Los distritos electorales dibujados por AI podrían ayudar a erradicar el Gerrymandering – TechCrunch


Gerrymandering es uno de los métodos más insidiosos de influir en nuestro proceso político. Al cambiar legalmente la forma en que se recopilan y cuentan los votos, los resultados pueden verse influenciados, incluso determinados con años de anticipación. La solución podría ser un sistema de inteligencia artificial que atraiga distritos electorales con mano imparcial.

Por lo general, los distritos correspondientes a los votos electorales dentro de un estado son esencialmente dibujados a mano, y los partidarios de ambos lados del pasillo han utilizado el proceso para crear formas distorsionadas que excluyen a los votantes enemigos e incluyen a los suyos. Es tan efectivo que se convierte en algo común, tanto que incluso hay una fuente formada por distritos controlados en forma de letras.

¿Qué se puede hacer? Automatícelo, al menos en parte, dicen Wendy Tam Cho y Bruce Cain en el último número de Science, que tiene una sección dedicada a "Democracia". Cho, que enseña en la Universidad de Illinois en Urbana-Champaign, ha estado buscando la redistribución computacional durante años y solo el año pasado se adjudicó una demanda de ACLU que resultó en que los condados devastados por Ohio fueran declarados inconstitucionales.

En un ensayo explican su trabajo y resumen el enfoque de la siguiente manera:

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

Las máquinas mejoran e informan decisiones inteligentes ayudándonos a navegar a través del panorama de la información insondablemente grande y complejo. Los humanos han demostrado ser incapaces de resistir la tentación de trazar caminos sesgados a través de este terreno.

Existen prácticamente infinitas posibilidades para subdividir un estado en un cierto número de formas, el agente de IA debe contar con criterios que restrinjan estas formas. Por ejemplo, es posible que un estado no desee que sus condados tengan más de 150 millas cuadradas. Pero también debe considerar la forma: no quiere que un distrito serpenteante se deslice por los bordes de otros (como es común en las áreas locales) o que uno esté envuelto por otro. Y luego está la miríada de consideraciones históricas, geográficas y demográficas.

  Esta ilustración del artículo de Cho y Cain muestra una versión simplificada de un problema de distrito que muestra cómo se pueden crear distritos partidistas en función de quién los dibuja.

Esta ilustración El artículo de Cho y Cain muestra una versión simplificada de un problema de distrito que muestra cómo se pueden crear distritos partidistas en función de quién los dibuja. (Crédito de la foto: Cho / Cain / Science)

En otras palabras, si bien es necesario establecer las razones para dibujar humanos, son las máquinas las que necesitan "hacer la exploración meticulosa de la cantidad astronómica de formas en que un estado puede ser particionado. “

Cómo funcionaría exactamente esto depende del estado en particular, que tiene sus propias reglas y poderes para hacer mapas de distrito. El problema se ve de inmediato: hemos entrado en la política, otro panorama complejo a través del cual la gente tiende a "recorrer caminos sesgados".

En declaraciones a TechCrunch, Cho enfatizó que si bien la automatización tiene beneficios potenciales para casi cualquier proceso gubernamental, “la transparencia en el 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 eligiendo al azar entre 1.000 mapas dibujados por computadora. Por tanto, ciertamente hay un precedente. Sin embargo, permitir un uso generalizado significa generar una confianza generalizada, algo que es muy escaso en estos días.

La combinación de tecnología y política rara vez ha resultado fácil, en parte debido a la ignorancia invencible de nuestros funcionarios electos, en parte debido a 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 complicados y requieren un nivel adecuado de conocimiento de estadística, matemáticas e informática, pero también una comprensión igualmente profunda de cómo operamos las instituciones políticas y el trabajo legal", dijo Cho. “Si bien es abrumador comprender todos los detalles, no estoy seguro de si esa comprensión del público o de la política es necesaria. El público en general cree en la ciencia detrás de las vacunas, las pruebas de ADN y el vuelo de aviones sin comprender los detalles técnicos. “

De hecho, pocas personas se preocupan por la caída de las alas de sus aviones, pero los aviones han demostrado su fiabilidad durante más de un siglo o más. Y el mayor desafío para las vacunas podría estar por delante de nosotros.

"La sociedad parece tener una enorme falta de confianza en este momento, un hecho que debemos trabajar duro para revertir", admitió Cho. “La confianza debe y debe ganarse. Necesitamos desarrollar los procesos que generan confianza. “

Pero el punto es: no es necesario ser un estadístico o un experto en aprendizaje automático para ver que los mapas creados con estos métodos están revisados ​​por pares y listos para usar, debería decirse, son superiores e infinitamente más justos que muchos por aquellos cuyas fronteras están tan torcidas como los políticos que las manipularon.

La mejor manera de que el público acepte algo es ver que funciona y, como resultado de la votación, ya tenemos algunos puntos buenos que mostrar. El primero, por supuesto, es el sistema de Carolina del Norte, que muestra que una computadora puede trazar un distrito justo de manera confiable, tan confiable, de hecho, que se pueden hacer fácilmente mil mapas igualmente justos, por lo que no es cuestión de elegir.

En segundo lugar, el caso de Ohio muestra que los mapas pueden proporcionar un contraste basado en hechos con los mapas de Gerrymander al mostrar que sus decisiones solo pueden explicarse a través de la interferencia partidista, no la aleatoriedad o las limitaciones demográficas.

Con la IA suele ser aconsejable tener una persona actualizada y hacerlo dos veces con la IA en política. Las funciones del sistema automatizado deben prescribirse cuidadosamente, sus limitaciones deben explicarse honestamente y su lugar dentro de los procesos existentes debe mostrarse como resultado de una consideración cuidadosa en lugar de la conveniencia.

"El público necesita tener un sentido de reflexión, contemplación y deliberación dentro de la comunidad científica que desarrolló estos algoritmos", dijo Cho.

Es poco probable que estos métodos se generalicen pronto, pero en los próximos años, cuando los mapas se cuestionan y se vuelven a dibujar por otras razones, esto puede (y tal vez debería) convertirse en una parte estándar del proceso, lo que lo hace imparcial. El sistema participa en el proceso.

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *