本文摘要：未来，美国的国会议员们写出了一个议案，没准还不会再行让人工智能算法打个分。一家美国人工智能公司Skopos近日在《PLOSONE》期刊上公开发表论文：输出一份议案原文，另加几个变量，人工智能就能得出该议案通过法律的概率。根据流程规定，一份议案首先要通过参议院或众议院某个委员会的审查会，经该院投票通过，再行由两院投票表决。 此前，有些研究者也尝试过用算法预测议案在委员会、或在两院之一通过的概率，效果参差不齐。

未来，美国的国会议员们写出了一个议案，没准还不会再行让人工智能算法打个分。一家美国人工智能公司Skopos近日在《PLOSONE》期刊上公开发表论文：输出一份议案原文，另加几个变量，人工智能就能得出该议案通过法律的概率。根据流程规定，一份议案首先要通过参议院或众议院某个委员会的审查会，经该院投票通过，再行由两院投票表决。

此前，有些研究者也尝试过用算法预测议案在委员会、或在两院之一通过的概率，效果参差不齐。Skopos的牵头创始人JohnNay目标不仅限于此：他想得出结论一份国会议案通过两院投票表决、沦为法律的概率。那些想废止奥巴马医改的议案，算法打了多少分？Nay搜集了从第103届国会到第113届国会（也就是1993年至2015年）的所有法律数据，还包括所有议案的全文和其他一些因素，比如联合发起者的人数、议案发动的月份、驳回者否为该院多数党成员等。Nay用于从第103届国会到第106届国会的数据展开机器学习。

所谓机器学习，就是给算法输出大量数据，并等价这些输出值相匹配的输入值，由算法自己“思索”出有输出值和输入值之间隐蔽关联的特征。他用经过训练的算法对第107届国会的案例展开了预测。

下一步，Nay又更进一步用第103届到第107届国会的数据训练算法，用作预测第108届国会的案例，以此类推。Nay最后获得的完整版算法包括以下几个部分。

首先，算法必须对议案的语言展开分析。通过词汇与周围词汇的映射方式，算法以求理解这些词汇的含义。比如，获得“取得教育贷款”这个短语，算法不会假设“贷款”这个词和“取得”、“教育”都是涉及的，把所有词汇相互之间的关联以分析的形式概括，由此，每一个词汇就可以用一串数字来代表。

融合这些数字，算法就可以解读每个句子的意思。其次，一个算法企图寻找它解读的句子“意思”和议案成功率之间的联系，另三个算法找寻上下文和议案成功率之间的联系。

最后，一个伞形算法综合上述四个算法的结果，预测议案的成功率。意味着预测一个议案能否顺利没什么价值。

约有96%的议案不会告终，也就是说，你每次都猜中议案都不通过，也拢将近哪里去。因此，更加最重要的是预测到一个准确的概率值。

却是，一个国会议案往往不会牵涉到相当大的利益，在这种情况下，把议案的成功率下降几个百分点，也是意义根本性的。Nay在论文中提及，他的算法在评估成功率时的展现出，比意味着评估议案能否顺利要好上65%。在国会的案头，想废止奥巴马医改的议案一度堆积如山。

这些议案在算法那里拿了多少分呢？虽然，按照平均值估算，它们的成功率也只有4%，但算法无情地给所有这些议案投出了更加较低的概率。措辞很最重要那么，算法在评估议案成功率时，最推崇哪些因素呢？Nay车祸地找到，只不过议案的文本本身就起着相当大的影响。

议案发起人归属于多数党，以及议案发起人历任多届国会议员固然是个特分项，但对议案成功率的影响将近1%。而就文本而言，“影响”、“后果”这样的词汇能提高与气候涉及的法案的成功率，而“全球”、“气候变化”这些词汇只不会起着反作用。在与医疗涉及的议案中，“公共医疗补助金”、“再保险”这样的词并不讨伐两院议员的宠信。在与专利涉及的议案中，看上去众议院喜欢“软件”这个词，而参议院喜欢“计算出来”这个词。

Nay回应深感吃惊：“我之前以为法律过程主要不受党派的影响，政策本身反而不怎么涉及。”这种新鲜的文本分析方法，也让许多政治学家深感眼前一亮。华盛顿大学的JohnWilkerson就指出这项研究很有新意，充满著前景。

本文来源：nba官网买球-www.drvanjelis.com