177/1465116510369266

10.1038/44565

Mikolov, T. , K. Chen , G. Corrado , and J. Dean . 2013. Efficient estimation of word representations in vector space. CoRR arXiv:abs/1301.3781.

McCallum, A. K. 2002. MALLET: A machine learning for language toolkit, http://mallet.cs.umass.edu.

10.1093/pan/mpp034

10.7910/DVN/LVHLZK

Blei, 2006, Proc. 23rd International Conference on Machine Learning, 113, 10.1145/1143844.1143859