Künstliche Intelligenz kann vorhersagen, welche Gesetzesentwürfe im Kongress verabschiedet werden

Künstliche Intelligenz kann das Verhalten des Kongresses vorhersagen.

Schulen / iStock Foto

Künstliche Intelligenz kann vorhersagen, welche Gesetzesentwürfe im Kongress verabschiedet werden

Von Matthew HutsonJun. 21, 2017, 14:30 Uhr

Das Gesundheitsgesetz, das sich durch den US-Senat schlängelt, ist nur eines von Tausenden Gesetzen, die der Kongress in diesem Jahr als zum Scheitern verurteilt betrachten wird. In der Tat werden nur etwa 4% dieser Gesetze erlassen. Welche sind es wert, beachtet zu werden? Ein neuer Algorithmus für künstliche Intelligenz (KI) könnte Abhilfe schaffen. Wenn Sie nur den Text einer Rechnung und etwa ein Dutzend weiterer Variablen verwenden, können Sie die Wahrscheinlichkeit bestimmen, dass eine Rechnung mit größter Genauigkeit zum Gesetz wird.

Andere Algorithmen haben vorausgesagt, ob ein Gesetzesentwurf ein Kongresskomitee überleben wird oder ob der Senat oder das Repräsentantenhaus mit unterschiedlichem Erfolg dafür stimmen werden. Aber John Nay, ein Informatiker und Mitbegründer von Skopos Labs, einem in Nashville ansässigen AI-Unternehmen, das sich auf das Studium der Politikgestaltung konzentrierte, wollte die Dinge noch einen Schritt weiter bringen. Er wollte vorhersagen, ob eine eingeführte Rechnung den ganzen Weg durch beide Kammern schaffen würde - und genau, wie hoch ihre Chancen waren.

Nay begann mit Daten zum 103. Kongress (1993–1995) bis zum 113. Kongress (2013–2015), die von einer Website zur Gesetzgebungsverfolgung namens GovTrack heruntergeladen wurden. Dies beinhaltete den vollständigen Text der Rechnungen sowie eine Reihe von Variablen, einschließlich der Anzahl der Mitsponsoren, des Monats, in dem die Rechnung eingeführt wurde, und ob der Sponsor in der Mehrheitspartei ihrer Kammer war. Unter Verwendung der Daten zu den Kongressen 103 bis 106 trainierte er Algorithmen für maschinelles Lernen - Programme, die selbst Muster finden, um den Ergebnissen Rechnungstext und Kontextvariablen zuzuordnen. Er sagte dann voraus, wie jede Rechnung im 107. Kongreß tun würde. Dann trainierte er seine Algorithmen auf den Kongressen 103 bis 107, um den 108. Kongress vorherzusagen, und so weiter.

Nays komplexester Algorithmus für maschinelles Lernen kombinierte mehrere Teile. Der erste Teil analysierte die Sprache in der Rechnung. Es interpretierte die Bedeutung von Wörtern so, wie sie in umgebende Wörter eingebettet waren. Zum Beispiel könnte der Satz „Darlehen für Bildung erhalten“ angezeigt werden und die Annahme, dass „Darlehen“ etwas mit „Erhalt“ und „Bildung“ zu tun hat. A Die Bedeutung des Wortes wurde dann als eine Folge von Zahlen dargestellt, die seine Beziehung zu anderen Wörtern beschreiben. Der Algorithmus kombinierte diese Zahlen, um jedem Satz eine Bedeutung zuzuweisen. Dann fand es Zusammenhänge zwischen der Bedeutung von Sätzen und dem Erfolg von Rechnungen, die sie enthielten. Drei weitere Algorithmen fanden Zusammenhänge zwischen Kontextdaten und Rechnungserfolg. Schließlich verwendete ein Umbrella-Algorithmus die Ergebnisse dieser vier Algorithmen, um vorherzusagen, was passieren würde.

Da Rechnungen in 96% der Fälle scheitern, wäre eine einfache Strategie „immer scheitern“ fast immer richtig. Aber anstatt einfach vorherzusagen, ob jede Rechnung bestanden würde oder nicht, wollte Nay jeder eine bestimmte Wahrscheinlichkeit zuweisen. Wenn eine Rechnung einen Wert von 100 Milliarden US-Dollar hat oder Monate oder Jahre in Anspruch nehmen kann, möchten Sie die Möglichkeit einer Inkraftsetzung nicht ignorieren, nur weil die Gewinnchancen unter 50% liegen. Daher bewertete er seine Methode nach den zugewiesenen Prozentsätzen und nicht nach der Anzahl der erwarteten Scheine, die erfolgreich sein würden. In dieser Hinsicht erzielte sein Programm rund 65% mehr Punkte, als nur zu erraten, dass eine Rechnung nicht durchgehen würde, berichtete Nay letzten Monat in PLOS ONE.

Nay untersuchte auch, welche Faktoren für die Vorhersage des Erfolgs einer Rechnung am wichtigsten waren. Sponsoren in der Mehrheit und Sponsoren, die viele Amtszeiten innehatten, waren im Vorteil (obwohl jede die Chancen um 1% oder weniger erhöhte). In Bezug auf die Sprache haben Wörter wie „Auswirkungen“ und „Auswirkungen“ die Chancen für klimabedingte Rechnungen im Haus erhöht, während „globale“ oder „Erwärmung“ Probleme bedeuten. Bei den Rechnungen für das Gesundheitswesen haben „Medicaid“ und „Rückversicherung“ die Erfolgswahrscheinlichkeit in beiden Kammern verringert. Bei Rechnungen im Zusammenhang mit Patenten reduzierte „Software“ die Wahrscheinlichkeit für im Repräsentantenhaus eingeführte Rechnungen, und „Berechnung“ hatte den gleichen Effekt für Rechnungen des Senats.

Nein, sagt er ist überrascht, dass der Text einer Rechnung allein Vorhersagemacht hat. "Zuerst habe ich den Prozess als sehr parteiisch und nicht als mit der zugrunde liegenden Politik verbunden angesehen, die in der Gesetzgebung enthalten ist", sagt er.

Nays Sprachanalyse sei "innovativ" und "vielversprechend", sagt John Wilkerson, Politikwissenschaftler an der University of Washington in Seattle. Aber er fügt hinzu, dass das Projekt ohne vorherige Vorhersagen, die bestimmte Wörter mit Erfolg in Verbindung bringen - zum Beispiel das Wort „Auswirkung“ - nicht viel dazu beiträgt, die Denkweise der Kongressmitglieder zu beleuchten. "Wir lernen nichts über Prozesse, Strategien oder Politik."

Aber es scheint immer noch die beste Methode zu sein. "Nays Betrachtungsweise von Rechnungstexten ist neu", sagt Joshua Tauberer, ein Softwareentwickler bei GovTrack mit linguistischem Hintergrund, der in Washington, DC, ansässig ist und seitdem seinen eigenen Algorithmus für maschinelles Lernen verwendet, um die Rechnungserstellung vorherzusagen 2012. Letztes Jahr erfuhr Nay von Tauberers Vorhersagen und den beiden verglichenen Noten. Nays Methode machte bessere Vorhersagen, und Tauberer ließ seine eigene Version für Nays fallen.

Wie ordnete der neue Algorithmus die vielen (fehlgeschlagenen) Rechnungen zur Aufhebung des Affordable Care Act ein? Eine einfache Vorhersage der Basisrate hätte ihre Chancen auf 4% erhöht. Aber für fast alle von ihnen senkte Nays Programm die Chancen noch.