Latvijas Sociologu asociācijas 14. Saeimas vēlēšanu totalizatora rezultāti
<p>Latvijas Sociologu asociācijas 14. Saeimas vēlēšanu totalizatora rezultāti<br> -------------------------------------------------------------------------------------------------<br> Latvijas Sociologu asociācija (LSA) kārtējo reizi rīkoja Saeimas vēlēšanu totalizatoru. 14. Saeimas prognožu spēlē, kurā aicinājām piedalīties ikkatru, kā allaž tiešsaistes anketā bija jāsniedz atbilde uz trim jautājumiem: "Kāda būs vēlētāju aktivitāte?" un "Cik % balsu iegūs populārākā partija?", kā arī jānovērtē, kuras partijas iekļūs Saeimā.</p> <p>Apkopojot iesniegtās atbildes, publicējam 10 īstajiem vēlēšanu rezultātiem tuvāko prognozētāju vārdus (piekto un astoto vietas ir dalījuši divi).</p> <p>Visgrūtāk gājis ar pēdējo jautājumu. Pat labākie no prognozētājiem bija kļūdījušies ar trim partijām. Tikai divi no 41 respondenta bija norādījuši, ka "Saskaņa" neiekļūs Saeimā.</p> <p>Šoreiz uzvarētājs ir respondents, kurš sevi dēvē par Ivaru Austeru, bet kā nodarbošanos norādījis -- 'mazliet naivs'. Iespējams, tas ir LU Pedagoģijas, psiholoģijas un mākslas fakultātes psiholoģijas profesors Ivars Austers.</p> <p> </p> <p> UZVARĒTĀJI</p> <p>Vieta Vārds, nodarbošanās</p> <p>1 Ivars Austers (mazliet naivs)<br> 2 Līvis Lāma (vadības konsultants)<br> 3 Stūrī Klāvs (mākslinieks)<br> 4 Zanda (socioloģe)<br> 5 Ērika Tālberga (Nacionālās kultūras mantojuma pārvaldes speciālists)<br> 5 Nita Jirgensone (sociologs)<br> 6 [anonīms]<br> 7 Arnis B<br> 8 Roberts Veics (analītiķis)<br> 8 Uldis Gedra (radio producents)</p> <p>2022. gada 29. okt.</p> <p>Anonimizēti dati un totalizatora metodoloģija publicēta:<br> <a href="https://doi.org/10.5281/zenodo.7263528">https://doi.org/10.5281/zenodo.7263528</a></p> <p>Totalizatora rezultātu ziņa publicēta:<br> <a href="http://sociologija.lv">http://sociologija.lv</a><br> <a href="https://www.facebook.com/LatSocAsoc">https://www.facebook.com/LatSocAsoc</a></p> <p>Saite uz anonimizētiem datiem (online google spreadsheet):<br> <a href="https://docs.google.com/spreadsheets/d/1SVJq_StYOZ3r6h7BYA47_WhbzzHM4dxjHGkozxl_cSI/edit?usp=sharing">https://docs.google.com/spreadsheets/d/1SVJq_StYOZ3r6h7BYA47_WhbzzHM4dxjHGkozxl_cSI/edit?usp=sharing</a></p>
ShareScore
40/100
Overall dataset sharing score
Score breakdown
These five areas show where the dataset supports — or may limit — practical reuse.
- Stewardship
- 8
- Harmonization
- 4
- Access
- 16
- Reuse readiness
- 8
- Engagement
- 4