人工智慧發現：多提後果少提全球，議案更易被美國國會採納

未來，美國的國會議員們寫了一個提案，沒準還會先讓人工智慧演算法打個分。一家美國人工智慧公司Skopos近日在《PLOS ONE》期刊上發表論文：輸入一份提案原文，外加幾個變數，人工智慧就能給出該提案通過立法的概率。

根據流程規定，一份提案首先要通過參議院或眾議院某個委員會的審議，經該院投票通過，再由兩院投票表決。此前，有些研究者也嘗試過用演算法預測提案在委員會、或在兩院之一通過的概率，效果參差不齊。Skopos的聯合創始人John Nay目標不限於此：他想要得出一份國會提案通過兩院表決、成為法律的概率。

那些想要廢除奧巴馬醫改的提案，演算法打了多少分？

Nay收集了從第103屆國會到第113屆國會（也就是1993年至2015年）的所有立法數據，包括所有提案的全文和其他一些因素，比如共同發起者的人數、提案發起的月份、提起者是否為該院多數黨成員等。

Nay使用從第103屆國會到第106屆國會的數據進行機器學習。所謂機器學習，就是給演算法輸入大量數據，並給定這些輸入值相匹配的輸出值，由演算法自己「摸索」出輸入值和輸出值之間隱藏關聯的特徵。他用經過訓練的演算法對第107屆國會的案例進行了預測。

下一步，Nay又進一步用第103屆到第107屆國會的數據訓練演算法，用於預測第108屆國會的案例，以此類推。

Nay最終得到的完整版演算法包含以下幾個部分。首先，演算法需要對提案的語言進行分析。通過辭彙與周圍辭彙的嵌入方式，演算法得以解讀這些辭彙的含義。比如，得到「獲得教育貸款」這個短語，演算法會假定「貸款」這個詞和「獲得」、「教育」都是相關的，把所有辭彙相互之間的關聯以量化的形式歸納，由此，每一個辭彙就可以用一串數字來代表。結合這些數字，演算法就可以理解每個句子的意思。

其次，一個演算法試圖找到它理解的句子「意思」和提案成功率之間的聯繫，另三個演算法尋找上下文和提案成功率之間的聯繫。

最後，一個傘形演算法綜合上述四個演算法的結果，預測提案的成功率。

僅僅預測一個提案能否成功沒什麼價值。大約有96%的提案會失敗，也就是說，你每次都猜提案都不通過，也錯不到哪裡去。因此，更重要的是預測到一個精確的概率值。畢竟，一個國會提案往往會涉及很大的利益，在這種情況下，把提案的成功率上升幾個百分點，也是意義重大的。

Nay在論文中提到，他的演算法在評估成功率時的表現，比僅僅評估提案能否成功要好上65%。

在國會的案頭，想要廢除奧巴馬醫改的提案曾一度堆積如山。這些提案在演算法那裡拿了多少分呢？雖然，按照平均估計，它們的成功率也只有4%，但演算法無情地給所有這些提案打出了更低的概率。

措辭很重要

那麼，演算法在評估提案成功率時，最重視哪些因素呢？Nay意外地發現，其實提案的文本本身就起到很大的影響。提案發起人屬於多數黨，以及提案發起人歷任多屆國會議員固然是個加分項，但對提案成功率的影響不到1%。

而就文本而言，「影響」、「後果」這樣的辭彙能提升與氣候相關的法案的成功率，而「全球」、「變暖」這些辭彙只會起到反作用。在與醫療相關的提案中，「公共醫療補助」、「再保險」這樣的詞並不討兩院議員的歡心。在與專利相關的提案中，看起來眾議院討厭「軟體」這個詞，而參議院討厭「計算」這個詞。

Nay對此感到驚訝：「我之前以為立法過程主要受黨派的影響，政策本身反而不怎麼相關。」

這種新鮮的文本分析方法，也讓許多政治學家感到眼前一亮。華盛頓大學的John Wilkerson就認為這項研究很有新意，充滿前景。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！