Ballot Design and Electoral Outcomes: The Role of Candidate Order and Party Affiliation
यह शोध पत्र उत्तरी कैरोलिना के न्यायिक चुनावों पर एक कारण अनुमान मॉडल (causal inference model) और डबल मशीन लर्निंग का उपयोग करके यह प्रदर्शित करता है कि मतपत्रों से पार्टी पदनामों को हटाना लगभग 12-15% दलीय मतदाताओं को भ्रामक उम्मीदवार क्रम संकेतों पर भरोसा करने के कारण गलत वोट डालने के लिए प्रेरित करता है, एक ऐसी त्रुटि जो स्पष्ट रूप से प्रदर्शित पार्टी संबद्धताओं के होने पर समाप्त हो जाती है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक विशाल, उथल-पुथल भरी पार्टी में हैं जहाँ हर कोई एक टीम कप्तान चुनने की कोशिश कर रहा है। राजनीति विज्ञान की दुनिया में, शोधकर्ता अध्ययन करते हैं कि लोग ये चुनाव कैसे करते हैं। कभी-कभी, मतदाता बहुत जानकार होते हैं; वे जानते हैं कि उन्हें वास्तव में कौन पसंद है और क्यों। अन्य समय में, वे बस एक त्वरित संकेत की तलाश में होते हैं, जैसे जर्सी पर एक टीम का रंग। इनमें से एक सबसे प्रसिद्ध संकेत है "पार्टी संबद्धता" (party affiliation)—यह जानना कि कोई उम्मीदवार डेमोक्रेट है या रिपब्लिकन। लेकिन क्या होता है जब जर्सी गायब हो जाती है? यहीं पर कारण अनुमान (causal inference) का विज्ञान काम आता है। इसे एक जासूस के टूलकिट के रूप में समझें जिसका उपयोग कारण और प्रभाव का पता लगाने के लिए किया जाता है। केवल यह अनुमान लगाने के बजाय कि "A ने B को जन्म दिया," वैज्ञानिक A को अलग करने की कोशिश करते हैं ताकि यह देखा जा सके कि क्या B वास्तव में उसी के कारण होता है, और अन्य चालाक संदिग्धों को खारिज किया जा सके। वे बैलेट डिज़ाइन (ballot design) को भी देखते हैं, जो सरल शब्दों में उम्मीदवारों की सूची का लेआउट है। ठीक वैसे ही जैसे एक मेनू आपको केवल इसलिए पहला आइटम ऑर्डर करने के लिए उकसा सकता है क्योंकि वह सबसे ऊपर है, वोटिंग शीट पर नामों का क्रम आपके मस्तिष्क को गलत व्यक्ति चुनने के लिए धोखा दे सकता है। यह महत्वपूर्ण है क्योंकि यदि मतदाता गलती से गलत उम्मीदवार चुन लेते हैं, तो चुनाव के परिणाम वास्तव में उस तरह नहीं होते जैसा लोग चाहते थे, जो कानूनों और नेताओं को बदल सकता है।
अब, ड्यूक यूनिवर्सिटी और येल के शोधकर्ताओं की एक टीम द्वारा सुलझाई गई एक विशिष्ट पहेली पर ध्यान केंद्रित करते हैं। वे जानना चाहते थे: क्या बैलेट पर नामों का क्रम मतदाताओं को गलत पार्टी के लिए वोट देने का झांसा देता है?
नॉर्थ कैरोलिना में, न्यायाधीशों को बैलेट पर सूचीबद्ध करने के नियमों के लिए नियम जुए के खेल की तरह थे। कुछ वर्षों के लिए, कानून कहता था कि उन चुनावों में जहाँ उम्मीदवारों के साथ उनके पार्टी लेबल (जैसे राष्ट्रपति के नाम के बगल में "डेमोक्रेट" या "रिपब्लिकन") छपे थे, तो क्रम इस बात से निर्धारित होता था कि गवर्नर के कार्यालय में कौन सी पार्टी सत्ता में है। लेकिन अन्य चुनावों के लिए—विशेष रूप से न्यायिक चुनावों के लिए जहाँ पार्टी लेबल नहीं थे—क्रम एक रैंडम ड्रॉ (random drawing) द्वारा तय किया जाता था, जैसे यह देखने के लिए टोपी से अक्षर निकालना कि किसे पहले सूचीबद्ध किया जाए। इसने एक आदर्श, आकस्मिक प्रयोग बना दिया। कभी-कभी, राष्ट्रपतिगत दौड़ में "डेमोक्रेट पहले" था (लेबल के साथ), लेकिन न्यायिक दौड़ में "डेमोक्रेट" जज दूसरे स्थान पर था (बिना लेबल के)। शोधकर्ता इस को "फ्लिप" (flip) कहते हैं।
टीम ने सोचा कि क्या पार्टी समर्थक मतदाता (वे लोग जो आमतौर पर अपनी पार्टी के लिए वोट देते हैं) भ्रमित हो जाएंगे। यदि एक मतदाता राष्ट्रपति पद के लिए "डेमोक्रेट पहले" देखता है, तो वह मान सकता है कि जज के लिए भी "डेमोक्रेट पहले" होगा। यदि जज का बैलेट "फ्लिप" हो जाता है, तो वह मतदाता गलती से रिपब्लिकन जज को चुन सकता है, यह सोचकर कि वह डेमोक्रेट को वोट दे रहा है।
इसे हल करने के लिए, शोधकर्ताओं ने केवल अनुमान नहीं लगाया; उन्होंने डबल मशीन लर्निंग (Double Machine Learning) नामक एक अत्यंत स्मार्ट कंप्यूटर पद्धति का उपयोग किया। कल्पना कीजिए कि आप भूसे के ढेर में एक सुई खोजने की कोशिश कर रहे हैं जो खुद भी हिल रही है। यह विधि उन्हें "फ्लिप" के प्रभाव (सुई) को अन्य चीजों (भूसे के ढेर) से अलग करने में मदद करती है जो मतदान को प्रभावित करती हैं (जैसे कि लोग कितने पुराने हैं, कितने लोगों ने मतदान किया, या बैलेट पर अन्य कौन सी दौड़ थी)। उन्होंने चार अलग-अलग चुनाव वर्षों में 37,000 से अधिक मतदान केंद्रों के डेटा का विश्लेषण किया।
यहाँ उन्हें क्या मिला: फ्लिप वास्तव में होता है, और यह गलतियों का कारण बनता है।
जब न्यायाधीशों का क्रम राष्ट्रपतिगत दौड़ की तुलना में बदल (flipped) गया, तो यह संबंध कि एक शहर ने राष्ट्रपति के लिए कैसे वोट दिया और न्यायाधीश के लिए कैसे वोट दिया, बहुत कमजोर हो गया। यह बिल्कुल वैसा ही है जैसे यदि आप आमतौर पर अपने एक दोस्त के नेतृत्व का पालन करते हैं, लेकिन अचानक आपका दोस्त कमरे के दूसरी ओर खड़ा हो जाता है, और आप गलती से गलत व्यक्ति का अनुसरण करने लगते हैं।
शोधकर्ताओं ने गणना की कि कितने लोग गलत हुए। उन्होंने अनुमान लगाया कि 12.0% डेमोक्रेटिक मतदाताओं और 15.4% रिपब्लिकन मतदाताओं ने क्रम के इस बदलाव के कारण गलत तरीके से वोट दिए। यह बहुत बड़ी संख्या है! परिप्रेक्ष्य के लिए, यदि आपके पास 100 रिपब्लिकन मतदाताओं का कमरा है जो अपनी पार्टी के जज के लिए वोट देना चाहते थे, तो लगभग 15 ने नामों के अपेक्षित क्रम में अंतर के कारण गलती से दूसरी पार्टी को वोट दे दिया।
टीम बहुत सावधान थी कि यह कोई इत्तेफाक न हो। उन्होंने एक "प्लेसबो टेस्ट" (placebo test) चलाया, जो विज्ञान के प्रयोग में एक कंट्रोल ग्रुप की तरह है। उन्होंने उन दौड़ों को देखा जहाँ पार्टी लेबल बैलेट पर दृश्यमान थे। उन मामलों में, "फ्लिप" प्रभाव गायब हो गया। इसने उनके सिद्धांत की पुष्टि की: लोग तभी भ्रमित होते हैं जब लेबल गायब होते हैं और उन्हें नाम के क्रम को एक संकेत के रूप में उपयोग करना पड़ता है। जब संकेत (लेबल) मौजूद होता है, तो यह ट्रिक काम नहीं करती।
इसलिए, पेपर यह निष्कर्ष निकालता है कि बैलेट डिज़ाइन केवल सौंदर्यशास्त्र के बारे में नहीं है; यह एक शक्तिशाली बल है जो अनजाने में चुनावी परिणामों को बदल सकता है। जब मतदाता किसी उम्मीदवार की पार्टी का अनुमान लगाने के लिए नामों के क्रम पर भरोसा करते हैं, और वह क्रम बदल जाता है, तो वोटों का एक बड़ा हिस्सा गलत दिशा में चला जाता है। लेखक सुझाव देते हैं कि यदि हम चाहते हैं कि चुनाव वास्तव में वही दर्शाएं जो लोग चाहते हैं, तो हमें नामों को पृष्ठ पर व्यवस्थित करने के बारे में सावधान रहने की आवश्यकता है, विशेष रूप से जब हम सहायक पार्टी लेबल हटा देते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।