🤖 AI

Algorithmic Approaches to Opinion Selection for Online Deliberation: A Comparative Study

تقوم هذه الورقة بوضع معايير مرجعية للاستراتيجيات الخوارزمية القائمة لاختيار الآراء في المداولات عبر الإنترنت، وتقترح خوارزمية جديدة مستوحاة من نظرية الاختيار الاجتماعي تحقق تجريبياً أقوى توازن بين التمثيل النسبي والتنوع، مما يعالج خطر محو أصوات الأقليات بسبب الأتمتة الخوارزمية.

المؤلفون الأصليون: Salim Hafid, Manon Berriche, Jean-Philippe Cointet

نُشر 2026-02-18

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Salim Hafid, Manon Berriche, Jean-Philippe Cointet

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تستضيف اجتماعاً عاماً ضخماً لبلدة تضم 1,000 شخص. الجميع لديهم رأي، أو قصة، أو اقتراح لمشاركته. وبحلول نهاية الليلة، أصبح لديك جبل من 5,000 ملاحظة لاصقة على الحائط.

الآن، تخيل أنك بحاجة لتقديم "أفضل 5" أفكار أكثر أهمية إلى العمدة، الذي لا يملك سوى 5 دقائق للاستماع.

المشكلة:
إذا اخترت ببساطة أكثر 5 ملاحظات شعبية (تلك التي حصلت على أكبر عدد من النقاط)، فقد تفوتك الأصوات الهادئة ولكن الحاسمة لمجموعة صغيرة. وإذا حاولت اختيار 5 ملاحظات مختلفة تماماً لمجرد أن تكون "متنوعاً"، فقد ينتهي بك الأمر بتجاهل 60% من الناس الذين اتفقوا جميعاً على قضية كبرى واحدة. وإذا حاولت إيجاد "أرضية مشتركة" لإرضاء الجميع، فقد ينتهي بك الأمر بـ 5 أفكار مملة ومخففة لا يهتم بها أحد حقاً.

هذا هو تحدي المداولة عبر الإنترنت (Online Delimitation). كيف تختار خوارزمياً ملخصاً صغيراً وعادلاً وممثلاً لآراء حشد هائل؟

حل الورقة البحثية:
الباحثون في هذه الورقة يشبهون "الوسطاء الرقميين". لقد اختبروا برامج كمبيوتر مختلفة (خوارزميات) لمعرفة أي منها يؤدي أفضل مهمة في اختيار تلك الـ "5 الأفضل" دون استبعاد أحد أو تكرار نفس الفكرة مرتين.

إليك تفصيل لنتائجهم باستخدام تشبيهات بسيطة:

1. الطرق القديمة (النماذج المرجعية)

اختبر الباحثون ثلاث طرق شائعة تستخدمها أجهزة الكمبيوتر عادةً لاختيار الآراء:

"مسابقة الشعبية" (التفاعل - Engagement):
- كيف تعمل: يختار الكمبيوتر الملاحظات الخمس التي حصلت على أكبر عدد من الأصوات.
- العيب: إنها تشبه برامج تلفزيون الواقع. الأصوات الأعلى والأكثر شعبية هي التي تفوز، ويتم محو المجموعات الأقلية (الأفكاء "المتخصصة" أو "النيش") تماماً. إنها فعالة، لكنها ليست عادلة.
"باني الجسور" (التجسير - Bridging):
- كيف تعمل: يبحث الكمبيوتر عن الأفكار التي يتفق عليها الجميع، حتى لو كانوا أعداءً في العادة. إنه يحاول إيجاد أرضية مشتركة.
- العيب: هي رائعة لتحقيق السلام، لكنها غالباً ما تتجاهل الأفكار "المزعزعة" أو "الجذرية" الضرورية لنقاش صحي. إنها تسطّح المحادثة لتجنب الصراع.
"الخلاط" (التنوع - Diversity):
- كيف تعمل: يحاول الكمبيوتر اختيار 5 ملاحظات مختلفة عن بعضها البعض قدر الإمكان.
- العيب: قد يختار 5 أفكار غريبة وغير شعبية فقط ليكون مختلفاً، مما يترك غالبية الحشد يشعرون بعدم التمثيل.

2. البطل الجديد: "DiverseBJR"

ابتكر المؤلفون خوارزمية جديدة تسمى DiverseBJR. فكر في هذا كـ "طباخ يضع العدالة أولاً".

الوصفة:
1. قاعدة "الحصة العادلة" (BJR): أولاً، تضمن الخوارزمية أنه إذا شكلت مجموعة من الناس 20% من الحشد، فيجب أن يحصلوا تقريباً على 20% من أماكن "الخمسة الأفضل". الأمر يشبه تقطيع البيتزا بحيث تحصل كل قطعة من الفطيرة على حصة عادلة من الإضافات، وليس فقط الأشخاص الذين صرخوا بصوت أعلى.
2. قاعدة "لا للتكرار" (التنوع): بمجرد تخصيص الحصص العادلة، تتحقق الخوارزمية: "هل هذه الأفكار الخمسة مختلفة حقاً؟" إذا كانت فكرتان متشابهتين تقريباً (مثل ملاحظتين تقولان "نحتاج المزيد من المتنزهات")، فإنها تستبدل إحداهما بفكرة مختلفة تماماً (مثل "نحتاج مدارس أفضل") لضمان أن القائمة النهائية تغطي كامل طيف الأفكار.

3. النتائج: لماذا يهم هذا؟

أجرى الباحثون هذه التجربة على بيانات حقيقية من نقاشات سياسية حول الاحتجاجات. وإليكم ما وجدوه:

المجموعات الصغيرة هي الأكثر أهمية: عندما يكون لديك مساحة لعدد صغير جداً من الآراء فقط (مثل 2 أو 3)، تكون الخوارزمية الجديدة بطلاً خارقاً. فهي تنجح في تضمين أصوات الأقلية و الحفاظ على تنوع القائمة، دون الحاجة للتضحية بصوت الأغلبية.
"النقطة المثالية": طريقة "الشعبية" القدية تفشل في تحقيق العدالة. وطريقة "الجسر" تفشل في تحقيق التنوع. أما طريقة DiverseBJR الجديدة فتجد "منطقة غولديلوكسس" (المنطقة المثالية). فهي تعطيك قائمة صغيرة بما يكفي لتكون قابلة للقراءة، ولكنها عادلة بما يكفي بحيث لا يشعر أحد بأنه مُسكت.

الاستعارة الكبرى
تخيل أنك تقوم بتنسيق معرض متحفي عن حرب ما.

خوارزمية الشعبية ستعرض فقط خطابات الجنرالات.
خوارزمية التنوع ستعرض 5 قطع أثرية عشوائية وغير مترابطة لا تحكي قصة متماسكة.
خوارزمية الجسر ستعرض فقط معاهدات السلام، متجاهلة المعارك.
خوارزمية DiverseBJR تضمن لك وجود رسالة جندي، ومذكرات مدني، وخريطة جنرال، وملصق ناشط سلام. إنها تضمن أن كل "فصيل" رئيسي في القصة يحصل على مكان على الجدار، لكنها تضمن أيضاً ألا تكون المعروضات مجرد 5 نسخ من نفس رسالة الجندي.

في الختام:
تثبت هذه الورقة البحثية أننا لسنا مضطرين للاختيار بين "العدالة" و"التنوع". من خلال استخدام القليل من الرياضيات من نظرية الاختيار الاجتماعي (دراسة التصويت)، يمكننا بناء أنظمة كمبيوتر تختار تلقائياً أفضل وأعدل وأكثر الملخصات إثارة للاهتمام لنقاشاتنا الجماعية. هذا أمر بالغ الأهمية لمستقبل الديمقراطية عبر الإنترنت، لضمان أنه عندما نصوت أو نتناقش عبر الإنترنت، لا يقوم الكمبيوتر عن طريق الخطأ بإسكات الأصوات الهادئة.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "النهج الخوارزمية لاختيار الآراء في المداولات عبر الإنترنت: دراسة مقارنة".

1. بيان المشكلة

في منصات المداولة عبر الإنترنت (مثل Pol.is وRemesh)، يولد المشاركون كميات هائلة من الآراء، والانتقادات، والمقترحات ذات الصيغة الحرة. لا يستطيع الميسرون البشريون معالجة جميع المدخلات لإنشاء تقارير سهلة الاستيعاب لأصحاب المصلحة. وبناءً على ذلك، يتم استخدام الاختيار الخوارزمي لاختيار مجموعة فرعية ممثلة ( $k$ ) من مجموعة أكبر ( $m$ ).

يتمثل التحدي الجوهري في أن استراتيجيات الاختيار الحالية غالبًا ما تعطي الأولوية لأهداف ديمقراطية محددة، ومتضاربة أحيانًا:

الإجماع/الشعبية: إن اختيار الآراء الأكثر شعبية (مثل "التفاعل" أو "الجسور") غالبًا ما يتجاهل أصوات الأقليات ويقلل من تنوع المحتوى.
التنوع: اختيار آراء متنوعة قد يفشل في ضمان التمثيل النسبي، مما يعني أن المجموعات الكبيرة من الناخبين قد لا يكون لها رأي يمثل وجهات نظرها في المجموعة الفرعية المختارة.
الفجوة: هناك نقص في المقارنة المنهجية لهذه الاستراتيجيات مقابل المتطلبات الديمقراطية، ولا توجد خوارزمية حالية توازن بفعالية بين التمثيل النسبي (ضمان تمثيل مجموعات الأقليات) وبين التنوع (ضمان أن تكون الآراء المختارة متميزة وغير متكررة).

2. المنهجية

الإطار النظري

يؤطر المؤلفون المشكلة كمسألة انتخاب لجنة قائمة على الموافقة (Approval-Based Committee Election).

المدخلات: مجموعة من $n$ مستخدم و $m$ من الآراء. يقدم المستخدمون ملف تعريف موافقة ثنائي ( $A_u \subseteq [m]$ ).
الهدف: اختيار مجموعة فرعية $S \subseteq [m]$ بحجم $k$ .
البديهيات المستخدمة: تستفيد الدراسة من نظرية الاختيار الاجتماعي (Social Choice Theory)، وتحديدًا:
- التمثيل المبرر (Justified Representation - JR): يضمن أن أي مجموعة متماسكة بحجم $\ge n/k$ لديها رأي واحد على الأقل معتمد في $S$ .
- التمثيل المبرر المتوازن (Balanced Justified Representation - BJR): نسخة أقوى تتطلب تخصيص الآراء المختارة للمستخدمين بطريقة متوازنة (كل رأي يمثل تقريبًا $n/k$ من المستخدمين)، مما يمنع هيمنة عدد قليل من العناصر الشعبية على التمثيل.

الخوارزمية المقترحة: DiverseBJR

يقترح المؤلفون DiverseBJR، وهي قاعدة اختيار جديدة تدمج BJR مع قيود التنوع.

الآلية: تستخدم نهجًا جشعًا (Greedy) من مرحلتين (مشابه لـ GreedyCC):
1. المرحلة الأولى (تلبية BJR): اختيار الآراء بشكل تكراري لتلبية "ميزانيات BJR" (ضمان أن كل رأي مختار يمثل حصة محددة من المستخدمين).
2. المرحلة الثانية (ملء الفراغات): ملء المناصب المتبقية إذا لم تستطع المرحلة الأولى تلبية الحصة المطلوبة.
دمج التنوع:
- كسر التعادل: عندما تحقق آراء متعددة ميزانية BJR الحالية، تقوم الخوارزمية بكسر التعادل من خلال تفضيل الآراء التي تمتلك عددًا أقل من "الجيران- $\epsilon$ " (الآراء المتشابهة جدًا بناءً على مسافة هامينج لمتجهات الموافقة).
- عدم الأهلية: بعد اختيار رأي ما، يتم وضع علامة "غير مؤهل" على جيرانه- $\epsilon$ لعمليات الاختيار المستقبلية فقط إذا أكد فحص الجدوى (محاكي جشع) أنه لا يزال من الممكن تلبية قيود BJR المتبقية.
مقياس المسافة: يستخدم مسافة هامينج المعيارية (Normalized Hamming Distance) على متجهات الموافقة. بخلاف تشابه "جيكارد"، تعامل مسافة هامينج حالات "عدم الموافقة" المشتركة (الأصفار) كمعلومات مفيدة، مما يلتقط أنماط الدعم والمعارضة معًا.

مقاييس التقييم

تقيم الدراسة الخوارزميات مقابل خمسة معايير ديمقراطية:

عدم التمثيل (الفردي والجماعي): نسبة المستخدمين/المجموعات التي ليس لديها رأي معتمد في $S$ .
الإجماع: أقصى اتفاق بين المجموعات (Maximin cross-group agreement) (هل تحتوي المجموعة على رأي توافق عليه جميع المجموعات؟).
فجوة التغطية (Coverage Gap - CG): أقصى مسافة بين أي رأي غير مختار وأقرب رأي مختل إليه (يقيس مدى جودة تغطية $S$ لفضاء الآراء).
التكرار (Redundancy): نسبة الآراء المختارة التي تعتبر "نسخًا مكررة" (ضمن مسافة $\epsilon$ من رأي آخر مختار).
الرفاهية الاجتماعية (Social Welfare): إجمالي عدد الموافقات المغطاة.

الإعداد التجريبي

مجموعات البيانات:
1. مجموعة بيانات Remesh "القضايا المستقطبة": حوارات عامة أمريكية واقعية حول حقوق الاحتجاج (N $\approx$ 300). تتضمن مصفوفات موافقة مستنتجة. مقسمة إلى أسئلة "مثيرة للجدل" و"توافقية".
2. الجمعية المواطنية الافتراضية (المملكة المتحدة): مجموعة بيانات ذات أصوات مرصودة بالكامل (لا تتطلب استنتاجًا) للتحقق من المتانة.
النماذج المرجعية (Baselines):
- القائمة على الإجماع: التفاعل (الشعبية)، الجسور (أقصى اتفاق بين المجموعات).
- القائمة على التنوع: تقليل فجوة التغطية بشكل جشع.
- المقيدة بالتمثيل: تقريبات لـ JR و BJR.
- الخاص بنا: DiverseBJR.
- التحكم: الاختيار العشوائي و ChatGPT (Zero-shot) (استُبعد الأخير من النتائج الرئيسية بسبب مشاكل في حجم البيانات).

3. المساهمات الرئيسية

التقييم المنهجي: أول مقارنة شاملة لاستراتيجيات اختيار الآراء الخوارزمية (الإجماع، التنوع، JR، BJR) باستخدام مقاييس مصممة للمداولات الديمقراطية.
خوارزمية مبتكرة (DiverseBJR): خوارزمية تطبق بديهيات الاختيار الاجتماعي (BJR) مع تحسين التنوع صراحةً دون انتهاك ضمانات التمثيل النسبي.
الدليل التجريبي: تُظهر أن لا توجد استراتيجية واحدة تهيمن على جميع المقاييس، ولكن DiverseBJR تقدم أفضل مقايضة للمجموعات الفرعية الصغيرة ( $k \approx 1-5$ )، وهو أمر نموذجي لتقارير المداولة.
المصدر المفتوح: إصدار الكود وبروتوكولات التقييم لتسهيل الأبحاث المستقبلية واعتماد الممارسين.

4. النتائج

ركزت التجارب على الأسئلة المثيرة للجدل حيث يكون الاختيار أكثر صعوبة:

التمثيل: تتفوق الخوارمازميات المقيدة بالتمثيل (JR، BJR، DiverseBJR) بشكل كبير على الطرق القائمة على الإجماع (التفاعل، الجسور) في تقليل عدد المستخدمين غير الممثلين، خاصة عند قيم $k$ الصغيرة. تحقق DiverseBJR أقوى المكاسب المبكرة.
التغطية والتنوع:
- تحقق خوارزميات التنوع الصرفة أدنى فجوة تغطية (أفضل تغطية للفضاء) ولكنها تفشل في ضمان التمثيل النسبي.
- تحقق DiverseBJR فجوة تغطية قريبة من خوارزميات التنوع الصرفة مع الحفاظ على ضمانات التمثيل العالية لـ BJR.
التكرار:
- تختار الطرق القائمة على الإجماع (التفاعل) آراءً متكتلة ومكررة للغاية.
- تقلل DiverseBJR التكرار بشكل كبير مقارنة بـ BJR والتفاعل، مما ينشر الاختيارات عبر فضاء الآراء.
الإجماع: تحافظ DiverseBJR على مستويات إجماع مماثلة لـ Engagement و BJR، مما يثبت أن فرض النسبية والتنوع لا يؤدي بالضرورة إلى التضحية بالقبول الواسع.
المقايضة: توفر DiverseBJR أفضل حد كفاءة (Pareto frontier) للمجموعات الصغيرة $k$ : فهي تحسن التمثيل النسبي مقارنة بنماذج التنوع مع الحفاظ على تغطية عالية وتكرار منخفض.

5. الأهمية والأثر

النزاهة الديمقراطية: تسلط الدراسة الضوء على أن الاختيار الآلي ليس محايدًا؛ فهو يشكل نتائج المداولة. استخدام خوارزميات تتجاهل تمثيل الأقليات (مثل الشعبية المحضة) يمكن أن يقوض الشرعية الديمقراطية.
التطبيق العملي: بالنسبة لمنصات مثل Remesh أو Pol.is، توفر DiverseBJR حلاً قابلاً للتطبيق لإنشاء تقارير "سهلة الاستيعاب" تكون ممثلة (عادلة لجميع المجموعات) ومتنوعة (تغطي كامل طيف الآراء دون تكرار).
التقدم النظري: تجسر الورقة الفجوة بين نظرية الاختيار الاجتماعي (التي توفر ضمانات العدالة) وأنظمة التوصية (التي تحسن التنوع)، مما يخلق إطارًا هجينًا مناسبًا للسياقات الديمقراطية عالية المخاطر.
الاتجاهات المستقبلية: يقترح المؤلفون نشر هذه الخوارزميات في بيئات المداولة الحية لمراقبة التأثيرات السلوكية في العالم الحقيقي، متجاوزين مجرد المحاكاة غير المتصلة بالإنترنت.

باختصار، تجادل الورقة بأنه لكي تكون المداولة عبر الإنترنت ديمقراطية حقًا، يجب أن تنتقل خوارزميات الاختيار إلى ما وراء مجرد قواعد الشعبية أو التنوع البسيطة. بدلاً من ذلك، يجب أن تتبنى قواعد مستوحاة من الاختيار الاجتماعي مثل DiverseBJR التي تضمن رياضياً التمثيل النسبي مع تعزيز تنوع مجموعة الآراء المختارة بفعالية.