模拟政策影响：开发一种生成式场景写作方法以评估监管的感知效果

人工智能技术的快速发展对个人和社会产生了诸多未来影响。政策制定者需要迅速反应并制定政策来减轻这些影响。然而，预测政策的有效性是一项艰巨的任务，因为某些影响可能只有在未来才能观察到，而相应的政策可能不适用于人工智能的未来发展。在这项工作中，我们开发了一种使用大型语言模型（LLMs）来评估特定政策在减轻指定负面影响方面有效性的方法。我们通过使用GPT-4生成政策引入前和政策引入后的场景，并将这些生动的故事转化为基于人类对影响感知的指标。我们利用已建立的生成式人工智能在媒体环境中影响的分类法，生成一组由欧盟人工智能法案第50条透明度政策减轻和未减轻的场景对。然后，我们进行了一项用户研究（n=234），从四个风险评估维度评估这些场景：严重性、合理性、程度和对弱势群体的特异性。我们发现，这项透明度立法被认为在劳动和福祉等领域有效减轻了伤害，但在社会凝聚力和安全等领域基本无效。通过这个案例研究，我们展示了我们的方法作为迭代政策有效性工具的能力，以减轻各种负面影响。我们期望这种方法对希望集思广益不同政策或其他缓解策略潜在效用的研究人员或其他利益相关者有用。