疫情政策制定：学习国会响应性的低维流形
计算机与社会
2020-11-16 v2 应用统计
摘要
一项近期研究利用1973至2020年疫情相关政策制定的文本，探讨了疫情政策制定是否已经演变，或者我们是否正在见证一个与COVID-19等大规模危机相关的、新的、独特的政策制定时代。本研究在同一研究时段、基于相同数据（但排除文本）上沿用该方法。相反，本研究仅基于法案层面的特征，利用高维流形学习来探索疫情政策制定空间的潜在结构。结果表明，COVID-19时代的政策制定与先前的疫情相关政策制定时期映射得极为接近。这表明疫情政策制定中较少存在“演变趋势”，相反，尽管处于极化、分裂和治理低效的独特时代，国会在这类大规模危机相关的政策制定上呈现出惊人的一致性。
引用
@article{arxiv.2011.04763,
title = {Pandemic Policymaking: Learning the Lower Dimensional Manifold of Congressional Responsiveness},
author = {Philip D. Waggoner},
journal= {arXiv preprint arXiv:2011.04763},
year = {2020}
}
备注
23 pages, 6 figures