Lithuanian parliament legislative voting analysis and visualization
Atstovus į Lietuvos Respublikos Seimą (LRS), kuriame yra apsvarstomi ir priimami nauji įstatymai, išrenka Lietuvos piliečiai. Tačiau iškyla problemų visuomenei norint iš arčiau stebėti ir įvertinti Seimo narių darbą. Pagrindinis Seimo narių kadencijos rezultatas - balsavimas už naujus teisės aktus ar jų pakeitimus. Tai reiškia kad analizuojant balsavimus galima geriau suprasti kaip seimo narys atlieka savo pareigas. Kiekvieno Seimo nario balsai yra viešai prieinami Lietuvos Respublikos Seimo internetinėje svetainėje. Šiuo darbu siekiama šią informaciją vizualizuoti, kad būtų galima stebėti balsų pasiskirstymų modelius ir jų pasikeitimus. Taip pat yra siekiama suteikti viešą prieigą prie šių rezultatų. Darbe, analizuojant balsavimo modelius, yra naudojamas daugiamačių skalių metodas ir k-vidurkių klasterizacija. Programinė įranga, duomenų atsisiuntimas ir vizualizavimas yra parašytas naudojantis Scala. Patvirtinta jog su MDS galima atvaizduoti balsavimų pasiskirstymus dėl mažo kiekio duomenų praradimo po metodo panaudojimo. Duomenų ̨ padalinimas į laiko gabalus po 91-ną dieną buvo naudingas. Tai leido geriau suprasti kaip vieno ar kelių parlamento narių ̨ balsavimų ̨ pasiskirstymai keičiasi.
In Republic of Lithuania, public elects their representatives to a parliament in which new legislation is considered. Due to nature of politics, a problem arises once citizens want to observe and evaluate parliament members work. Main output of parliament is their votes for various legisla- tion, meaning that analyzing voting data can provide actual insight about parliament representation. Voting data is publicly available through Parliament of the Republic of Lithuania (LRS) website. This project aims to visualize voting patterns and their changes. Another goal is to provide public access to results. In the project Multidimensional scaling (MDS) [8] and k-means clustering are used to analyze voting patterns. Software to download, process and visualize data is written with Scala. MDS proved to be a decent way to visualize voting patterns due low amounts of data being lost. Splitting data into 91 days time chunks proved to be useful for understanding how single parliament member voting patterns change.