罗盘 / 算法化选区划分·反操纵划界
暗星档案 · 未点亮的星算法化选区划分·反操纵划界
本条为初评草案（AI 辅助编目）：T 阶为三问初评（撬动面 × 停滞度 × 临界性），双评过 σ 门并红蓝复核后才升"已建档"。查不到的字段留空不编。点亮者会进入亮星候选流程，其贡献与星阶按 HCF 独立重评，不从暗星自动继承。
算法化选区划分·反操纵划界T5 量级 · 新星
用算法生成公正选区地图,终结政治操纵的划界游戏
所属星云让每一票都算数·可信民主公正之治
暗星编号DS-0938
轴A · 可及性与成员福祉
领域governance-institutions
状态初评草案 · 待双评与红蓝复核
这是什么 · 为什么难
选区划分中的"杰利蝾螈"(gerrymandering)操纵长期扭曲选举代表性,美国各州每十年一次的重划选区常被执政党用来锁定优势。计算重划选区研究用算法从空白地图生成大量随机替代方案(如 SMC 算法),再用这些无党派基准样本衡量实际通过的地图是否存在统计学意义上的偏差；2025年 Drake University 的 Stefanie Wang 与 Nathaniel Merrill 将该算法扩展到8个以下选区的小州,并用其分析爱荷华州国会选区图。这些算法工具已开始作为法庭证据被用于推翻操纵地图。攻破意味着让算法公正性检验成为选区划分的强制性法定标准,而非仅作为事后诉讼证据。
卡在哪 · 机制级卡点
卡在"公正"本身的定义之争——纯粹优化紧凑度的算法会忽略政治/人口因素而产生新的不公，真正兼顾历史投票数据与人口结构的公正标准仍缺乏跨党派共识，且是否将算法基准强制写入法律仍是各州立法层面的政治博弈。
谁在攻
哈佛大学 ALARM Project(Kosuke Imai)·Stefanie Wang(Drake University)与 Nathaniel Merrill(小州选区算法扩展)
怎么参与
计算社会科学背景可从公开的 SMC 重划选区算法代码与各州选区数据集切入