🧒 初中生也能看懂的版本
① 研究背景（为什么要做？）
你可能听说过一种新的公共协商方式：把一个议题放到网上，让成千上万人自由提出主张，再让大家给别人的主张点“赞成”或“反对”。台湾曾用这种方式（平台叫 Polis）讨论过如何监管优步；联合国也用类似平台（Remesh）做过和平建设的意见征集。
这套方法有个绕不过去的技术问题。假设有 5 万人参与，一共提出了 4000 条主张，没有人能把 4000 条全部看完并投票。每个人实际上只看了其中很小一部分。结果就是，你得到的那张“谁赞成什么”的表格，绝大部分格子是空的。
于是平台就用算法来猜：如果这个人看到了那条他没看过的主张，他会赞成还是反对？这个任务叫偏好推断。
问题来了。这些被猜出来的票，会和真实投的票混在一起，用来判断哪些主张获得了共识、社会分成了几个意见群体、最后向决策者汇报什么。也就是说，算法猜错的部分，会直接改变一场公共协商在决策者眼里的样子。这篇论文要说的是：这一步远远不是中立的技术操作。
② 研究问题（要回答什么？）
作者提出的核心问题是：我们该怎么判断一个偏好推断算法是“忠实”还是“扭曲”？
目前业界的评价标准很简单：看猜得准不准。但作者用一个例子说明了这个标准为什么不够。
假设有 A、B 两个群体：A 支持主张 1、反对主张 2；B 恰好相反。现在来了一个算法，它对两个群体、两条主张都预测“50% 支持”。用传统的公平性指标看，这个算法毫无问题——它对两个群体一样不准，没有歧视谁。但它把整场协商最核心的东西抹掉了：原本针锋相对的两个群体，现在看起来一模一样。
作者由此提出，一个民主意义上合格的算法必须避开两种失败：一种是“人为共识”，把真实的政治冲突抹平，制造出大家都同意的假象；另一种是“人为冲突”，把本来同意的人拆散，制造出不存在的分歧。
这背后有个来自审议民主理论的概念叫元共识：好的协商不需要消灭分歧，但必须把分歧准确地组织和呈现出来。
③ 研究方法（怎么做的？）
作者做了三件事。
第一件是造尺子。他们设计了四个新指标，分别从两个方向检查算法有没有扭曲现实。
看主张这一侧：认可率命中率——把每条主张的真实支持比例算出一个统计上的合理区间，看算法给出的比例落不落在里面。落不进去，说明它给出的支持度在统计上就不可信。
看人这一侧：共识扭曲度——分群体看支持率有没有被歪曲；作者特意取各群体里最严重的那个偏差，理由很实在：只要有一个群体的支持率被严重误报，关于“跨群体共识”的判断就已经是误导性的了。社群稳定性——把投票矩阵看成一张图，检查原本聚在一起的意见群体，在算法补完之后还在不在。
第二件是造数据集。他们整理并公开了四场协商的数据，覆盖近 9 万参与者、100 万张票、22 种语言。其中规模最大的一场叫 eurhope（关于欧洲的未来），有 89 万票、5.4 万参与者——比此前公开的最大数据集还要多八倍的参与者，而且是第一个多语种的。这直接补上了该领域数据严重偏英语的缺口。
第三件是把各种主流算法拉出来比一遍：协同过滤、基于文本嵌入的最近邻、因子分解机（含专门为此任务设计的 STUMP）、图神经网络（SBGCL），还有直接用大模型做上下文学习的方法。数据按 70-15-15 切分成训练、验证、测试集。
④ 结果（发现了什么？）
结果显示，预测准确率最高的那个模型，恰恰也是最容易歪曲群体偏好结构的模型之一。这个结论相当刺眼，可以分成两层来看。
第一层：准确率和忠实度几乎没有关系。
图神经网络 SBGCL 的预测准确率是所有方法里最高的。但在作者的新指标上，它认可率命中率排第 5、社群稳定性排第 5、共识扭曲度排第 6。更一般地，准确率与这三个指标之间几乎没有相关性。
忠实度指标排第五到第六
没有任何模型超过 0.95
21.7 · 仍然偏高
只有 22.9
第二层，也是更值得警惕的：没有一个现有方法达到了民主场景应有的标准。
在任何一个数据集上，都没有模型能让 95% 的主张的支持率落进统计合理区间。共识扭曲度最好的成绩是 21.7，作者直言这对民主程序来说太高了。社群稳定性更糟，最好的只有 22.9——意思是算法补完之后，原本的意见群体结构基本上被打散了。
各家算法各有短板：最近邻方法在扭曲度上表现好，但准确率一般、社群稳定性最差；协同过滤准确率意外地高（考虑到它根本不需要训练），但几乎在所有忠实度指标上垫底；综合来看 STUMP 系列的权衡最好——准确率略低于 SBGCL，但扭曲小得多。
还有一个发现很关键。作者测试了“每人只投 1、2、4、8、16 票”会怎样。准确率类指标会随着票数增加而稳步改善，但认可率命中率、社群稳定性这些指标几乎纹丝不动。这说明现有方法的问题不是数据太少造成的，而是结构性的——多收集数据也修不好。
⑤ 讨论（这些发现说明什么？）
这项研究最有价值的贡献，可能是它把一个抽象的政治哲学担忧，变成了可以计算的东西。
“算法会不会歪曲民意”这句话，过去只能停留在评论层面。而这篇论文说：可以量化——量化到能排出模型名次、能指出某个模型在哪个群体上失真最严重。
作者对偏好推断的定性也很到位。他们说，这不只是一个预测机制，更是一种“算法代表制”：它把参与者从未明确表达过的偏好赋予他们，从而决定了公民和群体以什么面貌出现在协商结果里，又以什么面貌被决策者看见。
另一个值得注意的技术细节是多语言带来的新困难。以往的偏好推断研究几乎都在英语数据上做，而这份数据集里最大的那场协商横跨 22 种语言。作者按语言拆开分析后发现，不同语言的参与者受到的对待存在差异——这是过去的评测完全看不见的问题。
作者在局限部分说了一段很克制、也很重要的话：这个评估框架不应被理解为在为偏好推断本身背书。算法补票只能作为公民协商的补充，而其前提是这场协商本身的设计已经保证了广泛、有代表性、有实质意义的参与。另外，他们的指标只操作化了审议民主理论中的一组特定原则，并不穷尽——换一种民主观，可能需要另一套评价标准。
⑥ 结论（最终结论 + 启示）
这篇论文的核心结论是，用算法替人补上那些没投的票，从来不是一个中立的技术步骤。准确率高的模型，完全可能严重扭曲共识的图景和特定群体的偏好。
而在他们评估过的所有协商数据上，没有任何一个现有方法能够忠实保留原本的偏好结构。
作者据此主张，把“集体层面的忠实度”确立为未来这类系统的标准目标之一——模型要优化的不只是猜得准，还有是否忠实地代表了集体。
对更广的领域来说，这里有一个可迁移的教训。当算法进入公共决策链条时，用工程领域现成的评价指标（准确率、误差率）去衡量它，可能会系统性地错过真正要紧的问题。评价标准本身，必须从这个场景的规范要求里长出来。数据集与代码均已公开，研究由法国公共投资银行的“AI 促进民主”项目资助。
🎓 专业 IRMaD 结构解读
I. Introduction（引言）
参与式民主把集体决策的正当性建立在公民参与决策形成的能力之上（Habermas 2015; Rawls 1997; Dryzek & List 2003）。Polis、Remesh 等平台把这种参与从小规模、资源密集的论坛扩展到大规模协商，已应用于公共政策设计、参与式预算与和平建设（Landemore 2020; Small et al. 2021; Konya et al. 2025）。其数据结构是“参与者—主张”的投票矩阵。
但输入量决定了每位参与者只能触及全部主张的极小部分，矩阵因而极度稀疏。由此产生偏好推断（Preference Inference, PI）任务：预测参与者对其未审阅主张的支持或反对（Konya et al. 2022）。这些预测重建的偏好图景随后被用于识别意见群体、挑选代表性主张、为主持人与决策者生成摘要（Small et al. 2021; Revel et al. 2025）。既有研究已表明，不同的审议摘要模型会产生实质不同的比例代表性，并可能抹除少数派声音（Zhu et al. 2025; Hafid et al. 2026）——PI 阶段引入的扭曲因而可能沿整条审议链条传播。
本文的三项贡献：（1）构建一个评估 PI 如何重塑偏好图景的理论与经验框架，并据此开发评测基准；（2）贡献一个新的多语言数据集，涵盖四场协商、近 9 万参与者、100 万张票、22 种语言，为同类中规模最大；（3）对覆盖各主要方法族的 PI 模型做系统评估，证明高预测准确率的模型仍可能显著扭曲共识模式与特定社会人口群体的偏好。
I. Theoretical Framework & Hypotheses（理论框架与假设）
规范起点取自审议民主理论中的元共识（meta-consensus）概念（Dryzek 2012）：审议不必消除分歧，但应准确地结构化那些持续存在分歧的价值、判断与偏好。据此，一个民主意义上合格的 PI 模型必须在两种失败之间运行——人为共识（抹除真实政治冲突）与人为冲突（通过割裂群体或扭曲主张而制造并不存在的分歧）（Revel & Pénigaud 2026）。
作者进而把“偏好图景”形式化为两个互补维度：
| 维度 | 结构 | 社会科学依据 | PI 不应做什么 |
|---|---|---|---|
| 主张侧 | 认可率——每条主张获得正票的比例，把主张定位于广泛支持、广泛反对或有争议 | 共识判断的直接基础 | 人为抬高、压低或重排支持模式 |
| 参与者侧（行为） | 投票社群——投票画像相似、组内相似度高而组间低的群体 | 政治偏好常由相对稳定的共享信念体系组织（Converse 2006; Mason 2022） | 使既有意见群体在补全后消失 |
| 参与者侧（属性） | 年龄、性别、族群、地域等社会人口群体 | 算法公平性须联结具体社会技术情境的规范要求（Deldjoo et al. 2024） | 放大、削弱或抹除群体特定模式 |
对传统公平性指标的关键批评：设群体 A 支持主张 1、反对主张 2，群体 B 相反。一个对两群两主张均预测 50% 支持的模型，在常规组公平性指标下毫无差距（两群同样不准），却已抹掉整场协商的核心结构。作者由此论证：组间预测性能均等并不保证忠实的集体代表，必须补充以“集体中心”的指标。
论文还明确了 PI 的政治属性：它既是预测机制，也是一种算法代表制——把参与者未曾表达的偏好赋予他们，从而塑造公民与群体在协商中如何被再现、集体偏好如何对决策者可见（Revel & Pénigaud 2025; Innerarity 2023）。
M. Materials & Methods（材料与方法）
- 形式化：投票矩阵
V中V(i,j)=1表示参与者 i 支持主张 j，-1表示反对；实际观测到的是部分矩阵Ṽ。PI 模型输出补全矩阵V̂，保持已观测投票不变，仅估计缺失项。 - 指标一：认可率命中率（ARHR）。把某主张上的投票视作伯努利试验，由观测票计算 Wilson 置信区间（选用理由：能正确处理小样本与极端概率），再检验模型输出的认可率是否落入区间。低 ARHR 意味着模型给出统计上不可信的认可率。
- 指标二：共识扭曲度（CD）。设参与者划分为若干群体（可由受保护属性定义，也可从投票数据推断），计算各群体在某主张上的认可率偏差；主张层面的 CD 取各群体偏差的最大值——因为只要有一个群体的支持度被严重误报，跨群体共识的判断就已具误导性；流程层面的 CD 再对合格主张取均值。CD 以真实矩阵为基准（实证中以留出票近似），而 ARHR 以观测矩阵的置信区间为基准。
- 指标三：社群稳定性（CS）。把投票矩阵视为符号二部图（参与者与主张两类节点，边为偏好），检验补全后原有社群结构是否保留。
- 补充公平性指标：最低群体平衡准确率（Min. B-Acc，刻画最不被服务群体的处境）、均等几率比（EOR，刻画组间错误率差异）。
- 数据集：Polis 公开数据 7 场（含 vtaiwan.uberx 优步监管、march-on 等）、Remesh 3 场，外加新贡献的 4 场：steuer-debate（税收，德语，交互密度超 50%）、gc-sante（医疗，法语，22.6 万票）、ingerence（外国数字干预，法语）、eurhope（欧洲的未来，22 种语言，892,273 票、54,421 参与者、4,366 条主张）。统一处理时仅保留 agree/disagree 票，剔除中立票与成对偏好；受保护属性仅统计样本量足够的群体。
- 评估模型：协同过滤（用户侧 CF-user、主张侧 CF-prop，均无需训练）；基于文本嵌入的最近邻（NN）；因子分解机（标准 FM 与专为该任务设计的 STUMP，后者以预训练主张嵌入初始化并学习线性投影）；符号二部图链接预测（SBGCL，图神经网络 + 对比学习）；基于大模型的上下文学习推荐（Qwen3-8B，因 eurhope 需 2.5 亿次推理而不可扩展，仅在三个含属性的数据集上报告）。
- 文本编码器对比：LaBSE（110M 参数多语言模型）与 Pref（1.2B 参数、基于 Sentence-T5、专为偏好表示训练）。
- 实验协议：每场协商按
70-15-15随机划分训练/验证/测试；对可学习模型做学习率与模型特定参数的网格搜索，最多 400 个训练轮次，按验证集平衡准确率选检查点。B-Acc、EOR、Min. B-Acc、CD 在测试集上报告；ARHR 与 CS 在完整观测矩阵上计算。
R. Results（结果）
- 核心发现一：准确率与忠实度脱钩。SBGCL 取得最高的整体 B-Acc，但在新指标上 ARHR 与 CS 均排第 5、CD 排第 6。作者报告 B-Acc 与 ARHR、CS、CD（政治属性）之间几乎不存在相关性；唯一强相关的是 Min. B-Acc——这在定义上是必然的。跨性别、年龄、政治三个属性的分析一致支持这一结论。
| 模型族 | 预测准确率 | 扭曲与公平指标 | 综合判断 |
|---|---|---|---|
| SBGCL（图神经网络） | 最高 | ARHR 第 5 · CS 第 5 · CD 第 6 | 准确但失真 |
| NN（文本嵌入最近邻） | 偏低 | CD 与 ARHR 表现佳，CS 最差 | 局部忠实、结构崩塌 |
| CF（协同过滤，无需训练） | 意外地高 | 几乎所有扭曲与公平指标垫底 | 不适合民主场景 |
| STUMP 系（因子分解机变体） | 略低于 SBGCL | 扭曲显著更小 | 权衡最佳 |
- 核心发现二：没有模型达标。在任何数据集上，没有模型的 ARHR 超过 0.95——即没有系统能在 95% 置信水平下给出统计上可信的认可率。最低平均 CD 为 21.7（由 FM 取得），作者判定其对民主程序而言过高。CS 普遍低下，最佳者（CF）平均仅 22.9。
- 核心发现三：问题是结构性的，不是稀疏性造成的。限制每位参与者的观测票数（1/2/4/8/16/全部）后：B-Acc、Min. B-Acc 与 CD 随票数增加持续改善——这一点在仅用准确率评估时看不到（Konya et al. 2022 报告每人超过 5 票后准确率不再提升，但他们未使用集体中心指标）；而 ARHR、EOR 与 CS 基本不变，其中 CS 在 0–0.18 区间内噪声波动且一律偏低。作者据此判断：现有 PI 方法的若干局限是结构性的，而非数据稀疏的后果。
- 多语言差异：对 eurhope 的按语言分析显示不同语种参与者受到的处理存在差异——这是英语单语基准无法暴露的问题。
- 数据集规模：eurhope 构成迄今公开的最大协商数据集，参与者数为此前最大基准的 8 倍、主张数为 2 倍，且是首个多语种数据集。
a / D. Discussion & Conclusion（讨论与结论）
- 方法论贡献：把审议民主理论中的规范担忧（人为共识 / 人为冲突、元共识）翻译为可计算指标，使“算法是否歪曲民意”从评论性判断变为可排序、可定位到具体群体的经验命题。
- 对评测范式的挑战：推荐系统惯用的分类/排序指标与组公平性指标，在民主场景下会系统性地漏掉最要紧的失效模式。作者的反例（两群体均被预测为 50% 支持）表明，组间性能均等与忠实的集体代表是两回事。
- 实践含义：既然准确率与忠实度近乎无关，平台在选型时不能只看留出集准确率；STUMP 系提供了当前最好的权衡，但其绝对水平仍不足以支撑高风险的公共决策。
- 规范边界（作者自陈）：本框架不应被解读为为偏好推断本身背书，它不能替代真实的民主参与——PI 只能补充那些在设计上已保证广泛、有代表性、有实质意义参与的公民协商。此外，所操作化的只是审议理论中的一组特定原则，并不穷尽；其他民主观可能要求另外的评价标准。
- 未被处理的问题：作者明确指出，当偏好并非直接来自参与时，算法偏好推断还带来问责难题，但这超出本文范围。
- 展望：本工作旨在把“集体中心评估”确立为未来 PI 系统的标准目标，推动模型同时优化预测准确率与忠实的集体代表。
- 资源与资助：数据集公开于 HuggingFace（democratic-commons/citizens-consultations），代码公开于
github.com/LequeuISIR/PrefInferenceEval。研究由法国公共投资银行 BPI-France 的“AI For Democracy - Democratic Commons”项目资助，为其“生成式 AI 的数字公共品”计划七个获选项目之一。
🧠 IRMaD 思维导图
mindmap
root((协商平台的算法补票))
I 引言
万人协商投票极度稀疏
平台用算法补缺失票
补出的票影响共识判断
扭曲会沿审议链传播
R 理论
元共识不必消除分歧
要避开人为共识
也要避开人为冲突
偏好推断即算法代表制
M 方法
认可率命中率用威尔逊区间
共识扭曲度取群体最大偏差
社群稳定性看符号二部图
九万参与者百万张票
二十二个语种
六类模型横向比较
R 结果
准确率与忠实度不相关
最准的模型排在第六
无模型命中率过零点九五
社群结构基本被打散
多收数据也修不好
a 讨论
推荐系统指标在此失效
组间均等不等于忠实代表
多语种参与者待遇有别
不为算法补票本身背书
D 结论
集体忠实度应成为目标
现有方法均未达标
评价标准须从场景长出
图：本研究的 IRMaD 思维导图。蓝色 I 引言；橙色 R 研究问题；绿色 M 方法； 橙色 R 结果；紫色 a 讨论；红色 D 结论。