Ícono del sitio La Neta Neta

Los distritos de votación dibujados por IA podrían ayudar a acabar con la manipulación de distritos electorales

Los distritos de votación dibujados por IA podrían ayudar a acabar con la manipulación de distritos electorales

Gerrymandering es uno de los métodos más insidiosos que existen para influir en nuestro proceso político. Al cambiar legalmente la forma en que se recopilan y cuentan los votos, se puede influir en los resultados, incluso fijarlos por adelantado durante años. La solución puede ser un sistema de inteligencia artificial que dibuje los distritos electorales con una mano imparcial.

Por lo general, los distritos que corresponden a los votos electorales dentro de un estado se dibujan esencialmente a mano, y los operativos partidistas en ambos lados del pasillo han utilizado el proceso para crear formas distorsionadas que excluyen a los votantes hostiles y bloquean a los suyos. Es tan efectivo que se ha convertido en un lugar común, tanto que incluso hay una fuente hecha de distritos manipulados en forma de letras.

¿Qué se puede hacer? Automatice, al menos parcialmente, dicen Wendy Tam Cho y Bruce Cain en el último número de Science, que tiene una sección especial dedicada a la “democracia”. Cho, quien enseña en la Universidad de Illinois en Urbana-Champaign, ha buscado la redistribución computacional de distritos durante años, y el año pasado fue testigo experto en una demanda de la ACLU que terminó en anular los distritos manipulados de Ohio como inconstitucionales.

En un ensayo que explica su trabajo, resumen el enfoque de la siguiente manera:

El camino a seguir es que las personas trabajen en colaboración con las máquinas para producir resultados que de otro modo no serían posibles. Para hacer esto, debemos capitalizar las fortalezas y minimizar las debilidades tanto de la inteligencia artificial (IA) como de la inteligencia humana.

Las máquinas mejoran e informan la toma de decisiones inteligente al ayudarnos a navegar por el panorama informativo insondablemente grande y complejo. Dejados a su suerte, los humanos han demostrado ser incapaces de resistir la tentación de trazar caminos sesgados a través de ese terreno.

Efectivamente, hay un número infinito de formas de dividir un estado en un número determinado de formas, por lo que el agente de IA debe estar preparado con criterios que limiten esas formas. Por ejemplo, tal vez un estado no quiera que sus distritos tengan más de 150 millas cuadradas. Pero también deben tener en cuenta la forma: no desea que un distrito con forma de serpiente se deslice alrededor de los márgenes de otros (como de hecho ocurre a menudo en áreas manipuladas), o que uno sea envuelto por otro. Y luego están las innumerables consideraciones históricas, geográficas y demográficas.

Esta ilustración del artículo de Cho y Cain muestra una versión simplificada de un problema de distritos que muestra cómo se pueden crear distritos partidistas dependiendo de quién los dibuje. (Créditos de la imagen: Cho/Cain/Science)

En otras palabras, si bien las personas deben establecer la base para el dibujo, son las máquinas las que deben realizar “la exploración meticulosa del número astronómico de formas en que se puede dividir un estado”.

Exactamente cómo funcionaría esto dependería de cada estado individual, que tendrá sus propias reglas y autoridades en cuanto a cómo se dibujan los mapas de distrito. Ves el problema de inmediato: hemos ingresado a la política, otro paisaje complejo a través del cual los humanos tienden a “trazar caminos sesgados”.

En declaraciones a TechCrunch, Cho enfatizó que aunque la automatización tiene beneficios potenciales para casi todos los procesos estatales, “la transparencia dentro de ese proceso es esencial para desarrollar y mantener la confianza pública y minimizar las posibilidades y percepciones de sesgo”.

Algunos estados ya han adoptado algo como esto, señaló: Carolina del Norte terminó elegir al azar entre 1000 mapas dibujados por computadora. Así que ciertamente hay un precedente. Pero permitir un uso generalizado significa crear una confianza generalizada, algo que escasea mucho en estos días.

Mezclar tecnología y política rara vez ha resultado fácil, en parte debido a la ignorancia invencible de nuestros funcionarios electos, y en parte por una desconfianza justificada de los sistemas que son difíciles de entender para el ciudadano medio y, si es necesario, corregir.

“Los detalles de estos modelos son complejos y requieren una gran cantidad de conocimientos en estadística, matemáticas e informática, pero también una comprensión igualmente profunda de cómo funcionan nuestras instituciones políticas y la ley”, dijo Cho. “Al mismo tiempo, aunque comprender todos los detalles es abrumador, no estoy seguro de que sea necesario este nivel de comprensión por parte del público en general o de los políticos. El público generalmente cree en la ciencia detrás de las vacunas, las pruebas de ADN y los aviones voladores sin comprender los detalles técnicos”.

De hecho, pocas personas se preocupan de que las alas se caigan de su avión, pero los aviones han demostrado su fiabilidad durante más o menos un siglo. Y el mayor desafío para las vacunas puede estar por delante.

“La sociedad parece tener un déficit de confianza masivo en este momento, un hecho que debemos trabajar duro para revertir”, admitió Cho. “La confianza debe ser y debe ser ganada. Tenemos que desarrollar los procesos que generan la confianza”.

Pero el punto es firme: no es necesario ser un experto en estadísticas o aprendizaje automático para ver que los mapas producidos por estos métodos (revisados ​​por pares y listos para usar, debería decirse) son superiores e infinitamente más justos que muchos. de aquellos cuyos límites son tan torcidos como los políticos que los manipularon.

La mejor manera de que el público acepte algo es ver que funciona y, al igual que la votación por correo, ya tenemos algunos buenos puntos que mostrar. Primero, obviamente, está el sistema de Carolina del Norte, que muestra que una computadora puede dibujar un distrito justo de manera confiable, de hecho, tan confiablemente que se pueden generar fácilmente mil mapas igualmente justos, por lo que no se trata de una selección selectiva.

En segundo lugar, el caso de Ohio muestra que los mapas pueden brindar un contraste basado en hechos con los mapas manipulados, al mostrar que sus elecciones solo pueden explicarse por la intromisión partidista, no por la aleatoriedad o las limitaciones demográficas.

Con la IA, por lo general es prudente tener un ser humano al tanto, y doblemente con la IA en la política. Las funciones del sistema automatizado deben proscribirse cuidadosamente, sus limitaciones deben explicarse honestamente y su lugar dentro de los procesos existentes debe mostrarse como el resultado de una consideración cuidadosa en lugar de la conveniencia.

“El público necesita tener un sentido de la reflexión, la contemplación y la deliberación dentro de la comunidad científica que ha producido estos algoritmos”, dijo Cho.

Es poco probable que estos métodos entren en uso generalizado pronto, pero en los próximos años, a medida que los mapas sean cuestionados y redibujados por otras razones, puede (y quizás debería) convertirse en una parte estándar del proceso para que un sistema imparcial participe en el proceso. .


Source link
Salir de la versión móvil