The Eurovision Song Contest (ESC) is an annual event which attracts millions of viewers. It is an interesting activity to examine since the participants of the competition represent a particular country's musical performance that will be awarded a set of scores from other participating countries based upon a quality assessment of a performance. There is a question of whether the countries will vote exclusively according to the artistic merit of the song, or if the vote will be a public signal of national support for another country. Since the competition aims to bring people together, any consistent biases in the awarding of scores would defeat the purpose of the celebration of expression and this has attracted researchers to investigate the supporting evidence for biases. This paper builds upon an approach which produces a set of random samples from an unbiased distribution of score allocation, and extends the methodology to use the full set of years of the competition's life span which has seen fundamental changes to the voting schemes adopted. By building up networks from statistically significant edge sets of vote allocations during a set of years, the results display a plausible network for the origins of the culture anchors for the preferences of the awarded votes. With 60 years of data, the results support the hypothesis of regional collusion and biases arising from proximity, culture and other irrelevant factors in regards to the music which that alone is intended to affect the judgment of the contest.


翻译:欧洲电视歌曲比赛(ESC)是一年一度的活动,吸引了数百万观众,这是一个令人感兴趣的活动,因为比赛参与者代表了某个特定国家的音乐表演,将根据对表演质量的评估,从其他参加国获得一组分数;有一个问题,即国家是否将完全根据歌曲的艺术功绩投票,还是投票将是国家支持另一个国家的公开信号;由于竞赛的目的是将人们聚集在一起,在授予得分方面的任何一贯偏见都会破坏庆祝表态的目的,这吸引了研究人员调查偏见的佐证证据;这份论文基于一种方法,从公正分配得分中产生一套随机样本,并将使用竞争整个年数的方法扩大到对投票计划有根本改变的整套方法;通过在一组年中从具有重要统计意义的选票分配优势的网络建立网络,结果显示文化起源的网络将有利于支持赢得的选票。60年的数据显示,结果支持了从公正分配得分中产生一套随机样本,从而扩大了竞争年限的全年时间范围,使投票计划发生了根本性的变化;通过在一组年中建立网络,从统计上看具有显著优势的分数,结果显示文化起源的网络将支持选择获得得票。

0
下载
关闭预览

相关内容

数据可视化是通过利用人类视觉系统来获取大型复杂数据集的关键。数据可视化利用计算机图形来提供可视化的概述、探索、分析和呈现通常难以理解的现象。国际可视化研讨会(EuroVis)的目标是促进可视化研究人员和从业人员之间的交流,并吸引更多欧洲的研究人员和行业合作伙伴进入这一快速增长的研究领域。EuroVis的范围已扩展到包括可视化的所有领域,并且稳定地扩展了可见性,从而实现了更广泛的影响。 官网地址:http://dblp.uni-trier.de/db/conf/vissym/
元学习与图神经网络逻辑推导,55页ppt
专知会员服务
128+阅读 · 2020年4月25日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
开源书:PyTorch深度学习起步
专知会员服务
50+阅读 · 2019年10月11日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
实验室论文被 ASE 2019 录用
inpluslab
16+阅读 · 2019年8月9日
已删除
AI掘金志
7+阅读 · 2019年7月8日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
ICML2019机器学习顶会接受论文列表!
专知
10+阅读 · 2019年5月12日
人工智能 | ISAIR 2019诚邀稿件(推荐SCI期刊)
Call4Papers
6+阅读 · 2019年4月1日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
计算机类 | ISCC 2019等国际会议信息9条
Call4Papers
5+阅读 · 2018年12月25日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
【论文】图上的表示学习综述
机器学习研究会
14+阅读 · 2017年9月24日
Arxiv
45+阅读 · 2019年12月20日
Arxiv
12+阅读 · 2019年3月14日
Arxiv
4+阅读 · 2019年1月14日
VIP会员
相关VIP内容
元学习与图神经网络逻辑推导,55页ppt
专知会员服务
128+阅读 · 2020年4月25日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
开源书:PyTorch深度学习起步
专知会员服务
50+阅读 · 2019年10月11日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
相关资讯
实验室论文被 ASE 2019 录用
inpluslab
16+阅读 · 2019年8月9日
已删除
AI掘金志
7+阅读 · 2019年7月8日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
ICML2019机器学习顶会接受论文列表!
专知
10+阅读 · 2019年5月12日
人工智能 | ISAIR 2019诚邀稿件(推荐SCI期刊)
Call4Papers
6+阅读 · 2019年4月1日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
计算机类 | ISCC 2019等国际会议信息9条
Call4Papers
5+阅读 · 2018年12月25日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
【论文】图上的表示学习综述
机器学习研究会
14+阅读 · 2017年9月24日
Top
微信扫码咨询专知VIP会员