آیا هوش مصنوعی میتواند به بهبود فرآیند سیاستگذاری عمومی کمک کند؟
هوش مصنوعی و تحول سیاستگذاری
کاهش اعتماد عمومی به دولت و رشد روزافزون هوش مصنوعی، دو روند کلیدی و موازی در سالهای اخیر به شمار میروند که پیامدهای ژرفی بر ساختار حکمرانی و روابط دولت و جامعه دارند. بر اساس نتایج یک نظرسنجی در مارس ۲۰۲۵، تنها ۴ درصد از مردم ایالات متحده به دولت اعتماد دارند و تنها ۱۱ درصد جامعه آمریکا را عادلانه توصیف میکنند. همچنین کمتر از ۴۰ درصد معتقد هستند که دولت تأثیر مثبتی بر زندگی روزمره آنها دارد. این ارقام نه صرفاً مجموعهای از دادههای آماری، بلکه بازتاب یک بحران عمیق در «کارآمدی سیاسی» محسوب میشود؛ بحرانی که در آن شهروندان احساس میکنند دولت نه پاسخگوی نیازهای واقعی آنان است و نه بستر معناداری برای مشارکت مؤثر در فرآیند تصمیمگیری فراهم میکند. این وضعیت به فرسایش سرمایه اجتماعی، تقویت بدبینی سیاسی و حتی کاهش مشروعیت نهادهای رسمی منجر میشود. در چنین زمینهای، پرسشی کلیدی مطرح میشود که آیا میتوان از ظرفیتهای نوظهور هوش مصنوعی بهعنوان ابزاری برای ترمیم این گسست، افزایش شفافیت و ارتقای کیفیت سیاستگذاری عمومی بهره برد؟ زاویه در این نوشتار کوتاه به بررسی یافتههای اندیشکده رند در بررسی نسبت میان هوش مصنوعی و سیاستگذاری در عصر حاضر میپردازد.
بازتعریف مسئله سیاستگذاری
به گزارش زاویه؛ یکی از نخستین گامها در این مسیر، بازنگری در تعریف «مسائل سیاستی» به شمار میرود. برخلاف مسائل فنی که اغلب پاسخی درست و واحد دارند، مسائل سیاستی دارای ماهیتی چندوجهی و پیچیده هستند و پاسخها باید مجموعهای از اهداف عمومی، محدودیتهای منابع، نیازهای ذینفعان و الزامات کاهش ریسک را پوشش دهند. به بیان دیگر، یک تصمیم سیاستی باید مسائلی از جمله رشد اقتصادی، عدالت اجتماعی، پایداری زیستمحیطی و امنیت ملی را به صورت همزمان در نظر داشته باشد. چنین ماهیتی، کار سیاستگذاری را بیشتر به حل یک معادله با چندین هدف متنوع شبیه میکند. در پژوهش اخیر اندیشکده رند، این پیچیدگیها از طریق طراحی پرامپتهای ترکیبی بازنمایی شدند؛ پرامپتهایی که شامل توصیف مستقیم اهداف و محدودیتها، مدلسازی سناریوهای محتمل و همچنین شبیهسازی ذینفعان مجازی بودند. این ذینفعان مجازی با بهرهگیری از دادهها و ویژگیهای مشخص، قادر بودند دیدگاهها و دغدغههای واقعی گروههای اجتماعی متفاوت را بازنمایی کنند. استفاده از این رویکرد امکان ارزیابی چندجانبه پیشنهادات و ایجاد تعادلی واقعیتر میان اهداف متعارض را فراهم میآورد.
الگوریتمهای فراابتکاری و سیاستگذاری
مفهوم الگوریتمهای «فراابتکاری» (Metaheuristics) در پژوهشهای عملیاتی (Operations research)، به الگوریتمهایی اطلاق میشود که با جستجو در مجموعهای از گزینهها، به دنبال بهبود تدریجی، مستمر و نظاممند راهحلها هستند. این الگوریتمها معمولا برای مسائل پیچیدهای به کار میروند که یافتن پاسخ بهینه مطلق در آنها دشوار یا حتی غیرممکن است؛ بنابراین در این فرآیند، بهجای تمرکز بر یک پاسخ نهایی، مسیرهای بهبود مرحلهای و تدریجی جستجو میشود. در این پروژه، ایده الگوریتمهای فراابتکاری به حوزه هوش مصنوعی مولد تعمیم داده شد و از آن برای طراحی چرخهای از ارزیابی و بهبود سیاستها استفاده گردید. در این رویکرد، پرامپتها به گونهای تنظیم شدند که «ذینفعان مجازی» هر بار پیشنهادات موجود را با معیارهای خاص خود، مانند کارایی، عدالت اجتماعی، هزینه–فایده یا میزان ریسک، بررسی کنند، اصلاحاتی برای بهبود ارائه دهند و مدل زبانی بزرگ تنها اصلاحاتی را بپذیرد که سطح رضایت کلی را بالا ببرد. این چرخه به شکل تکراری و پویا ادامه یافته و در نهایت به مجموعهای از پیشنهادات سیاستی منسجم، متوازن و نزدیک به واقعیت اجتماعی منجر میشود.
به عنوان نمونه، این روش در تدوین راهبرد کاهش خشونت شهری به کار گرفته شده است. در این مورد، هر یک از ذینفعان مجازی شامل نمایندگان پلیس، گروههای مدنی، خانوادهها و حتی متخصصان سلامت روان، پیشنهادات اولیه را نقد و اصلاح کردند و در هر تکرار، مدل زبانی خروجیهایی دقیقتر، جزئیتر و مبتنی بر شواهد تجربی ارائه داد. نتایج نهایی نشان داد که خروجیهای حاصل از این چرخه به مراتب غنیتر و عملیاتیتر از پاسخهای ساده و مستقیم مدلهای زبانی بودند و توانستند ابعاد مختلف مسئله، از ملاحظات امنیتی تا پیامدهای اجتماعی را همزمان پوشش دهند.
کاربردهای عملی و افقهای پیشرو
به زعم محققان اندیشکده رند، هرچند این خروجیها بهتنهایی برای سیاستگذاری نهایی کافی نیستند، اما بهعنوان نقطه آغاز بحث، کیفیت بالاتری نسبت به وضعیت موجود داشتند. در همین راستا، مسیر آینده برای توسعه چنین رویکردهایی میتواند شامل موارد زیر باشد:
• استفاده از الگوریتمهای فراابتکاری پیشرفتهتر و تکنیکهای متنوع پژوهشهای عملیاتی
• طراحی و شبیهسازی دقیق ذینفعان مجازی با ویژگیهای متمایز
• بهرهگیری از دانش تخصصی عمیق و دادههای غنیتر
• توسعه رویکردهای «عاملمحور» (Agentic AI) برای افزایش خودمختاری در تولید و بهبود پیشنهادات
به عقیده کارشناسان، در افق بلندمدت، ترکیب هوش مصنوعی با روشهای پژوهش عملیاتی میتواند فرآیند تدوین و اتخاذ سیاست را شتاب بخشد و با نیازها و محدودیتهای واقعی همراستا سازد. علاوه بر این، توانایی هوش مصنوعی در جمعبندی و تحلیل بازخوردهای گسترده عمومی و کارشناسی، امکان برگزاری رویدادهای مشارکتی در مقیاس وسیع برای تولید و بازنگری سیاستها را فراهم میسازد.
تقویت مشارکت عمومی
در بسیاری از کارگاهها و نشستهای سیاستگذاری، مشارکتکنندگان نقشی محدود یا صرفا مشورتی دارند و عملا خروجی نهایی بدون بازتاب واقعی دیدگاه آنها تدوین میشود. این ضعف سبب میشود که جلسات مشارکتی بیشتر به نمادی تشریفاتی شباهت داشته باشد و شباهت چندانی به فرآیندی برای همفکری جدی نیابند. متخصصان بر این باورند که هوش مصنوعی میتواند این وضعیت را نیز متحول کند و با تولید پیشنویسهای دقیقتر، سناریوهای جایگزین و تسهیل بازنگری لحظهای متون سیاستی، امکان مشارکت واقعی و اثرگذار را فراهم نماید. چنین قابلیتی به شرکتکنندگان این فرصت را میدهد که پیشنهادات خود را بهصورت فوری در متن نهایی مشاهده کنند و با اصلاحات مستمر، نسخههای تکاملیافتهتری از سیاستها شکل گیرد. افزون بر این، ابزارهای هوش مصنوعی قادر هستند بازخوردهای انبوه عمومی را در زمانی کوتاه تحلیل و به بحثها تزریق کنند، بهگونهای که کیفیت تصمیمگیری جمعی به شکل چشمگیری ارتقا یابد. چنین تحولی میتواند به تقویت احساس کارآمدی سیاسی، افزایش حس تعلق شهروندان به فرآیند حکمرانی و در نهایت افزایش اعتماد عمومی به نهادهای سیاستگذار بینجامد. ترکیب تخصص انسانی، ظرفیتهای هوش مصنوعی، روشهای پژوهش عملیاتی و بازخوردهای عمومی، چشمانداز تازهای برای بهبود کیفیت سیاستگذاری عمومی ترسیم میکند. این ترکیب به معنای بهرهگیری همزمان از تجربه و شهود کارشناسان، قدرت محاسباتی و تحلیلی مدلهای هوش مصنوعی و توانایی الگوریتمهای فراابتکاری برای جستجوی راهحلهای نوآورانه است. تجربیات تحقیقاتی نشان داده است که حتی در مقیاس کوچک، چنین سطحی از همافزایی میتواند خروجیهایی تولید کند که نهتنها دقیقتر و شفافتر، بلکه از منظر پوشش ذینفعان نیز جامعتر از روشهای سنتی باشند. این نتایج همچنین نشان میدهد که هوش مصنوعی قادر است چرخه سیاستگذاری را از مرحله تدوین پیشنویس تا جمعآوری بازخورد و اصلاح نهایی سرعت بخشد. هرچند مسیر توسعه و پیادهسازی این الگو در مقیاس وسیع نیازمند سرمایهگذاری در زیرساختهای داده، آموزش نیروی انسانی و همکاری بین نهادهای علمی، دولتی و مدنی است، اما نویدبخش آیندهای است که در آن هوش مصنوعی میتواند بهعنوان یک دستیار توانمند، فرآیندهای سیاستگذاری را شفاف، مشارکتی، پاسخگو و کارآمدتر از گذشته سازد.
بازتعریف مسئله سیاستگذاری
به گزارش زاویه؛ یکی از نخستین گامها در این مسیر، بازنگری در تعریف «مسائل سیاستی» به شمار میرود. برخلاف مسائل فنی که اغلب پاسخی درست و واحد دارند، مسائل سیاستی دارای ماهیتی چندوجهی و پیچیده هستند و پاسخها باید مجموعهای از اهداف عمومی، محدودیتهای منابع، نیازهای ذینفعان و الزامات کاهش ریسک را پوشش دهند. به بیان دیگر، یک تصمیم سیاستی باید مسائلی از جمله رشد اقتصادی، عدالت اجتماعی، پایداری زیستمحیطی و امنیت ملی را به صورت همزمان در نظر داشته باشد. چنین ماهیتی، کار سیاستگذاری را بیشتر به حل یک معادله با چندین هدف متنوع شبیه میکند. در پژوهش اخیر اندیشکده رند، این پیچیدگیها از طریق طراحی پرامپتهای ترکیبی بازنمایی شدند؛ پرامپتهایی که شامل توصیف مستقیم اهداف و محدودیتها، مدلسازی سناریوهای محتمل و همچنین شبیهسازی ذینفعان مجازی بودند. این ذینفعان مجازی با بهرهگیری از دادهها و ویژگیهای مشخص، قادر بودند دیدگاهها و دغدغههای واقعی گروههای اجتماعی متفاوت را بازنمایی کنند. استفاده از این رویکرد امکان ارزیابی چندجانبه پیشنهادات و ایجاد تعادلی واقعیتر میان اهداف متعارض را فراهم میآورد.
الگوریتمهای فراابتکاری و سیاستگذاری
مفهوم الگوریتمهای «فراابتکاری» (Metaheuristics) در پژوهشهای عملیاتی (Operations research)، به الگوریتمهایی اطلاق میشود که با جستجو در مجموعهای از گزینهها، به دنبال بهبود تدریجی، مستمر و نظاممند راهحلها هستند. این الگوریتمها معمولا برای مسائل پیچیدهای به کار میروند که یافتن پاسخ بهینه مطلق در آنها دشوار یا حتی غیرممکن است؛ بنابراین در این فرآیند، بهجای تمرکز بر یک پاسخ نهایی، مسیرهای بهبود مرحلهای و تدریجی جستجو میشود. در این پروژه، ایده الگوریتمهای فراابتکاری به حوزه هوش مصنوعی مولد تعمیم داده شد و از آن برای طراحی چرخهای از ارزیابی و بهبود سیاستها استفاده گردید. در این رویکرد، پرامپتها به گونهای تنظیم شدند که «ذینفعان مجازی» هر بار پیشنهادات موجود را با معیارهای خاص خود، مانند کارایی، عدالت اجتماعی، هزینه–فایده یا میزان ریسک، بررسی کنند، اصلاحاتی برای بهبود ارائه دهند و مدل زبانی بزرگ تنها اصلاحاتی را بپذیرد که سطح رضایت کلی را بالا ببرد. این چرخه به شکل تکراری و پویا ادامه یافته و در نهایت به مجموعهای از پیشنهادات سیاستی منسجم، متوازن و نزدیک به واقعیت اجتماعی منجر میشود.
به عنوان نمونه، این روش در تدوین راهبرد کاهش خشونت شهری به کار گرفته شده است. در این مورد، هر یک از ذینفعان مجازی شامل نمایندگان پلیس، گروههای مدنی، خانوادهها و حتی متخصصان سلامت روان، پیشنهادات اولیه را نقد و اصلاح کردند و در هر تکرار، مدل زبانی خروجیهایی دقیقتر، جزئیتر و مبتنی بر شواهد تجربی ارائه داد. نتایج نهایی نشان داد که خروجیهای حاصل از این چرخه به مراتب غنیتر و عملیاتیتر از پاسخهای ساده و مستقیم مدلهای زبانی بودند و توانستند ابعاد مختلف مسئله، از ملاحظات امنیتی تا پیامدهای اجتماعی را همزمان پوشش دهند.
کاربردهای عملی و افقهای پیشرو
به زعم محققان اندیشکده رند، هرچند این خروجیها بهتنهایی برای سیاستگذاری نهایی کافی نیستند، اما بهعنوان نقطه آغاز بحث، کیفیت بالاتری نسبت به وضعیت موجود داشتند. در همین راستا، مسیر آینده برای توسعه چنین رویکردهایی میتواند شامل موارد زیر باشد:
• استفاده از الگوریتمهای فراابتکاری پیشرفتهتر و تکنیکهای متنوع پژوهشهای عملیاتی
• طراحی و شبیهسازی دقیق ذینفعان مجازی با ویژگیهای متمایز
• بهرهگیری از دانش تخصصی عمیق و دادههای غنیتر
• توسعه رویکردهای «عاملمحور» (Agentic AI) برای افزایش خودمختاری در تولید و بهبود پیشنهادات
به عقیده کارشناسان، در افق بلندمدت، ترکیب هوش مصنوعی با روشهای پژوهش عملیاتی میتواند فرآیند تدوین و اتخاذ سیاست را شتاب بخشد و با نیازها و محدودیتهای واقعی همراستا سازد. علاوه بر این، توانایی هوش مصنوعی در جمعبندی و تحلیل بازخوردهای گسترده عمومی و کارشناسی، امکان برگزاری رویدادهای مشارکتی در مقیاس وسیع برای تولید و بازنگری سیاستها را فراهم میسازد.
تقویت مشارکت عمومی
در بسیاری از کارگاهها و نشستهای سیاستگذاری، مشارکتکنندگان نقشی محدود یا صرفا مشورتی دارند و عملا خروجی نهایی بدون بازتاب واقعی دیدگاه آنها تدوین میشود. این ضعف سبب میشود که جلسات مشارکتی بیشتر به نمادی تشریفاتی شباهت داشته باشد و شباهت چندانی به فرآیندی برای همفکری جدی نیابند. متخصصان بر این باورند که هوش مصنوعی میتواند این وضعیت را نیز متحول کند و با تولید پیشنویسهای دقیقتر، سناریوهای جایگزین و تسهیل بازنگری لحظهای متون سیاستی، امکان مشارکت واقعی و اثرگذار را فراهم نماید. چنین قابلیتی به شرکتکنندگان این فرصت را میدهد که پیشنهادات خود را بهصورت فوری در متن نهایی مشاهده کنند و با اصلاحات مستمر، نسخههای تکاملیافتهتری از سیاستها شکل گیرد. افزون بر این، ابزارهای هوش مصنوعی قادر هستند بازخوردهای انبوه عمومی را در زمانی کوتاه تحلیل و به بحثها تزریق کنند، بهگونهای که کیفیت تصمیمگیری جمعی به شکل چشمگیری ارتقا یابد. چنین تحولی میتواند به تقویت احساس کارآمدی سیاسی، افزایش حس تعلق شهروندان به فرآیند حکمرانی و در نهایت افزایش اعتماد عمومی به نهادهای سیاستگذار بینجامد. ترکیب تخصص انسانی، ظرفیتهای هوش مصنوعی، روشهای پژوهش عملیاتی و بازخوردهای عمومی، چشمانداز تازهای برای بهبود کیفیت سیاستگذاری عمومی ترسیم میکند. این ترکیب به معنای بهرهگیری همزمان از تجربه و شهود کارشناسان، قدرت محاسباتی و تحلیلی مدلهای هوش مصنوعی و توانایی الگوریتمهای فراابتکاری برای جستجوی راهحلهای نوآورانه است. تجربیات تحقیقاتی نشان داده است که حتی در مقیاس کوچک، چنین سطحی از همافزایی میتواند خروجیهایی تولید کند که نهتنها دقیقتر و شفافتر، بلکه از منظر پوشش ذینفعان نیز جامعتر از روشهای سنتی باشند. این نتایج همچنین نشان میدهد که هوش مصنوعی قادر است چرخه سیاستگذاری را از مرحله تدوین پیشنویس تا جمعآوری بازخورد و اصلاح نهایی سرعت بخشد. هرچند مسیر توسعه و پیادهسازی این الگو در مقیاس وسیع نیازمند سرمایهگذاری در زیرساختهای داده، آموزش نیروی انسانی و همکاری بین نهادهای علمی، دولتی و مدنی است، اما نویدبخش آیندهای است که در آن هوش مصنوعی میتواند بهعنوان یک دستیار توانمند، فرآیندهای سیاستگذاری را شفاف، مشارکتی، پاسخگو و کارآمدتر از گذشته سازد.
