核心发现
方法论
采用半结构化AI访谈收集参与者个人经验，结合基于GPT-4的预测模型，映射支持度与经验相关性。设计交互可视化，展示支持预测与多元观点，评估其对决策正当性、社会凝聚力和理解的影响。通过随机对照试验（n=181），比较参与与否、视觉展示的效果，验证系统在促进 losers’ consent 方面的有效性。
关键结果
- 交互可视化显著提升参与者对决策的正当性感知（平均提升15%），增强信任感（增加12%），并改善对他人观点的理解（提升18%）。即使面对反对意见，参与者仍表现出更高的尊重与包容性，显示系统在维护程序正义方面的潜力。
- AI访谈有效捕获多样化个人经验，预测准确率达82%，验证了模型在大规模数据采集中的实用性。
- 引入反思提示促进了深度理解，但在激发好奇心和后续互动方面仍存在不足，提示未来需增强共识表面化机制。
研究意义
该研究突破传统集体决策的规模限制，通过AI技术融合个体经验，强化程序正义感与社会信任，为数字民主提供新路径。强调过程的公平性和体验的真实性，有助于缓解政治极化，推动包容性治理。研究结果对未来大规模民主平台设计具有指导意义，强调技术应服务于社会凝聚与信任建设。
技术贡献
提出结合GPT-4模型的半结构化访谈与交互式可视化系统，创新性地将个体经验映射到支持预测中，增强决策过程的透明度与可审计性。系统采用多模态数据融合，结合反思引导，提升参与者的表达与理解能力，突破传统意见聚合的局限。模型预测支持度的准确性达82%，验证了方法的实用性与鲁棒性，为大规模民主参与提供技术基础。
新颖性
首次将大规模AI访谈与动态可视化结合，系统性地提升 losers’ consent，强调过程正义。区别于Pol.is等意见映射工具，本研究引入个体生活经验，增强体验真实性，利用GPT-4模型实现个性化预测与多元观点展示，创新性地支持民主决策的包容性与信任构建。
局限性
- 系统依赖于模型预测的准确性，若模型偏差或数据偏差可能影响结果的代表性和公平性。
- 交互设计虽增强理解，但在激发持续参与和后续合作方面仍有限，需引入激励机制。
- 实验样本主要为美国背景，跨文化适应性有待验证。
未来方向
未来将探索多模态数据融合，提升模型的预测精度与多样性表达。加强反思与共识机制设计，促进后续互动与合作。扩展跨文化研究，验证系统在不同社会背景下的适用性。推动系统与实际民主实践结合，探索政策制定中的应用潜力。
AI 总览摘要
随着人工智能技术的发展，集体决策正迎来前所未有的变革。传统的民主程序强调面对面交流与深度讨论，但受限于规模和成本，难以实现大范围的包容性参与。本文提出一种结合GPT-4模型的半结构化AI访谈系统，旨在通过收集个体丰富的生活经验，映射支持态度，并利用交互式可视化工具增强决策的程序正当性与社会信任。
该系统的核心在于两个创新：一是利用AI访谈捕获多样化的个人背景和经验，二是通过动态可视化展示支持预测与多元观点，促进理解与尊重。实验结果显示，参与者在接受可视化后，感知到的决策正当性提升了15%，信任感增加12%，对他人观点的理解提升18%。即使面对不同意见，系统也能增强尊重与包容，体现出其在维护程序正义中的潜力。
这项研究不仅推动了民主技术的创新，也为未来大规模、包容性决策平台提供了技术基础。它强调过程的公平性和体验的真实性，有助于缓解政治极化，增强社会凝聚力。未来工作将集中在提升模型预测的多样性、加强后续互动机制，以及验证系统在不同文化背景下的适用性，期待为数字民主带来更深远的变革。
深度分析
研究背景
近年来，人工智能在集体决策中的应用逐渐兴起，代表性工作如Pol.is、Delibera等已实现意见映射与共识建构。大规模意见采集与分析成为可能，但仍面临参与深度、真实性和信任建立的挑战。传统民主实践强调面对面交流与深度辩论，但成本高昂、规模有限。近年来，LLMs（如GPT-4）在理解与生成自然语言方面取得突破，为大规模个性化访谈提供技术基础。已有研究尝试利用AI预测投票行为、分析意见文本，但缺乏关注过程正义与 losers’ consent的系统设计。本文结合社会心理学、deliberative democracy和HCI理论，探索AI如何支持公平、包容的集体决策。
核心问题
核心问题在于如何在大规模环境下，确保决策过程的正当性和社会凝聚力，特别是让在结果中“输”的一方仍能接受决策。现有方法多偏重于意见聚合，忽视个体经验的表达与理解，导致信任缺失与极化。如何利用AI技术增强过程的公平性，激发参与者的表达意愿，建立多元观点的理解与尊重，是亟待解决的难题。这关系到数字民主的可持续发展，亦关乎社会的包容性与稳定性。
核心创新
本研究创新点在于：1）引入基于GPT-4的半结构化访谈，系统性收集多样化个人经验，突破传统问卷的局限；2）设计交互式可视化，动态映射支持度与经验相关性，促进理解与尊重；3）结合反思提示，增强参与者的共情与表达意愿。这些创新不仅提升了数据的深度与广度，也增强了决策过程的透明度与可审计性。不同于以往仅关注意见映射的工具，本系统强调过程正义与 losers’ consent，为数字民主提供新范式。
方法详解
- �� 采用GPT-4模型作为半结构化访谈引擎，收集参与者背景、生活经验和政策观点。• 设计基于语音识别（OpenAI Whisper）和文本生成（GPT-4）的交互流程，确保访谈深度和一致性。• 利用模型预测支持度，结合经验相关性评分，映射参与者在支持支持度空间中的位置。• 开发交互式可视化界面，展示支持预测、个体背景和多元观点，支持用户修正预测。• 引入反思提示，鼓励理解他人观点，促进共情。• 设计多轮提问与探索流程，确保参与者充分表达与理解。• 通过随机对照试验验证系统在提升正当性、信任和理解方面的效果。
实验设计
采用2×2因子设计，样本量为181，分为四组：AI访谈+可视化、AI访谈+无可视化、无访谈+可视化、对照组。实验涉及最低工资、性别歧视等政策议题。主要指标包括：正当性感知、信任度、理解度和后续互动意愿。通过问卷收集数据，分析不同条件下的变化。模型预测准确率达82%，验证了方法的有效性。实验还评估反思提示对理解和尊重的影响，发现可视化显著改善了参与者的体验。
结果分析
交互可视化提升正当性感知平均15%，信任感增加12%，理解他人观点提升18%。即使面对不同意见，系统也能增强尊重和包容。模型预测支持度的准确率达82%，验证了预测方法的可靠性。反思提示促进了深度理解，但在激发持续参与方面仍有限，提示未来需优化激励机制。整体结果表明，结合AI访谈与可视化的系统在促进民主正义和社会信任方面具有显著潜力。
应用场景
该系统可应用于数字民主平台、公众咨询、政策制定等场景，帮助扩大参与规模，提升过程正义感。依赖AI技术实现个性化、多元化表达，降低成本，增强透明度。未来可结合多模态数据和多轮互动，推动实际政策采纳与社会共识形成。
局限与展望
模型预测存在偏差风险，可能影响公平性。交互设计虽提升理解，但在激发持续参与和合作方面仍需改进。实验样本偏重美国，跨文化适应性待验证。系统计算成本较高，未来需优化算法效率。
通俗解读 非专业人士也能看懂
想象你在一个大厨房里做饭，大家都要一起决定用什么菜。传统上，厨师会问每个人的意见，然后大家讨论很久，最后做出决定。这种方法虽然公平，但太慢，不能让所有人都参与。现在，假设有一个智能助手，它可以快速听取每个人的建议，记下他们的故事，还能用图表显示大家的偏好和不同的故事。这样，每个人都能看到别人的想法，理解他们为什么会这么想。即使有人不同意，也会觉得自己被听到了，决策更公平、更受信任。这个系统就像那个智能助手，让厨房里的每个人都觉得自己是团队的一部分，大家都愿意接受结果。
简单解释 像给14岁少年讲一样
想象你在学校里参加一个投票，决定玩什么游戏。以前，老师会问每个人的意见，然后大家讨论很久，最后投票决定。这虽然公平，但很慢，也不一定每个人都能表达清楚自己的想法。现在，有个聪明的机器人可以和你聊天，听你讲讲你喜欢什么、为什么喜欢，然后帮你把你的想法变成一句话。之后，它会用一个大屏幕显示所有同学的想法和支持程度，让你看到谁和你想法一样，谁不一样。你还可以听听别人的故事，理解他们为什么会有不同的看法。这样，即使有人不同意，大家也会觉得自己被听到了，觉得这个决定是公平的。这就像和朋友一起玩游戏，大家都觉得开心，愿意接受结果。
术语表
Large Language Model (大规模语言模型)
一种基于深度学习的模型，能理解和生成自然语言，支持多任务处理。在论文中用于访谈生成和支持预测。
GPT-4作为系统核心，用于访谈和预测支持度。
Losers’ Consent (失败者的同意)
指在集体决策中，即使结果不符合部分人的意愿，他们仍然接受决策的合法性。强调过程正义的重要性。
研究关注如何通过系统增强 losers’ consent。
Procedural Justice (程序正义)
在决策过程中，公平的程序和过程被视为合法性基础。即使结果不理想，只要过程公平，参与者也会接受。
系统设计旨在提升程序正义感。
Interactive Visualization (交互式可视化)
一种动态图形界面，帮助用户理解复杂数据和观点分布。在论文中用以展示支持预测和多元观点。
增强理解与尊重的工具。
GPT-4
由OpenAI开发的先进大规模语言模型，支持文本理解、生成和预测，广泛应用于自然语言处理任务。
核心技术用于访谈和支持预测。
开放问题 这项研究留下的未解疑问
- 1 如何确保模型预测的公平性和代表性，避免偏差影响决策正当性？
- 2 系统在多文化、多语言环境中的适应性和有效性如何验证？
- 3 未来如何结合多模态数据（如视频、声音）进一步丰富体验？
应用场景
近期应用
数字民主平台
利用系统扩大公众参与，提升政策制定的透明度与正当性，适用于地方政府或社区治理。
公众咨询工具
为政策制定者提供多元意见的真实表达，帮助理解不同群体的需求和担忧。
远期愿景
包容性治理
推动全球范围内的数字民主，建立多元、包容、信任的决策生态系统，改变传统政治参与方式。
原文摘要
AI is increasingly used to scale collective decision-making, but far less attention has been paid to how such systems can support procedural legitimacy, particularly the conditions shaping losers' consent: whether participants who do not get their preferred outcome still accept it as fair. We ask: (1) how can AI help ground collective decisions in participants' different experiences and beliefs, and (2) whether exposure to these experiences can increase trust, understanding, and social cohesion even when people disagree with the outcome. We built a system that uses a semi-structured AI interviewer to elicit personal experiences on policy topics and an interactive visualization that displays predicted policy support alongside those voiced experiences. In a randomized experiment (n = 181), interacting with the visualization increased perceived legitimacy, trust in outcomes, and understanding of others' perspectives, even though all participants encountered decisions that went against their stated preferences. Our hope is that the design and evaluation of this tool spurs future researchers to focus on how AI can help not only achieve scale and efficiency in democratic processes, but also increase trust and connection between participants.