类别：数字治理
导言
人们普遍认为美国联邦政府运作缓慢。在数智时代，提高联邦政府生产力和效率的一个潜在解决方案是采用AI技术和设备。AI技术和设备已经提供了独特的功能、服务和产品，如智能家居、自动驾驶汽车、送货无人机、GPS导航、聊天机器人(如OpenAI的ChatGPT和谷歌的Bard)，以及虚拟助手(如亚马逊的Alexa)。然而，将大规模AI纳入美国联邦政府将面临几个挑战，包括道德和法律问题、过时的基础设施、未准备好的人力资本、制度障碍以及缺乏社会接受度。面对这些挑战，美国政策制定者如何推动增加AI使用的政策?这将需要在科学、政策和经济的交叉点上制定一项全面的战略，以应对上述挑战。最近三位美国学者Muhammad Salar Khan, Azka Shoaib & Elizabeth Arledge 调查了相关政策过程的文献，以了解美国联邦政府AI的进步或缺乏，这是一个新兴的研究领域。为了实现这一目标，他们研究了几个政策过程框架，包括倡导联盟框架(ACF)、多流框架(MSF)、间断均衡理论(PET)、内部决定因素和扩散(ID & D)、叙事政策框架(NPF)和制度分析与发展(IAD)。他们希望从这些文献中获得的见解能够确定一系列促进人工智能在美国联邦政府中运作的政策。论文发表在数字治理类权威期刊GIQ上面。
（文献来源：Khan M S., Shoaib A., & Arledge E.. (2024). How to promote AI in the US federal government: Insights from policy process frameworks. Government Information Quarterly, 41(1): 1-15. DOI: https://doi.org/10.1016/j.giq.2023.101908）.
研究问题
大型语言模型(LLM)的发布，如OpenAI的ChatGPT，谷歌的Bard，以及Prisma Labs的Lensa AI应用程序等其他人工智能(AI)工具，都是私营科技公司的最新亮点，标志着它们在向AI发展的过程中取得了里程碑式的进展。这些最近的发展展示了改进的技术能力，引发了公众对AI潜力的极大兴趣和讨论(van Dis,Bollen,Zuidema,van Rooij， & Bockting,2023)。在过去的几十年里，公共部门积极参与了这场AI竞赛，起草了一项国家AI战略(Bareis & Katzenbach,2022)，最近发布了一项关于AI的行政命令 (The White House, 2023)，以规范这项技术的使用。政府机构也尝试将AI和机器学习(ML)整合到他们的运营中(Government Use of AI, 2023 AI.GOV)。同样，各机构也发布了他们对AI创新、政策采用和治理的集中愿景。
机构采用AI的考虑与私营部门的考虑相呼应——具体来说，人工智能如何能作为工具来进一步推动流程自动化，提供对数据分析的洞察，并改善服务，包括通过聊天机器人等技术提高公民与机构互动的及时性。正如一些研究所指出的那样（Engstrom, Ho, Sharkey, & Cu´ellar, 2020; Mehr, 2017），AI技术也可以提升美国联邦政府的生产力和效率，而且在其他国家也是如此（van Noordt & Misuraca, 2022; Veale & Brass, 2019）。
当前AI的使用
美国联邦机构、工业界和学术界的技术领导者认为，初步实施人工智能技术应该根据机构当前数据收集、管理和分析过程中的挑战和机遇进行评估和评价，而不仅仅专注于人工智能系统的能力。(Congressional Research Service, 2021 Artificial Intelligence)。为了探索政治行为者如何在联邦机构中有效地推广AI，重要的是要搭建舞台，了解这项技术目前是如何被使用的。这种意识可能为在联邦机构中有效促进AI的战略奠定基础，包括建立AI的共同定义和确定切入点，以制定连贯的AI政策。
有发现研究中近一半(64个机构或45%)的调查机构已经计划、试点或实施了这些技术。这挑战了人们普遍认为政府机构统一使用过时的制度和程序的观点(Engstrom et al，2020)。下面的表1总结了联邦行政机构目前广泛使用的用例。该研究发现，虽然许多机构开创了多个AI/机器学习用例，但整体AI的使用主要集中在少数机构中，约7%的调查机构负责所有已确定用例的70%(Engstrom et al，2020)。
负责任和值得信赖的AI案例
美国联邦官僚机构面临的主要挑战之一是委托代理问题(Victor,2020)，其中国会作为制定政策的主体，联邦机构或雇员承担负责实施的代理角色。这种动态可能导致目标竞争和信息不对称，因为联邦机构的动机是在其专业领域内最大化预算分配，而国会可能缺乏持续监测政策实施的资源。因此，有效、高效和透明的执行受到了损害。
AI(和机器学习)可以通过提高公共部门的效率和透明度来应对这些挑战。研究人员认为，AI和机器学习可以减少信息不对称，最大限度地减少政府欺诈，同时通过自动化日常任务解放联邦雇员的时间(West,2021)。它还可以帮助政策制定者和国会有效地监控和优先分配预算，标记政策执行中的任何差异、违规或违规行为(West,2021)。
此外，机器学习应用于机制设计问题的最新进展有可能进一步提高政府机构的效率和有效性。总的来说，这些工作突出了人工智能和机器学习在改善联邦机构与社会政策目标的一致性方面的潜力。然而，尽管人工智能在提高公共部门的效率、公平和透明度等社会政策目标方面有好处，但仍存在一些值得讨论的伦理问题，如算法偏见和隐私侵犯(Cheng,Varshney， & Liu,2021)。
数据和研究方法
为了全面审视政策过程的格局并提供可操作的政策建议，研究者们系统地检索了学术和政策文献，以为本文的发现提供依据。具体来说，研究了能源、农业和环境等相关领域的政策过程文献，这三个领域经常与人工智能和技术创新一起被引用，以得出可用于促进人工智能使用的经验教训。他们采用了一个全面的视角，专注于美国联邦政府中人工智能的使用，以加深我们对政府如何促进人工智能的理解。同样，也仔细评估了在公共服务领域推进人工智能的制度和立法环境。
最初，研究者们使用多个关键词组合进行搜索，如美国联邦政府、人工智能、人工智能、机器学习、人工智能操作技术、能源、可再生能源、科技、农业创新、环境创新、政策过程、政策理论、间断均衡理论(PET)、多流框架(MSF)、倡导联盟框架(ACF)、制度分析与发展(IAD)、叙事政策框架(NPF)、内部决定因素和扩散(ID & D)，以及可行性研究，人工智能使用调查和人工智能报告。通过这些搜索，能够从政策和政策过程文献中提取关键见解。
在第一轮中，研究者们在Scopus上找到了177篇论文，在Googlescholar1上找到了十几篇论文。在审查了摘要后，将名单缩小到二十多篇研究。其中大多数使用了能源、农业和环境方面的政策过程文献，但只有少数研究使用了关于人工智能使用和扩散(现场技术)的政策过程文献，这是可以理解的，因为它是政策过程领域的一个新领域。除了本文引用的几篇学术文章外，研究者们还从开放获取报告中获得了见解，如美国行政会议(ACUS)委托的《算法政府》、斯坦福大学研究人员发布的《人工智能指数2021和2022》、国会研究服务处关于人工智能的报告、联邦政府机构的人工智能战略，如国防部数据分析、《人工智能采用战略》和《国有企业人工智能战略》等。此外，补充了对政策过程和政策研究期刊上发表的作品的定性批判性研究分析。为了澄清对人工智能的技术细节和人工智能使用中根深蒂固的制度挑战的理解，并提供有用的背景，还对计算机科学专业人士、政府领导人和熟悉美国联邦政府使用人工智能的学者进行了一些非正式的采访。
多管齐下的方法使我们能够对人工智能采用的关键见解进行三角测量，评估联邦政府促进或阻碍人工智能使用的程度，并研究联邦政策制定者如何做出关键决策，塑造美国联邦政府的人工智能格局。研究者们依靠各种政策流程框架作为分析的理论基础。这些文献意义重大，因为它帮助我们了解任何关键创新的进展或缺乏进展，例如人工智能。
理解政策变迁:分析公共政策框架内的人工智能推广
本研究通过探索政策过程框架来实现这一目标，即倡导联盟框架(ACF)、多流框架(MSF)、间断均衡理论(PET)、制度分析与发展(IAD)、叙事政策框架(NPF)和内部决定因素与扩散(ID & D)。
倡导联盟框架(ACF）
ACF提供了一种更好地理解基于共同信念的联盟形成的方法(Gabehart, Nam, & Weible, 2022)。ACF将其重点扩展到传统的政府机构之外，如议会、立法机关、法院、行政办公室和官僚机构，包括各种正式和非正式的团体和组织，这些团体和组织组成联盟，努力影响公共政策(Gabehart et al，2022)。这些实体可能包括民选和行政政府官员、活跃公民的非正式团体、正式注册的非营利组织、大型跨国公司、大学、智库和新闻来源，所有这些都被认为是关键的政策参与者。ACF可以部分解释AI政策话语的发展。随着时间的推移，这一领域的争论已经从20世纪70年代和80年代对AI研究的投资发展到目前对负责任的AI开发的关注。政策对话已变得更加微妙，政策参与者一致认为AI采用和扩散的必然性。与截然不同的支持和反对人工智能的联盟不同，人们已经就负责任的AI的必要性达成了共识，这在AI实践社区(AICoP)中尤为明显。该活跃社区于2020年与管理和预算办公室(OMB)的联邦首席信息官办公室(CIO)合作成立，由60个联邦机构的1200名成员组成，致力于推动联邦政府实施负责任的AI。
多源 流框架(MSF)
MSF试图描述为什么在特定的时间点，一种政策解决方案可能会被选择而不是其他政策解决方案(Herweg,zaharadiis， & Zohlnho¨fer,2018;金,2011)。特别是，该政策过程框架描述了三种流，当在机会之窗期间与政策企业家在关键角色中合并时，可以产生不同的政策结果(Hoefer,2022)。MSF可以用来分析美国联邦政府的AI政策议程。例如，最近的一项研究应用MSF的视角来审查美国国家AI政策战略，分析了2016年至2020年期间60多个美国联邦AI政策文件(Schiff,2023)。本分析旨在评估政府如何看待与AI有关的重要政策问题、解决方案和框架。研究结果表明，对社会和伦理问题的关注有限，主要强调经济和地缘政治方面。此外，文章强调了广泛的道德声明和具体的政策解决方案之间的差距，指出拟议的政策解决方案往往由专家主导。
间断平衡理论(PET)
PET假设政策过程在受到导致不平衡的“聚焦事件”和“冲击”的干扰之前基本保持稳定(Weible & Sabatier,2018)。这些干扰将问题带入宏观政治议程，影响政策的通过或失败。当应用于美国联邦政府推进AI措施的政策措施时，pet——其重点是冲击、政府关注、政策形象和机构场所——可以帮助阐明加速或阻碍此类政策措施通过的因素。
内部决定因素和扩散(ID & D)
内部决定因素模型认为，政策变化是由内部因素驱动的，如政治、经济和社会因素(Guo & Ba,2020;Matisoff,2008)。对俄勒冈州、俄亥俄州和俄克拉何马州小规模风能政策差异程度的分析表明，国家对环境保护的承诺、经济发展水平、公民意识形态以及利益集团的支持和影响在政策采纳中发挥了关键作用(Wiener & Koontz,2010)。将此框架应用于联邦机构对人工智能的采用，目标是理解为什么某些联邦机构比其他机构更容易接受人工智能。展望未来，执法部门和国防部门的经验教训比其他联邦机构更快地采用了人工智能，可以考虑在其他机构中使用。引导更多具有相关专业知识的资金和人员，将能够有效地采用和推广。这种机构间的知识共享将有助于在联邦机构中推广负责任的人工智能，在这些机构中，技术可以最大限度地提高绩效。
叙事政策框架(NPF)
NPF使用政策参与者使用的故事或“叙述”来传达有关政策问题的信息(Jones,McBeth， & Shanahan,2022)和政策过程(Jones & McBeth,2020)。个人使用这样的叙事来影响政策过程，以实现预期的政策结果。AI的采用，以及其支持和反对双方的潜在叙述，代表了一个新的政策领域，是利用NPF文献的理想选择。最近的研究已经应用NPF来揭示33个国家关于AI的政治话语的叙事(Guenduez & Mettler, 2023)。这些叙述涵盖了各种主题，包括(1)建立国家AI市场，(2)挑战大型私营公司的垄断地位，(3)强调AI研发战略合作的重要性，(4)专注于创造负责任的AI，(5)教育AI专业人员，以及(6)快速部署AI。在美国，最主要的叙事是叙事3，其次是叙事6。这些叙事共同说明了政府作为推动者、监管者和领导者的角色。
制度分析发展框架(IAD)
内部IAD建立在制度规则和安排的基础上，这些规则和安排塑造了提供给个人的激励，改变了他们的行为，以实现积极的结果(Ostrom,2010,2011)。研究人员已将IAD应用于各种环境。从理论上讲，美国联邦政府的机构AI领域也可能面临来自非合作行为的挑战。虽然加强机构间合作可以促进更多的AI采用，但可能有理由抵制合作和制定一致的政策。首先，联邦机构面临法规、预算和技术专长等限制，导致优先事项和目标相互竞争。因此，实现更多的AI可能会带来制度上的挑战，从而引发政治地盘之争。此外，联邦机构可能需要改变其内部政策，以增加AI的实施，此举可能不会得到对人工智能持怀疑态度的公共管理人员的青睐，或者可能会产生经济或政治成本。
建议
本研究结果表明，联邦机构将从采用负责任的AI中获益良多。根据通过的立法和创建的机构，很明显存在促进AI的政治意愿。现在的问题是，立法和行政部门如何有效地采用和实施这一政策变化。必须在现有的体制和立法环境中发现机会，以加强负责任的AI采用的实施和进展评估机制。以下是研究者们根据对适用于采用AI的政策流程框架的分析提出的一些建议。一旦这些机制在联邦一级建立起来，州和市一级的政府机构也可以在AI可能最大化效用的地方采用这些策略。
1.利用ACF加强负责任的AI倡导联盟
2.利用MSF组织的政策企业家
3.利用PET的重点活动汲取经验教训和动力
4.利用ID & D进行国内资源调动和体制改革
5.使用NPF来减轻担忧和不信任
6.应用人工智能IAD加强机构间合作，尽量减少集体行动问题，制定负责任的AI立法
结论
总之，AI技术的使用正在增加，并将继续增加。私营部门和政府实验室正在投资开发更强大的AI能力。公民继续感受到私营部门组织使用AI的好处，并期望美国联邦政府提供相同水平的服务;然而，公共部门在AI的实施和采用方面落后。虽然我们承认创新采用文献的几个方面，但本文通过政策过程框架，即倡导联盟框架(ACF)、多流框架(MSF)、断续平衡理论(PET)、内部决定因素和扩散(ID & D)、叙事政策框架(NPF)和制度分析与发展(IAD)，探讨了政策制定者促进联邦政府使用负责任的AI的机会。每个框架的核心主题——工作联盟、政策企业家、聚焦事件和冲击、内部因素(如政治、经济和社会因素)、叙事、制度规则和安排——可以被决策者用来推进联邦政府使用AI的政策。鉴于AI技术的迅速发展和相关挑战，正在进行的研究对于指导负责任地采用AI和制定细致的政策更为重要。
附参考文献文献附参考文献
参考文献：
【治理与反思】谁来守护AI驱动的机器人守卫？在遵循AI机器人建议后警察暴力的伦理性和认知中和
【治理与反思】过度共享：地方政府数据共享的弊端
【治理与反思】公共行政数字化转型中的合作生产和公共价值创造
【文献与探索】公共管理和决策中的信息使用
【治理与反思】公共劳动力多样性和行政生态系统在推进数字公共服务创新中的作用
原文链接（阅读原文 点击左下角）：
https://www.sciencedirect.com/science/article/pii/S0740624X23001089?via%3Dihub
此处也可以下载全文：
https://www.sciencedirect.com/science/article/pii/S0740624X23001089?via%3Dihub
凤凰网一点资讯：
https://www.researchgate.net/publication/339954958_Shaping_Identity_Older_Adults'_Perceived_Community_Volunteering_Experiences_in_Shanghai
欢迎您提出与本文内容、主题或翻译有关的各种问题与建议！
欢迎关注、订阅微信公众号【治理学术】。本公众号是由公共管理与政治学学科的老师和学生志愿者开发的学术和交流平台，重点是治理理论与实践领域的热点问题，我们每日整理、翻译并推荐一篇最新权威英文文献。核心内容分为三大板块：1、治理理论 文献与探索，2、管理实践 治理与反思，3、公共治理 教学与交流。
欢迎推荐或自荐研究成果，来稿请致邮箱：usstgggl@163.com
PS：如何加入微信公众号：
您可以扫描下面的二维码，或者搜索公众号：“治理学术”，或者加原始ID:
gh_dd2c06e61722 然后点击加入即可。
PS：如何查看以前推送的精彩文章：
您只要点标题下方的“治理学术”，并选择“查看历史消息”即可，精彩就会尽现。谢谢！
