actor

GPS-Bench Actor Layer 是一个用于AI治理影响分析的数据集，旨在追踪每项AI治理工具所触及的参与者、参与者采取的行动以及后续结果。数据集包含四个子集：actors（每个参与者一行，包含身份、资源、案例及图边信息）、bill（每个治理工具一行，包含其参与者及所有关联元组）、impact（每个类型的影响一行，包含影响方向、变量等）、causal_maps（每个治理工具的前因→工具→影响映射图）。数据集的构建基于对AI治理法案、专家分析、研究案例等多源信息的编码，支持对影响方向（valence）的评估。其中，仅部分行同时具备可评分性（scoreable）和影响方向（valence）用于核心评估。数据集包含多种标签层级（如研究案例、角色先验、法定条款等），并明确区分不同来源的可靠性。字段设计注重可读性，所有行统一使用九个leg字段，并通过legs_present标识实际存在的leg。数据集还提供了JSON Schema、词汇表等配套文件，便于验证和使用。GPS-Bench Actor Layer is a dataset for AI governance impact analysis, designed to track the actors reached by each AI governance tool, the actions taken by actors, and the subsequent outcomes. The dataset contains four subsets: actors (one row per actor, including identity, resources, cases, and graph edge information), bill (one row per governance tool, including its actors and all associated tuples), impact (one row per impact type, including impact direction, variables, etc.), and causal_maps (antecedent→tool→impact mapping graph for each governance tool). The dataset is constructed based on encoding multi-source information such as AI governance acts, expert analyses, and research cases, supporting the evaluation of impact direction (valence). Only some rows have both scoreability and valence for core evaluation. The dataset includes multiple label hierarchies (e.g., research cases, role priors, statutory provisions) and clearly distinguishes the reliability of different sources. Field design emphasizes readability; all rows uniformly use nine leg fields, and the actual existing legs are identified by legs_present. The dataset also provides supporting files such as JSON Schema and vocabulary for verification and use.

原始信息汇总

GPS-Bench Actor Layer 数据集概述

数据集简介

GPS-Bench Actor Layer 是一个关于 AI 治理（AI governance）工具影响范围的数据集，记录了每个 AI 治理工具所触及的对象、这些对象采取的行动以及后续产生的影响。该数据集是 GPS-bench/gps-bench-ai-bills 的配套数据集，后者包含治理工具及其文本。

数据表结构

数据集包含四个配置（config），每个配置对应一张表：

配置名	每行代表
actors	一个行动者：身份、资源、其案例和图边
bill	一个治理工具：其行动者及所有关联元组
impact	一条带类型的影响记录
causal_maps	一个治理工具的前因 → 法案 → 影响映射

关键字段与概念

可评分核心（Gradeable Core）

• scoreable 和 valence 是两个不同的筛选条件，二者几乎不重叠。可评分核心（gradeable_on_direction）的行数远低于全表总行数（不足 1%）。
• 选择可评分核心的显式方法：core = impact.filter(lambda r: r["scoreable"] and r["valence"])。
• verified_by == "human" 和 headline_eval == true 这两个筛选条件在当前数据中均返回 0 行。

影响类型（Impact Kinds）

类型	每行代表	是否有符号（signed）	是否可评分（scoreable）
statutory_clause	从治理工具文本中引用的义务条款	否	否
expert_analysis	从专家分析中提取的主张	否	是（当 groundtruth_status 为 reported 时）
exposure_silver	基于角色先验赋予福利符号的角色先验，未人工审阅	是	否
researched_case	研究人员根据有日期的事件编码的三条腿全部内容	是	部分（可评分核心）
lobbying_filing	已提交的、有日期的 LDA 披露	否	否

标签层级（Label Tiers）

• 研究型（researched）：由人工根据有日期的事件编码，可用于训练和评分（当 scoreable 为真时）。
• 角色先验（role prior）：根据行动者角色自动分配，未人工审阅，仅可用于训练，不可用于评分。
• 角色先验的符号完全由 source_actor_role 决定，且涉及角色仅有七种，因此整个有符号的银级层只包含七个标签决策。
• 加权后角色先验的准确率在 60% 左右，其中 digital_platform 角色的先验准确率约为 0.500（等同抛硬币）。

行动词汇表

• vocabularies.json 声明了 43 个研究动词，而 bill.jsonl 中使用了更多不同的 action.label 值，因为 statutory_clause 元组使用 21 种条款模式名称（如 operative_duty、prohibition、deadline 等），这些并未在 vocabularies.json 中声明。
• impact.jsonl 中的 action_vocabulary 字段标明标签来源集合：research_verb、clause_pattern 或 none_recorded。

字段说明要点

• groundtruth_status：决定 scoreable 的闸门，不同影响类型取值不同。研究型案例分为 reported/observed/self_reported；专家分析分为 reported/forecast。
• occurrence_status：表示事件是否已发生，unverified 表示无人查看，此时 has_occurred 为 null 而非 false。
• magnitude（游说行）：是一个对象而非标量，包含 {quantity, unit, measure, covers_n_bills, n_filings_with_an_amount, as_of}。切勿对 magnitude.quantity 求和，因为每个金额是覆盖其申报文件所涉及所有治理工具的季度总计。
• impact_id：每一行都有该字段，是唯一推荐的连接键。不要使用 bill_id 连接（该字段在所有人源行为空）；连接工具应使用 bill_key。
• attribution：封闭的有序词汇表——first_party、official、expert_analysis、reported、none_on_record。

数据加载

python from datasets import load_dataset

impact = load_dataset("GPS-bench/actor", "impact", split="train") core = impact.filter(lambda r: r["scoreable"] and r["valence"])

bill = load_dataset("GPS-bench/actor", "bill", split="train")

文件说明

路径	内容
*.jsonl	上述四张表的数据文件
schema/*.schema.json	每张表的 JSON Schema（draft 2020-12）
vocabularies.json	封闭词汇表
manifest.json	计数、各文件 sha256 值及构建时测量的覆盖率

bill.jsonl 由更晚的构建步骤生成，因此故意不包含在 manifest.json 中。

数据保证

• 每个曝光引用和法定条款都逐字出现在工具的 bill_text 中，构建过程若发现违规会退出。
• bill.jsonl 和 impact.jsonl 在每次发布前会同步验证。
• 所有行动标签均在某个地方有声明，但并非集中在一处。

搜集汇总

数据集介绍

构建方式

该数据集隶属于GPS-Bench基准体系，作为其执行者（Actor）层而构建，与AI法案数据集形成互补。构建过程以法案为锚点，依据bill_key与instrument_id的映射关系实现跨数据集关联，精心设计了四个相互关联的配置表：actors表记录行为主体的身份、资源及其图谱边缘；bill表聚合每个法案的行为主体与全部元组；impact表细化为条款或编码结果级的事件；causal_maps表则呈现特定法案的前因后果映射。各表通过统一的leg字段体系与legs_present标记，明确表征每行证据的三要素（行为者、行为、影响）的完备程度，并针对机器翻译条款、人工审核状态等复杂情况设立专门字段，确保数据构建的严谨性与可追溯性。

使用方法

使用时，推荐通过HuggingFace datasets库加载impact或bill配置，并依据scoreable与valence字段的组合过滤出可评分的核心数据（core = impact.filter(lambda r: r["scoreable"] and r["valence"])）。针对不同任务，可分别提取专家分析型声明（expert_analysis且scoreable）或研究案例元组。需特别注意，expert_analysis层的valence字段为空，而exposure_silver层虽带有符号但不可用于评分，务必遵循标签分层原则，避免混合评估。同时，建议从manifest.json动态读取行统计信息以替代静态数字，并依据attribution等字段进行辅助筛选，确保数据处理的精准度。

背景与挑战

背景概述

GPS-Bench Actor Layer数据集由GPS-bench团队于近期构建，旨在系统刻画人工智能治理工具的作用对象及其因果链条。该数据集围绕全球AI治理法案，将政策文本细化为多重行动者与影响维度，覆盖包括中国在内的国家主体及数字平台等角色，核心研究问题聚焦于AI治理措施如何通过特定行动者产生可测度的政策影响。其创新性地融合了法案文本、专家分析与研究案例，形成多层级标注体系，为AI治理实证研究提供了精细化的数据基础，对政策科学及AI伦理领域具有显著的支撑价值与示范意义。

当前挑战

该数据集面临的首要挑战在于领域问题的复杂性：AI治理影响难以直接量化，因果链条错综复杂，传统的政策分析工具难以应对动态、多主体的治理网络。在构建过程中，亦遭遇多重技术壁垒，包括多语言法案的机器翻译与语义挖掘难题、从原始文本中准确抽取规定义务的困难，以及不同标注层级间一致性的维护。特别是数据集的评估核心（同时具备可评分性和价值方向标注的样本）占比极低，不足总量的1%，这为模型的训练与评估带来了根本性挑战。此外，标签体系中的角色先验存在偏差，部分先验准确率接近随机猜测，要求使用者在应用时进行精细筛选。

常用场景

经典使用场景

作为GPS-Bench基准的核心数据层，actor数据集聚焦于人工智能治理领域中各行为主体的识别与影响链条刻画。其经典使用场景在于支撑对AI治理工具作用路径的细粒度解析，研究者可借助该数据集从法案文本、主体行为及影响结果三个维度出发，构建从政策输入到社会效应的因果推理链路。尤为关键的是，数据集通过精细的标注体系区分了不同类型的证据来源，如法定条款、专家分析及实证研究案例，并提供了可量化的‘valence’符号与‘scoreable’筛选逻辑，从而为评估AI治理措施的实际后果提供了严谨的实证基础。这一设计使得该数据集成为AI政策分析、技术治理效应评估及跨主体比较研究中的关键基础设施。

解决学术问题

该数据集的构建直击了当前AI治理研究领域长期面临的数据碎片化与证据维度单一的学术痛点。它系统性地整合了立法文本、行为主体、行动类别及影响方向等多源异构信息，通过标准化的‘tuple’结构将分散的治理要素关联起来，解决了此前研究中难以统一量化政策干预效果的难题。尤为重要的是，数据集区分了‘researched_case’等经过人工核验的可靠证据与基于角色先验或机器提取的银色数据，并明确标识了‘scoreable’与‘valence’的判定准则，从而为研究者提供了严谨的因果推断依据。这有力推动了从描述性分析向解释性建模的范式跃迁，显著提升了AI治理实证研究的可复现性与结论可靠性。

实际应用

在实际应用层面，该数据集为政策制定者、国际组织及产业界提供了可操作的洞察工具。通过解析各主体（如国家、企业、国际机构）的法定义务与应对策略，数据能够支持对AI相关法案合规成本、产业激励效果及国际竞争态势的量化评估。例如，分析人员可基于‘causal_maps’中的映射关系，追踪特定政策刺激下不同国家或企业的反应模式，从而优化全球治理协调策略。此外，数据集中对游说披露文件、财政拨款额度等信息的结构化记录，也为监控资本在AI治理中的影响力、评估公共资金使用效率等实务工作提供了直接的数据支撑。因此，该数据集架起了学术研究与政策实践之间的桥梁，赋能数据驱动的智治决策。

数据集最近研究

最新研究方向

该数据集的前沿研究方向聚焦于AI治理工具的实际影响评估，通过精细的因果图谱与多层次标注，构建从政策文本到行为主体及其后果的完整链路。其核心创新在于区分可评分的影响方向与专家分析的声明性内容，强调基于实证研究的黄金标准，而非依赖角色先验或未经核实的推测。这一设计推动了AI治理研究向更严谨、可复现的量化分析范式演进，为评估全球AI法案的实效提供了坚实的数据基础，并促进了跨语言、跨法域的政策比较研究。