چگونه الگوریتم‌های طبقه‌بندی مجمع‌های شهروندی را با آمار جمعیتی تطبیق می‌دهند؟

طبقه‌بندی الگوریتمی با محاسبه هزاران ترکیب معتبر از اعضا و انتخاب گزینه‌ای که کمترین شانس انتخاب برای هر داوطلب را به حداکثر می‌رساند، ورودی قرعه‌کشی‌های مدنی را فیلتر می‌کند. این اصلاح ریاضیاتی ضروری است زیرا شهروندان به میزان یکسانی داوطلب نمی‌شوند و قرعه‌کشی کاملاً تصادفی مجمعی تحریف‌شده می‌سازد.[1][4]

زمانی که دولت‌ها برای حل مسائل پیچیده سیاستی مجمع‌های شهروندی تشکیل می‌دهند، به نوعی قرعه‌کشی دومرحله‌ای به نام «قرعه‌گزینی» (Sortition) تکیه می‌کنند؛ ابتدا هزاران دعوت‌نامه به آدرس‌های تصادفی ارسال شده و سپس یک پنل نهایی شامل حدود ۱۰۰ نفر از میان پاسخ‌دهندگان برگزیده می‌شود.[1][3]

آریل پروکاچیا، استاد علوم کامپیوتر در دانشگاه هاروارد، می‌گوید: «مجمع شهروندی در حالت ایده‌آل ریزجهانی از کل جامعه است. اما تحقق عملی این هدف دقیقاً به شیوه انتخاب اعضای مجمع بستگی دارد.»

مشکل بنیادین در نرخ پاسخ‌دهی است؛ داده‌های قرعه‌کشی‌های مدنی اخیر، نظیر پنل مردمی سال ۲۰۲۶ دولت اسکاتلند، نشان می‌دهد میانگین نرخ پاسخ‌دهی تنها ۴.۷ درصد است و مهم‌تر آنکه این گروه کوچک داوطلبان هرگز نمونه‌ای دقیق از کل جامعه نیستند.[2]

شهروندان مسن‌تر، ثروتمندتر و دارای تحصیلات عالی همواره بسیار بیشتر از گروه‌های جوان‌تر، کم‌درآمد یا به حاشیه رانده‌شده به دعوت‌نامه‌ها پاسخ می‌دهند. اگر برگزارکنندگان صرفاً ۱۰۰ نام تصادفی را از میان داوطلبان بیرون بکشند، ترکیب مجمع هیچ شباهتی به سرشماری واقعی کشور نخواهد داشت.[1][4]

ریاضیات برابری جمعیتی

نهادهایی مانند «بنیاد قرعه‌گزینی» (Sortition Foundation) برای رفع این اعوجاج از الگوریتم‌های طبقه‌بندی متن‌باز استفاده می‌کنند؛ این الگوریتم‌ها سهمیه‌های جمعیتی سفت‌وسختی اعمال می‌کنند تا پنل نهایی با توزیع دقیق سن، جنسیت، جغرافیا و درآمد جمعیت منطبق شود.[1][3]

اعمال سهمیه‌بندی بر مجموعه‌ای نامتوازن از داوطلبان متضمن یک پارادوکس ریاضی است: اگر یک گروه جمعیتی در میان داوطلبان بیش از حد حضور داشته باشد، شانس انتخاب تک‌تک اعضای آن گروه باید به‌طور مصنوعی کاهش یابد تا بر کل مجمع مسلط نشوند.[1][4]

در نقطه مقابل، اگر یک گروه حاشیه‌ای تنها به‌اندازه کفاف سهمیه سرشماری خود داوطلب داشته باشد، الگوریتم مجبور است تقریباً تمام آن‌ها را برگزیند؛ یعنی شانس انتخاب فردی آن‌ها به ۱۰۰ درصد نزدیک می‌شود و ریاضیات عملاً تعداد خام داوطلبان را برای بازتاب واقعیت جمعیتی بازنویسی می‌کند.[1]

در سال ۲۰۲۱، محققان دانشگاه هاروارد و دانشگاه کارنگی ملون مقاله‌ای در نشریه نیچر منتشر کردند که جزئیات الگوریتم «لکسی‌مین» (Leximin) را شرح می‌داد. این کد متن‌باز اکنون به استاندارد جهانی برای انتخاب مجمع‌های شهروندی تبدیل شده و در بیش از ۴۰ پنل بزرگ جهانی به کار گرفته شده است.[1]

محاسبه عادلانه‌ترین قرعه ممکن

الگوریتم لکسی‌مین پارادوکس انصاف را با بیشینه‌سازیِ حداقلِ شانسِ انتخاب حل می‌کند؛ نرم‌افزار به‌جای پر کردن عجولانه و تک‌به‌تک سهمیه‌ها، توزیع عظیمی از تمام پنل‌های ۱۰۰ نفره ممکنی را محاسبه می‌کند که شروط سرشماری را کاملاً برآورده می‌سازند.[1]

پس از ترسیم تمام ترکیب‌های معتبر، الگوریتم شانس انتخاب هر یک از داوطلبان را در سراسر این توزیع می‌سنجد و سپس توزیعی را انتخاب می‌کند که به محروم‌ترین فرد از نظر شانس ریاضی، بالاترین احتمال ممکن برای راه‌یابی به مجمع را بدهد.[1]

این رویکرد عدالت سراسری را تضمین می‌کند؛ هرچند به‌دلیل نابرابری در میان داوطلبان اولیه نمی‌تواند به همه شانسی یکسان بدهد، اما اطمینان می‌دهد که هیچ فردی صرفاً به‌خاطر تقاطع ویژگی‌های جمعیتی‌اش به‌صورت ریاضیاتی از فرایند حذف نشود.[1][4]

کد محرک این گزینش‌ها، از جمله سیستم‌های Panelot و StratifySelect، کاملاً متن‌باز است؛ این شفافیت به دانشمندان داده مستقل و نهادهای مدنی اجازه می‌دهد محاسبات را بازرسی کنند و مطمئن شوند قرعه‌کشی توسط دولت برگزارکننده دستکاری نشده است.[3]

مهندسی مخزن اولیه داوطلبان

با این وجود، الگوریتم توان خلق داوطلب از ناکجاآباد را ندارد؛ اگر هیچ فردی از یک قشر خاص به دعوت‌نامه اولیه پاسخ ندهد، نرم‌افزار نمی‌تواند سهمیه سرشماری آن قشر را پر کند و فرایند طبقه‌بندی با شکست روبه‌رو می‌شود.[4]

مدیران بخش عمومی برای پیشگیری از این شکست، مرحله نخست قرعه‌کشی را مهندسی می‌کنند؛ آن‌ها به‌جای ارسال کاملاً تصادفی نامه‌ها، گروه‌هایی را که نرخ پاسخ پایینی دارند بیشتر از وزن واقعی‌شان نمونه‌گیری می‌کنند تا الگوریتم داده خام لازم را در اختیار داشته باشد.[2][4]

برای پنل مردمی اسکاتلند در سال ۲۰۲۶، هشت هزار دعوت‌نامه ارسال شد؛ برای تضمین مشارکت کافی افراد کم‌درآمد، ۲۰ درصد از این نامه‌ها اختصاصاً برای آدرس‌های واقع در محروم‌ترین مناطق پستی کشور ارسال شد.[2]

این راهبرد هدفمندسازی در ارسال، پایگاه متنوعی از داوطلبان محروم را به الگوریتم می‌دهد؛ با جمع‌آوری پاسخ‌ها، نرم‌افزار وارد عمل شده و اشتیاق نامتوازن عمومی را به آینه‌ای تمام‌نما و متعادل از جامعه تبدیل می‌کند.[2][4]

آینده نمایندگی الگوریتمی

استفاده از قرعه‌گزینی الگوریتمی با شتاب بالایی رو به رشد است؛ شورای اخلاق زیستی نافیلد در انگلستان برای تشکیل هیئت‌منصفه شهروندی درباره پایان خودخواسته زندگی، از همین الگوریتم‌ها برای انتخاب ۳۴ عضو همخوان با هرم جمعیتی کشور بهره برد.

طبقه‌بندی الگوریتمی با حذف سوگیری انسانی از مرحله انتخاب نهایی، مشروعیت مجمع را حفظ می‌کند؛ شرکت‌کنندگان مطمئن هستند با روندی ریاضی و آزمون‌پذیر انتخاب شده‌اند، نه بر پایه انتصابات حزبی یا گزینش خودخواسته.[1][4]

با پیشرفته‌تر شدن این ابزارهای متن‌باز، معیارهای تقاطع هویت‌ها (Intersectional) نیز لحاظ می‌شوند؛ الگوریتم‌های جدیدتر مراقبند که پنل نه‌تنها بر اساس دسته‌های تکی مانند سن یا جنسیت، بلکه بر پایه تقاطع‌های ترکیبی مانند «زنان جوان روستایی» متوازن باشد.[1][3]

در نهایت، موفقیت یک مجمع شهروندی وابسته به قدرت آن در بازتاب صادقانه جامعه است؛ طبقه‌بندی الگوریتمی داربست ریاضیاتی مطمئنی است که ورودی نامتوازن داوطلبان را به تصویری آماری و فوق‌العاده دقیق از مردم مبدل می‌سازد.[4]

پیچیدگی پردازشی این محاسبات بسیار بالاست؛ یافتن حتی یک پنل معتبر منطبق بر ده‌ها سهمیه متقاطع کاری دشوار است و بهینه‌سازی توزیع میان هزاران پنل معتبر به فنون پیشرفته برنامه‌ریزی خطی نیاز دارد.[1]

همین پیچیدگی ضامن استحکام سازوکار است؛ نوآوران حوزه دموکراسی با اتکا به الگوریتم‌های داوری‌شده و متن‌باز اثبات می‌کنند که مجمع نهایی عادلانه‌ترین نماینده جامعه است و از دستکاری‌های انتخاباتی و جناحی کاملاً مصون مانده است.[4]

برای شهروندی که در این مجامع حاضر می‌شود، بخش زیادی از این محاسبات ناپیداست؛ او صرفاً نامه‌ای دریافت کرده، علاقه‌مندی‌اش را در سامانه یا با تماس رایگان ثبت نموده و منتظر مانده تا نامش از گردونه بیرون بیاید.[2][4]

در پشت‌صحنه اما، این قرعه‌کشی پیروزی چشمگیری برای فناوری مدنی است؛ شاهدی عملی بر اینکه چگونه می‌توان از ریاضیات پیشرفته و نرم‌افزارهای شفاف برای توانمندسازی نهادهای دموکراتیک و پاسداری از صدای همگان سود برد.[4]