evidoria

← Voltar à navegação

Boa prática Importada

A Máquina de Habermas — o Mediador de IA da Google DeepMind para Deliberação ao Estilo de Assembleias de Cidadãos

Reino Unido · London · Ver o perfil de Reino Unido · Ver o perfil de London

Evidência: Quase-experimental Top 76% 47/100 · Pergunte a Evidence Copilot sobre esta prática

A 'Máquina de Habermas', mediador de IA da DeepMind, redigiu declarações de consenso para grupos de deliberação cidadã no Reino Unido; num estudo com 5.734 participantes, foi preferida a mediadores humanos em 56% dos casos e reduziu a polarização dos grupos.

5734 UK participants
Participantes no estudo (2023-2024)
56 %
Preferência pelas declarações redigidas por IA face às de mediadores humanos (2023-2024)

Detalhes

Maturidade
Piloto
Promotor
Google DeepMind (with University of Oxford and the Sortition Foundation)
Período
2023-2024 (Science publication October 2024)
Palavras-chave
AI research, deliberative democracy, civic engagement

Contexto

A Google DeepMind, em colaboração com a Universidade de Oxford e a organizadora de assembleias de cidadãos Sortition Foundation, desenvolveu a 'Máquina de Habermas': um sistema baseado em modelos de linguagem de grande escala, treinado para mediar deliberações políticas em pequenos grupos, redigindo declarações coletivas que sintetizam as opiniões e razões individuais dos participantes.

Atividades

Num estudo publicado na revista Science (outubro de 2024), 5.734 participantes do Reino Unido foram organizados em pequenos grupos (de cinco a seis pessoas) para discutir temas divisivos, incluindo o Brexit, a imigração, o salário mínimo, as alterações climáticas e a assistência universal à infância, comparando declarações de grupo redigidas por IA com as escritas por mediadores humanos.

Resultados

As declarações de grupo redigidas por IA foram preferidas às escritas por mediadores humanos em 56% dos casos, e receberam classificações mais elevadas de juízes independentes quanto a qualidade, clareza, valor informativo e justiça percebida. Os grupos que deliberaram com o mediador de IA também convergiram mais para posições comuns — um efeito que não se verificou quando os mesmos grupos trocaram opiniões diretamente, sem mediação.

Conclusões

O sistema não consegue atualmente verificar factos, manter a discussão dentro do tema ou moderar a conversa por si próprio, e especialistas em ética que reviram o estudo (por exemplo, Joongi Shin) manifestaram preocupação pelo facto de os participantes não terem sido explicitamente informados de que um sistema de IA estava a gerar as declarações que lhes eram apresentadas (os formulários de consentimento mencionavam 'algoritmos' de forma genérica). A DeepMind afirmou não ter planos de disponibilizar o sistema publicamente, pelo que a adoção governamental para além de futuros estudos académicos e pilotos permanece por testar.

Implementação

Custo indicativo
Elevado (500 mil €–5 M€) — No public budget figure disclosed; a large-scale LLM research study of this kind, run by Google DeepMind, is judged medium-to-high cost, though no figure is stated in the source.
Tempo até resultados
Médio (1–3 anos) — Study conducted 2023-2024, published in Science October 2024; no government deployment timeline exists as DeepMind has stated no plans to release the system publicly.
Equipa e competências
Google DeepMind research team, University of Oxford, Sortition Foundation

Condições de sucesso

  • A capable underlying LLM trained/fine-tuned specifically to draft consensus statements from divergent inputs
  • Independent, blinded judges to rate statement quality against human-mediator baselines
  • Partnership with a citizen-assembly convenor (Sortition Foundation) to organise realistic small-group deliberation sessions

Onde se enquadra

Tipo de governação
private research lab in partnership with academia/civil-society convenor
Escala
research study (5,734 participants in small groups)
Nível de rendimento
high_income

Implementa esta prática? Reivindique-a — implementadores verificados obtêm um contacto público na página e podem propor correções.

Fontes de dados

De onde foi obtida a informação desta prática, e quando.

Práticas semelhantes que podem ser úteis