Meeting avec Jean-Luc Mélenchon, David Guiraud et Shéhérazade Bentorki à Roubaix !
JEAN-LUC MÉLENCHON
61 k vues • Diffusé il y a 22 heures

Research Article
ARTIFICIAL INTELLIGENCE
Share on
AI can help humans find common ground in democratic deliberation
Michael Henry Tessler https://orcid.org/0000-0003-3945-0239, Michiel A. Bakker https://orcid.org/0000-0003-4474-7109, Daniel Jarrett, Hannah Sheahan https://orcid.org/0000-0003-0443-9400, Martin J. Chadwick, Raphael Koster https://orcid.org/0000-0001-5264-3137, Georgina Evans, Lucy Campbell-Gillingham https://orcid.org/0009-0000-5476-5402, Tantum Collins https://orcid.org/0009-0004-8461-6028, David C. Parkes https://orcid.org/0000-0002-2701-3464, Matthew Botvinick https://orcid.org/0000-0001-7758-6896, and Christopher Summerfield https://orcid.org/0000-0002-2941-2653 fewerAuthors Info & Affiliations
Science
18 Oct 2024
Vol 386, Issue 6719
DOI: 10.1126/science.adq2852
47 141
81
Metrics
Total Downloads47 141

Last 6 Months6 196
Last 12 Months13 515

Total Citations81

Last 6 Months50
Last 12 Months73

Editor’s summary
To act collectively, groups must reach agreement; however, this can be challenging when discussants present very different but valid opinions. Tessler et al. investigated whether artificial intelligence (AI) can help groups reach a consensus during democratic debate (see the Policy Forum by Nyhan and Titiunik). The authors trained a large language model called the Habermas Machine to serve as an AI mediator that helped small UK groups find common ground while discussing divisive political issues such as Brexit, immigration, the minimum wage, climate change, and universal childcare. Compared with human mediators, AI mediators produced more palatable statements that generated wide agreement and left groups less divided. The AI’s statements were more clear, logical, and informative without alienating minority perspectives. This work carries policy implications for AI’s potential to unify deeply divided groups. —Ekeoma Uzogara

Structured Abstract
INTRODUCTION
Democracy, at its best, rests upon the free and equal exchange of views among people with diverse perspectives. Collective deliberation can be effectively supported by structured events, such as citizens’ assemblies, but such events are expensive, are difficult to scale, and can result in voices being heard unequally. This study investigates the potential of artificial intelligence (AI) to overcome these limitations, using AI mediation to help people find common ground on complex social and political issues.
RATIONALE
We asked whether an AI system based on large language models (LLMs) could successfully capture the underlying shared perspectives of a group of human discussants by writing a “group statement” that the discussants would collectively endorse. Inspired by Jürgen Habermas’s theory of communicative action, we designed the “Habermas Machine” to iteratively generate group statements that were based on the personal opinions and critiques from individual users, with the goal of maximizing group approval ratings. Through successive rounds of human data collection, we used supervised fine-tuning and reward modeling to progressively enhance the Habermas Machine’s ability to capture shared perspectives. To evaluate the efficacy of AI-mediated deliberation, we conducted a series of experiments with over 5000 participants from the United Kingdom. These experiments investigated the impact of AI mediation on finding common ground, how the views of discussants changed across the process, the balance between minority and majority perspectives in group statements, and potential biases present in those statements. Lastly, we used the Habermas Machine for a virtual citizens’ assembly, assessing its ability to support deliberation on controversial issues within a demographically representative sample of UK residents.
RESULTS
Group opinion statements generated by the Habermas Machine were consistently preferred by group members over those written by human mediators and received higher ratings from external judges for quality, clarity, informativeness, and perceived fairness. AI-mediated deliberation also reduced division within groups, with participants’ reported stances converging toward a common position on the issue after deliberation; this result did not occur when discussants directly exchanged views, unmediated. Although support for the majority position increased after deliberation, the Habermas Machine demonstrably incorporated minority critiques into revised statements. We replicated these results in a virtual citizens’ assembly, additionally finding that during AI-mediated deliberation, the views of groups of discussants tended to move in a similar direction on controversial issues. These shifts were not attributable to biases in the AI, suggesting that the deliberation process genuinely aided the emergence of shared perspectives on potentially polarizing social and political issues.
CONCLUSION
This research demonstrates the potential of AI to enhance collective deliberation by finding common ground among discussants with diverse views. The AI-mediated approach is time-efficient, fair, scalable, and outperforms human mediators on key dimensions. Rather than simply appealing to the majority, the Habermas Machine prominently incorporated dissenting voices into the group statements. AI-assisted deliberation is not without its risks, however; to ensure fair and inclusive debate, steps must be taken to ensure users are representative of the target population and are prepared to contribute in good faith. Under such conditions, AI may be leveraged to improve collective decision-making across various domains, from contract negotiations and conflict resolution to political discussions and citizens’ assemblies. The Habermas Machine offers a promising tool for finding agreement and promoting collective action in an increasingly divided world.
AI helps people find common ground in collective deliberation.
(Left) The AI mediator uses participants’ opinions to generate group statements and iteratively refines those statements through participants’ critiques. (Middle) Statements from the AI mediator (purple) garner stronger endorsement than those written by a human mediator (orange). (Right) AI mediation leaves groups less divided after deliberation, whereas simply sharing opinions with others does not.
Abstract
Finding agreement through a free exchange of views is often difficult. Collective deliberation can be slow, difficult to scale, and unequally attentive to different voices. In this study, we trained an artificial intelligence (AI) to mediate human deliberation. Using participants’ personal opinions and critiques, the AI mediator iteratively generates and refines statements that express common ground among the group on social or political issues. Participants (N = 5734) preferred AI-generated statements to those written by human mediators, rating them as more informative, clear, and unbiased. Discussants often updated their views after the deliberation, converging on a shared perspective. Text embeddings revealed that successful group statements incorporated dissenting voices while respecting the majority position. These findings were replicated in a virtual citizens’ assembly involving a demographically representative sample of the UK population.

Affiliations
TOUS de Google DeepMind, London, UK. !!

• Michael Henry Tessler*,† https://orcid.org/0000-0003-3945-0239 mhtessler@google.com
  Roles: Conceptualization, Data curation, Formal analysis, Investigation, Methodology, Project administration, Resources, Software, Supervision, Validation, Visualization, Writing - original draft, and Writing - review & editing.
• Michiel A. Bakker*,† https://orcid.org/0000-0003-4474-7109 mhtessler@google.com
  Roles: Conceptualization, Data curation, Formal analysis, Funding acquisition, Investigation, Methodology, Project administration, Resources, Software, Supervision, Validation, Visualization, Writing - original draft, and Writing - review & editing.
• Daniel Jarrett
  Roles: Conceptualization, Data curation, Formal analysis, Methodology, Software, Validation, Visualization, Writing - original draft, and Writing - review & editing.
• Hannah Sheahan https://orcid.org/0000-0003-0443-9400
  Roles: Conceptualization, Data curation, Methodology, and Software.
• Martin J. Chadwick
  Roles: Conceptualization, Methodology, Resources, Software, and Writing - review & editing.
• Raphael Koster https://orcid.org/0000-0001-5264-3137
  Roles: Investigation and Software.
• Georgina Evans
  Roles: Formal analysis, Methodology, Software, Validation, Visualization, and Writing - review & editing.
• Lucy Campbell-Gillingham https://orcid.org/0009-0000-5476-5402
  Roles: Funding acquisition, Investigation, and Project administration.
• Tantum Collins https://orcid.org/0009-0004-8461-6028
  Roles: Conceptualization, Methodology, and Writing - review & editing.
• David C. Parkes https://orcid.org/0000-0002-2701-3464
  Department of Computer Science, Harvard University, Cambridge, MA, USA.
  Roles: Conceptualization and Methodology.
• Matthew Botvinick* https://orcid.org/0000-0001-7758-6896 mhtessler@google.com
  Yale Law School, New Haven, CT, USA.
  Roles: Conceptualization, Methodology, Project administration, Supervision, Visualization, Writing - original draft, and Writing - review & editing.
• Christopher Summerfield* https://orcid.org/0000-0002-2941-2653 mhtessler@google.com
  Department of Experimental Psychology, University of Oxford, Oxford, UK.
  Roles: Conceptualization, Data curation, Formal analysis, Investigation, Methodology, Project administration, Resources, Software, Supervision, Validation, Visualization, Writing - original draft, and Writing - review & editing.

Notes
Corresponding author. Email: mhtessler@google.com (M.H.T.); miba@google.com (M.A.B.); botvinick@google.com (M.B.); christopher.summerfield@psy.ox.ac.uk (C.S.)
† These authors contributed equally to this work.
Connu / https://tools.immae.eu/Shaarli/mediationpourtous?anEhcQ
Ndlr :

• Première observation : tous les auteurs sont de GOOGLE ! N'et-ce pas un ÉNORME BIAIS ?!
• APPROFONDIR ACT

196 k abonnés - 2,6k+ - 47 904 vues - 836 commentaires

Notes #87 2026-01-22 Environnement, développement durable et biodiversité Logement et territoires Politiques sectorielles

Anne Perrot
Arnaud Reynaud
Stéphane Saussier

La France est confrontée à une crise hydrique croissante, amplifiée par le changement climatique, alors même que les infrastructures sont vieillissantes : près d’un litre sur cinq est perdu dans les réseaux, et le rythme actuel de renouvellement impliquerait plus d’un siècle et demi pour moderniser l’ensemble du patrimoine. Elle exige donc un surcroît d’investissement pour fiabiliser et moderniser les réseaux, mais aussi une sobriété accrue des usages de l’eau.

Face à ces enjeux, le modèle économique du secteur, fondé sur le principe « l’eau paie l’eau » et donc largement dépendant des volumes consommés, apparaît aujourd’hui inadapté. Alors qu’une large part des coûts des services d’eau sont fixes, la baisse structurelle des consommations, encouragée par les politiques de sobriété, fragilise leur financement.

Une réforme profonde s’impose. Elle doit d’abord viser à instaurer une tarification plus simple, lisible et économiquement efficiente, reposant sur une part fixe renforcée, nécessaire pour couvrir les coûts structurels, et une part variable, modulée selon les variations saisonnières ou la disponibilité de la ressource, afin d’envoyer un signal-prix adapté en période de tension.
La capacité stratégique et opérationnelle des autorités organisatrices doit également être renforcée, notamment par le regroupement des services d’eau et d’assainissement et par le recours accru à des instruments contractuels liant la rémunération des opérateurs à des objectifs de performance.

La réforme du financement des services d’eau pose également la question de la répartition de l’effort entre les usagers. Celui-ci repose aujourd’hui de manière disproportionnée sur les ménages, tandis que l’agriculture et l’industrie, pourtant grandes consommatrices et sources de pollution, contribuent relativement peu, traduisant une application imparfaite du principe pollueur-payeur et appelant un réexamen des redevances.

La gestion durable de l’eau ne peut toutefois se limiter aux seuls services d’eau et d’assainissement (le « petit cycle »). Elle doit mieux intégrer le fonctionnement global de la ressource (le « grand cycle ») en favorisant la sobriété hydrique, la recharge des nappes et la réutilisation des eaux usées traitées. Le financement de ce grand cycle, indispensable à la préservation des écosystèmes et à la prévention des inondations, reste largement insuffisant. Un financement additionnel et pérenne doit être mobilisé pour répondre aux besoins liés à la biodiversité et aux coûts environnementaux croissants.

L’urgence hydrique impose de combiner des mesures rapides et des réformes structurelles de long terme, intégrant pleinement l’eau dans l’ensemble des politiques publiques. La mise en œuvre de cette trajectoire exige toutefois la construction d’un véritable consensus social autour de l’eau, fondé sur une meilleure information, un partage plus équilibré de l’effort et une solidarité renforcée envers les territoires les plus vulnérables.

Télécharger la publication
Télécharger les slides

Connu / mel BNM16
"
Sujet : Document intéressant
Date : Fri, 30 Jan 2026 10:58:29 +0100
De : Bassines Non Merci Aume Couture
"
qui met en évidence
"
Page 10 Développer le stockage de l’eau via la recharge des nappes
… Le stockage de l’eau dans des retenues de substitution (ou méga-bassines) est un sujet de vives tensions. Pourtant, les volumes qui y sont stockés ne représentent qu’environ 1 % des prélèvements pour l’irrigation. Si le stockage joue un rôle important dans certains bassins, ce modèle soulève plusieurs problématiques. Tout d’abord, le stockage est souvent perçu comme une captation de la ressource au profit d’une minorité d’agriculteurs engagés dans un modèle productiviste à forte consommation d’eau. Cette perception est renforcée par le fait que les projets de retenues sont en partie financés par des fonds publics. Les effets environnementaux des retenues sont pourtant critiqués : évaporation importante, perturbation des cycles naturels, eutrophisation et atteinte à la biodiversité. Dans certains cas, ces impacts ne sont pas suffisamment évalués en amont des projets. Le manque de transparence et de concertation dans leur mise en œuvre alimente également les conflits d’usage, comme l’ont illustré les mobilisations autour des projets de Sainte-Soline ou du Sud-Vendée. La conditionnalité du stockage ou des aides pourrait être envisagée. Elle reposerait sur des contrats d’engagement liant les bénéficiaires à des changements de pratiques agricoles vers plus de sobriété hydrique.
Page 11 :
Recommandation 6. Mettre en place une gouvernance territoriale des projets de recharge des nappes qui intègrent les besoins des écosystèmes. Conditionner le développement de nouvelles capacités de stockage de l’eau à des modifications de pratiques et/ou à des objectifs de sobriété hydrique.
Page 12 :
Recommandation 8. Assurer le financement des actions de restauration des milieux aquatiques et de prévention des risques liés à l’eau en mobilisant des financements additionnels, notamment via un recours accru aux prêts à long terme de la Banque des territoires.
Recommandation 9. Aller vers une plus grande équité entre usagers, secteurs et territoires via le rééquilibrage de leurs contributions financières respectives, une meilleure intégration des disparités territoriales dans les politiques de l’eau, et le renforcement des mécanismes de solidarité rendus nécessaires par le changement climatique.
"