近年來，人工智慧技術為集體決策提供了新的可能。傳統的投票方式要求參與者從固定候選人中選擇，但現代AI允許人們透過自由文本表達意見，從而更豐富地捕捉偏好。一個自然的方法是將這些意見嵌入到向量空間中，以便應用設施位置問題（facility location）和公平聚類（fair clustering）等經典演算法。然而，標準文本嵌入（如BERT、Sentence-BERT）衡量的是語義相似度，即文本在含義上的接近程度，而設施位置和公平聚類所需的距離度量是一種所謂的“偏好相似度”：參與者對某段文本的同意程度應與其在嵌入空間中的距離成反比。現成的嵌入模型透過語義與偏好之間的相關性，繼承了粗略的偏好訊號，但當這種相關性被打破時（例如文本風格、措辭與立場無關），它們就無法捕捉真實偏好。
來自Carter Blair等作者的研究（arXiv:2605.08360，2026年5月8日提交）將這一問題形式化為一個不變性（invariance）問題：文本嵌入模型同時編碼了偏好相關訊號（如立場、價值觀）和語義上的干擾因素（如風格、措辭），且兩者在觀測上相互關聯。因此，僅依賴干擾因素的幾何結構即使不正確，也可能表現出符合偏好的假象。為了解決這個問題，研究者提出設計合成訓練資料，故意打破語義與偏好之間的統計相關性。理論證明，這種訓練方法可以使最優評分器從受干擾因素支配的餘弦相似度中轉移出來，轉而捕捉真正的偏好訊號。實驗在11個線上討論資料集上進行，結果表明該方法在偏好預測的準確性上顯著優於傳統餘弦相似度。
這項研究的意義在於，它為利用AI進行更公平、更精準的集體決策提供了新思路。例如，在民意收集、公共諮詢或產品反饋中，如果僅使用標準文本嵌入，可能會因為語義噪聲而歪曲真實偏好。而透過偏好感知的嵌入，我們可以更好地定位群體意見的中心點（即設施位置），並確保不同觀點群體得到公平的代表（即公平聚類）。該方法不僅揭示了現有嵌入模型的固有侷限，還提供了一種實用的訓練策略，有望推動AI在民主參與和社會選擇理論中的應用。