1983年，愛爾蘭憲法第八修正案複決了一項已經在愛爾蘭全國施行100多年的墮胎禁令。然而在新千禧年，公眾的看法開始轉變，到了2016年，一場真正的辯論已經勢不可擋。即使是作風相對進步的政治家，長期以來對這項爭議也都敬而遠之，避免流失選民的風險。還有誰值得信賴又有說服力，能夠打破僵局呢？
答案是一群普通人。這可不是開玩笑，愛爾蘭國會召集了一個公民會議（citizens' assembly），其中99名成員都是隨機挑選，而且挑選過程確保該群體的組成，在年齡、性別和居住地區等不同特徵上都足以代表愛爾蘭全民組成。在2016~2017年的幾個月裡，該會議成員聽取專家意見，並就墮胎合法化進行廣泛討論。會議決議有絕大多數成員的支持：除了孕期條件，全面允許人民墮胎。會議結論為2018年愛爾蘭公投奠立基礎，公投結果有66%的愛爾蘭選民同意廢除第八修正案，容許墮胎合法化。若再早幾年，這樣的結果近乎不可思議。
愛爾蘭公民會議只是目前一類普遍現象的個案。近幾年，數百個這樣的公民會議在世界各地召集，成員都是從相關群體中隨機挑選，並給予時間和資訊來協助他們進行審議。法國、德國、英國、美國華盛頓州和其他地方的公民會議，已經規劃減少碳排放的途徑。加拿大的公民會議尋求減緩仇恨言論和假新聞的方法；澳洲的公民會議推薦人類基因組剪輯的倫理取徑；美國俄勒岡州的公民會議建議疫情恢復的政策。總而言之，公民會議足以揭露公民意志和建立共識，這些成果證實這項機制的能耐，令人刮目相看。
公民會議有效，其實不足為奇。你或許注意過，當政客決定不再尋求連任的當下開始，就會變得更有主見。公民會議就像成員彼此協議不尋求連任的立法機關，隨機挑選的成員不受黨派機器或外部利益的影響，可以自由表達心中的想法，依憑自己的良心投票。
更重要的是，這些會議和民選立法機構不同，其中成員的挑選反映了人口的組成，這種特性有政治理論家稱之為描述性代表（descriptive representation）。例如一個典型公民會議的組成，男性和女性人數大致相等（有些還確保非二元性別的參與）；相對地，2021年全世界各國國會的女性席次平均佔比是26%，雖然比1997年的12%顯著增加，但仍遠遠達不到性別平衡。反過來，描述性代表賦予會議合法性：公民發現，由類似自己的群眾所做出的決策似乎更容易接受。
雖然描述性代表的概念深具吸引力，在堅持隨機挑選的前提下，實現這項理想卻存在一些實務上的困難。過去幾年，尋求克服這道難題的方法正是我熱情專注之所在，我和合作者運用數學和電腦科學工具，發展了一套挑選公民會議成員的演算法，正受到世界各地參與者的廣泛使用。這段故事能一瞥未來的民主機制，雖然其根源可以上溯到很久以前。
隨機挑選代表
公民會議是所謂抽籤（sortition）觀念的當代最新化身，這種隨機挑選代表的想法可以上溯到古希臘時期。公元前五世紀，雅典城邦的守護神雖然是雅典娜，但當時居民對抽籤方法的接受程度，高到人們會以為實質統治者是掌管運氣的女神堤珂（Tyche）。古雅典絕大部份公職人員是從自願服務的公民中抽籤選出的，包括組成行政部門的多數文官、數千名陪審員，以及500人議事會（Council of 500），這是一個職責廣泛的審議機構。
古雅典人對抽籤的尊重，明顯體現於挑選陪審員時使用的抽籤器（kleroterion）的天才設計上。抽籤器是一塊有格狀插槽的石板，排列成10行，對應10個雅典部族。希望擔任陪審員的公民把鑄有識別資訊的青銅票卡交給選務官，選務官把這些票卡插入其對應部族的行槽，接著把兩色（例如金色和白色）彈珠經由漏斗倒入一個圓柱管，並確保這些彈珠以隨機順序排列。
然後，選務官用某種方法讓彈珠一顆顆顯示，如果第一顆彈珠是金色，石板上第一列票卡的10位公民便入選陪審團；如果是白色，則第一列公民就全部落選；依此類推，彈珠的順序依序對應公民的列次，金色表示入選，白色表示落選。舉例來說，如果想選出30位公民的陪審團，選務官就在白色彈珠中混入三顆金色彈珠。因為每顆金色彈珠會從每一部族皆挑選一位公民，以這種方式選出的陪審團，便可保證每個部族的代表人數相等。這種方法在一個實施奴隸制並排除女性參政的社會裡，實現了描述性代表的機制。
就像古雅典抽籤器一樣聰明，現代公民會議的挑選過程更複雜，因為如今描述性代表的概念更加細緻，我們期待公民會議能反映人口統計的多重特徵，而不僅只有一種。以英國氣候會議為例，英國下議院在2019年委託該會議討論如何在2050年之前實現溫室氣體零排放的目標。會議的組織者隨機挑選110名成員，希望依照七項標準來代表英國民眾的組成：氣候觀、性別、年齡、居住地區、教育程度、種族、城鄉。在城鄉這項標準中，英國大約有80%人口居住在城市，因此110席中有88席（80%）保留給城市居民，22席（20%）分配給鄉村居民。其他六項標準的配額計算方式也類似。
但上述例子還不夠複雜，因為公民會議的組織者經常面對只能從志願者挑選會議成員的難題，畢竟有意願參與的志願者組成，可能跟真正人口大相逕庭。通常組織者是藉由郵件或電話向大量人士發送邀請，但只有少部份受邀者決定參與。例如英國氣候會議的組織者向三萬戶家庭發出邀請函，最後召募了1727名志願者，其中63%受過最高層級的教育（英國體系），但一般英國人只有27%屬於這一類別。與一般人相比，這些志願者的氣候觀分佈毫不意外存在偏差。相較於一般人，關注該問題的人數所佔比率過高，因為很少有氣候懷疑論者會樂於在長週末（即連續假期）參與規劃零排放途徑的會議。
總之，我們需要一個現代的抽籤器，能夠為公民會議隨機挑選出一個具有多重標準代表性的組合方式，即使原先的志願者群體缺乏代表性。幸好我們已經從石板時代發展到電腦時代，所以這道難題最後歸結到設計出正確的演算法。
一直到最近，解決這道難題最流行的方法是仰賴所謂的「貪婪演算法」（greedy algorithm）。這個用詞有點誤導，因為這種演算法的毛病是怠惰，而不是貪婪：它採取目前看起來最好的行動，卻不致力於長期有用的方法。為了挑選會議成員，貪婪演算法會一個接一個增加志願者，在補滿配額的目標上取得最直接的進展。例如，這種演算法可能會認定目前會議組成嚴重缺少30~44歲年齡層的人，於是就在這個年齡層的志願者中隨機選擇一位加入會議；接下來它可能發現缺乏英國倫敦代表，於是就在該群體選擇下一位志願者。
這種演算法可能做出一些糟糕的選擇，最終導致無法達成配額限制的窘境。一旦發生，它就簡單地重新開始整個過程，經驗顯示，這種演算法最終會幸運完成任務。事實上，英國非營利組織抽籤基金會（Sortition Foundation）開發的一種特殊貪婪演算法，就運用於英國氣候會議的組成，以及隨後組織的許多會議。……
(繪圖：Jen Christiansen)
