شبیه‌سازی تأثیر سیاست - پیش‌نویس قانون را قبل از انتشار عمومی آزمایش کنید

شبیه‌سازی تأثیر سیاست به شما این امکان را می‌دهد که ببینید گروه‌های مختلف قبل از انتشار یک سیاست یا پیش‌نویس قانون، چگونه به آن واکنش نشان خواهند داد. شما پیش‌نویس و اسناد پیش‌زمینه را آپلود می‌کنید، عوامل هوش مصنوعی به نمایندگی از شهروندان، مشاغل، اتحادیه‌ها، رسانه‌ها و مقامات در یک شبکه اجتماعی شبیه‌سازی شده در مورد آن بحث می‌کنند و یک عامل تحلیلگر خلاصه می‌کند که احتمالاً حمایت، مخالفت و فشار از کجا ناشی می‌شود. نتیجه، پیش‌بینی‌ای نیست که بتوانید به بانک ارائه دهید، بلکه یک فرضیه ساختاریافته است که به شما کمک می‌کند تا متن‌بندی بهتر، استدلال‌های بهتر و گزینه‌های بهتری را آماده کنید.

چرا قبل از انتشار یک سیاست، آن را آزمایش کنیم؟

بیشتر سیاست‌ها در چند روز اول پس از انتشار، توسط عموم مردم قضاوت می‌شوند. یک جمله در مورد اینکه چه کسی هزینه‌ها را پرداخت می‌کند، چه کسی معاف است یا چه کسی تصمیم می‌گیرد، می‌تواند کل بحث را تعریف کند. ابزارهای سنتی، مانند جلسات مشاوره، نظرسنجی‌ها و گروه‌های کانونی، ارزشمند هستند اما کند و گران هستند و معمولاً پس از عمومی شدن متن، مورد استفاده قرار می‌گیرند.

شبیه‌سازی شکاف قبل از آن لحظه را پر می‌کند. به شما کمک می‌کند تا به سوالات عملی پاسخ دهید:

• کدام گروه‌ها احساس می‌کنند که چیزی را از دست می‌دهند، حتی اگر این سیاست به طور کلی به آنها کمک کند؟
• مخالفان ابتدا از کدام استدلال‌ها استفاده می‌کنند و کدام یک بیشتر گسترش می‌یابد؟
• کدام بند خارج از متن نقل خواهد شد؟
• آیا توضیحاتی که آماده کرده‌اید واقعاً سردرگمی را کاهش می‌دهد یا سوالات جدیدی ایجاد می‌کند؟

هدف این است که با غافلگیری‌های کمتری به رونمایی عمومی برسیم، نه اینکه جایگزین مشورت دموکراتیک شویم.

نحوه عملکرد شبیه‌سازی پیش‌نویس قانون

در InfoDome ، شما با آپلود اسناد شروع می‌کنید: متن پیش‌نویس، یک یادداشت توضیحی، پوشش خبری قبلی، بیانیه‌های گروه‌های ذینفع یا خلاصه سیاست. فرمت‌هایی مانند PDF ، Markdown و TXT پشتیبانی می‌شوند. سپس با کلمات ساده آنچه را که می‌خواهید پیش‌بینی کنید شرح می‌دهید، به عنوان مثال: "صاحبان مشاغل کوچک، مستاجران و رسانه‌های محلی در دو هفته اول چگونه به قوانین جدید ثبت اجاره واکنش نشان خواهند داد؟"

InfoDome از این اسناد، یک نمودار دانش از افراد، سازمان‌ها و گروه‌های درگیر و روابط بین آنها می‌سازد. بر این اساس، صدها عامل هوش مصنوعی ایجاد می‌کند که هر کدام شخصیت، موقعیت و حافظه بلندمدت خود را دارند. برخی از عامل‌ها با موجودیت‌های نامگذاری شده واقعی از اسناد شما، مانند یک وزارتخانه، یک اتحادیه یا یک مفسر مشهور، مطابقت دارند. برخی دیگر نماینده اعضای عادی جامعه هستند.

سپس، عامل‌ها به صورت موازی در دو پلتفرم با هم تعامل می‌کنند: یک فید شبیه Twitter برای واکنش‌های سریع و یک انجمن شبیه Reddit برای بحث‌های طولانی‌تر. شما تعداد دورها را انتخاب می‌کنید، مثلاً ۱۰، ۲۰ یا ۴۰، و عامل‌ها با پیشرفت بحث، حافظه خود را به‌روزرسانی می‌کنند. در پایان، یک عامل تحلیلگر، گزارش پیش‌بینی را به همراه نتیجه‌گیری می‌نویسد و شما می‌توانید با هر عاملی مصاحبه کنید یا از تحلیلگر سوالات تکمیلی بپرسید.

ترسیم نقشه ذینفعان و منشأ فشار

یک شبیه‌سازی مفید سیاست‌گذاری نه تنها مثبت یا منفی بودن واکنش‌ها را نشان می‌دهد، بلکه نشان می‌دهد چه کسی آنها را هدایت می‌کند. به موارد زیر توجه کنید:

• پیشگامان. کدام عاملان ابتدا نظر می‌دهند و موضوع را برای دیگران چارچوب‌بندی می‌کنند؟
• پل‌ها. چه کسی بحثی را از یک جامعه به جامعه دیگر، مثلاً از یک انجمن حرفه‌ای به مخاطبان عمومی، منتقل می‌کند؟
• بازندگان خاموش. کدام گروه‌ها به ندرت پست می‌گذارند اما وقتی با آنها مصاحبه می‌کنید، نگرانی شدید خود را ابراز می‌کنند؟
• فشار نهادی. آیا نمایندگان احزاب مخالف، انجمن‌ها یا مقامات محلی درخواست اصلاح، تأخیر یا معافیت می‌کنند؟

نمودار دانش در اینجا مفید است زیرا روابط را صریح می‌کند. اگر یک انجمن صنفی با چندین گروه تجاری منطقه‌ای مرتبط باشد، می‌توانید ببینید که آیا موقعیت آن در امتداد آن پیوندها گسترش می‌یابد یا خیر. برای یک دیدگاه عمیق‌تر نسبت به ذینفعان، سناریوی نقشه‌برداری از ذینفعان نقطه شروع خوبی است.

روایت‌های انصاف: میدان نبرد واقعی

سیاست‌ها به ندرت به دلیل جزئیات فنی‌شان شکست می‌خورند. آن‌ها زمانی شکست می‌خورند که یک داستان ساده‌ی انصاف جا بیفتد: «ثروتمندان معاف هستند»، «شهرهای کوچک هزینه‌ی پایتخت را می‌پردازند»، «افراد صادق به خاطر اشتباهات دیگران مجازات می‌شوند». در یک شبیه‌سازی، به این روایت‌ها توجه کنید:

• چه کسی برنده و چه کسی بازنده توصیف می‌شود؟
• آیا این سیاست به عنوان باری تحمیل شده از بالا دیده می‌شود یا به عنوان یک تلاش مشترک؟
• آیا عامل‌ها هدف بیان‌شده را می‌پذیرند اما روش را رد می‌کنند، یا خود هدف را رد می‌کنند؟

وقتی روایتی از انصاف مطرح می‌شود، با مأمورانی که آن را تکرار می‌کنند مصاحبه کنید. بپرسید چه چیزی نظرشان را تغییر می‌دهد: یک دوره گذار، یک سقف، یک معافیت واضح‌تر، یک سخنگوی متفاوت. پاسخ‌های آنها فرضیه‌هایی برای آزمایش است، نه دستورالعمل، اما به نقاط ضعف توضیح شما اشاره می‌کنند.

مقایسه گزینه‌های سیاستی در کنار هم

یکی از قوی‌ترین کاربردهای شبیه‌سازی، مقایسه‌ی گزینه‌های مختلف است. به جای پرسیدن «آیا مردم این سیاست را خواهند پذیرفت؟»، بپرسید «کدام یک از این نسخه‌ها مقاومت و سوءتفاهم کمتری ایجاد می‌کند؟»

یک رویکرد عملی:

1. دو یا سه نسخه از بندهای کلیدی یا همان سیاست را با توضیحات مختلف آماده کنید.
2. برای هر نسخه با اسناد، مخاطبان و تعداد دورهای یکسان، یک شبیه‌سازی جداگانه اجرا کنید.
3. گزارش‌ها را با هم مقایسه کنید: اعتراضات اصلی، گروه‌هایی که بسیج می‌شوند، لحن بحث، سوالاتی که همچنان بی‌پاسخ مانده‌اند.
4. در هر اجرا با نمایندگان همان گروه مصاحبه کنید تا ببینید چه چیزی در استدلال آنها تغییر کرده است.

از آنجا که نتایج بین اجراها متفاوت است، تفاوت‌های واضح و مکرر را به عنوان سیگنال و تفاوت‌های کوچک را به عنوان نویز در نظر بگیرید. سناریوی گزینه‌های سیاستی دقیقاً برای همین نوع مقایسه طراحی شده است.

مثال عملی: اصلاح پارکینگ شهرداری

شورای شهری را تصور کنید که قصد دارد هزینه پارکینگ در مرکز شهر را افزایش دهد و درآمد حاصل از آن را برای حمل و نقل عمومی استفاده کند. تیم، پیش‌نویس تصمیم، یک یادداشت توضیحی کوتاه، دو مقاله خبری محلی در مورد ترافیک و بیانیه‌ای از انجمن مغازه‌داران را آپلود می‌کند. سوال پیش‌بینی این است: «ساکنان، مسافران، مغازه‌داران و رسانه‌های محلی در طول ماه اول چه واکنشی نشان خواهند داد؟»

آنها دو گزینه را برای هر کدام به مدت ۲۰ دور اجرا می‌کنند. گزینه الف، اصلاحات را به عنوان افزایش هزینه با یک طرح سرمایه‌گذاری بعدی ارائه می‌دهد. گزینه ب با خطوط اتوبوس جدید و تخفیف‌های ساکنین آغاز می‌شود و افزایش هزینه را در وهله دوم ذکر می‌کند.

در بحث شبیه‌سازی‌شده برای گزینه الف، صاحبان مغازه‌ها به سرعت این اصلاحات را به عنوان «مالیات بر مشتریان» مطرح می‌کنند، مسافران مناطق دورافتاده شکایت دارند که هیچ جایگزینی ندارند و رسانه‌های محلی هر دو نگرانی را تشدید می‌کنند. در گزینه ب، بحث آرام‌تر است، اما سوال جدیدی مطرح می‌شود: «چه کسی واجد شرایط تخفیف ساکنان است؟» گزارش تحلیلگر نشان می‌دهد که گزینه ب خشم را کاهش می‌دهد اما از همان روز اول نیاز به توضیح واضحی در مورد واجد شرایط بودن دارد.

تیم این را به عنوان مدرک در نظر نمی‌گیرد. آنها از آن برای بازنویسی طرح ارتباطی، تهیه بخش سوالات متداول در مورد تخفیف‌ها و برنامه‌ریزی یک جلسه اولیه با انجمن مغازه‌داران استفاده می‌کنند.

محدودیت‌هایی که باید در نظر داشته باشید

شبیه‌سازی از قضاوت پشتیبانی می‌کند؛ جایگزین آن نمی‌شود. این محدودیت‌ها را در نظر داشته باشید:

• ماموران به آنچه در اسناد شما است واکنش نشان می‌دهند. امروزه آنها خودشان اخبار لحظه‌ای را نمی‌خوانند، بنابراین اگر احتمال دارد رویداد مهمی بحث را شکل دهد، آن را در مطالب بگنجانید.
• کیفیت نتیجه به کیفیت و تعادل ورودی بستگی دارد. اگر اسناد شما فقط شامل دیدگاه دولت است، منابعی را اضافه کنید که مواضع دیگری را بیان می‌کنند.
• نتایج، فرضیه‌های قابل بررسی هستند. چندین شبیه‌سازی را اجرا کنید، آنها را با هم مقایسه کنید و نتایج را با دانش خود و در صورت امکان، با داده‌های مشاوره واقعی مقایسه کنید.

اگر روی یک تغییر اعلام‌شده در یک قانون موجود کار می‌کنید، برای تمرین ارتباطات پیرامون آن، به شبیه‌سازی روابط عمومی بحران نیز مراجعه کنید. برای امتحان کردن این رویکرد روی پیش‌نویس خودتان، کنسول InfoDome را باز کنید، اسناد خود را بارگذاری کنید و آنچه را که می‌خواهید پیش‌بینی کنید شرح دهید. می‌توانید قبل از ثبت‌نام، وظیفه را آماده کنید.