我们如何开展这项工作

AI 对工作的影响项目分为两个阶段。在第一阶段，任何加州居民都可以通过一份公开的在线问卷调查分享看法。在第二阶段，我们邀请有兴趣的问卷调查参与者参加现场讨论。

公平地平衡每个群体

我们需要决定邀请谁。我们需要在公平选择的同时组建具有代表性的小组。

因此，我们采用了一种称为抽签（sortition）的方法，类似于法院挑选陪审团的方式。它基于两个同等重要的理念：

这些原则确保我们不只是听取最早回应者的意见。它们帮助我们建立了一份经公平选择的名单，大致反映了加州居民的整体情况。

看看我们与人口统计目标的接近程度。点击下拉菜单查看按以下维度的数据：

抽签让我们在讨论中更接近均衡的人口构成。

目标的来源

在讨论中，参与者提出政策想法，然后以小组形式进行投票。

我们汇集了在讨论中至少获得一票的所有想法。然后，我们将相似的想法归为一组，并为每组撰写摘要。这些就成为 26 个政策想法。每个政策想法涵盖 1 到 12 条具体的政策建议。

为了对政策想法进行排名，我们根据 2 个因素对每个想法进行评估：

我们按频率对政策想法列表进行排序。然后大致分成两半，将上半部分标记为“高频”。如果某个想法出现在 5 场或更多讨论中，则属于“高频”。

然后，我们按支持度对政策想法进行排序。如果某个想法的相关想法在所有场次中都位列前 3 个主题，我们就将其标记为“热门想法”。

想法的排列顺序有其意义，但并非绝对。对于每个因素，我们计算了该想法相对于所有其他想法的排名。然后将这些排名相加，为每个想法打分。我们将得分最高的想法排在最前面。当政策想法得分相同时，我们按字母顺序排列。

您可以下载并阅读人们在讨论中提出的所有政策。它们以 CSV 文件的形式提供。

下载想法

我们的工作人员使用 AI 来协助审阅和分析这些讨论。

AI 的使用示例包括：

AI 没有参与选择我们邀请谁参加讨论。我们通过抽签选择受邀者。我们确保受邀群体反映加州的人口构成。我们还使用 AI 来评估回应者对 AI 的看法。这为我们带来了多元的观点。

我们保护参与者与我们分享的内容。所有涉及 AI 的工作都在本州的安全数据环境中进行。我们从未与 AI 供应商共享文字记录或问卷调查回应。没有任何内容被用于训练 AI 模型。

AI 从未取代人的判断，也从未撰写或编辑参与者的话。本报告中的每一条引言都是参与者说过的话。我们对照文字记录进行了核实，并由工作人员审阅。

本报告中重点介绍的政策想法和主题由我们的工作人员自行确定。他们在没有 AI 协助的情况下审阅了文字记录和问卷调查回应。当 AI 协助分析时，我们要求它提供确切的引文。工作人员在采信这些说法之前对其进行了核实。

在测试中，我们将 AI 的摘要与人工记录员的笔记进行了比较。我们发现二者涵盖的内容相同，且 AI 没有编造内容。