1. معرفی
در 18 ژانویه 2022، FTC و DOJ («سازمانها») درخواست مش،ی برای اطلاعات (RFI) صادر ،د و از آنها خواستند تا در مورد نحوه بهروزرس، رویکرد خود برای اجرای ادغام نظر دهند. مشابه RFIهای گذشته، تعدادی از دانشگاهیان، وکلا و سایر متخصصان ضد انحصار نظرات مفصلی را بر اساس تجربه و تخصص خود در این زمینه ارائه ،د.[1] با این حال، در این مورد، عموم مردم نیز علاقه مند شدند: بیش از 5000 نظر ارسال شد،[2] در مقایسه با تنها 74 نظر ارسال شده در طول دوره نظرات عمومی 2020 برای دستورالعمل های ادغام عمودی.
در سخنر، در 13 سپتامبرهفتم جاناتان کانتر، دستیار دادستان کل، در سمپوزیوم حقوق ضدانحصار جورج تاون به تعداد زیاد نظرات به ،وان شاخصی از علاقه عمومی قابل توجه به این روند اشاره کرد. وی در ادامه به منشأ آنها اشاره کرد: «کارگران، مصرفکنندگان و کارآفرین، که نمیدانند حاشیهسازی مضاعف چیست، یا نمیدانند چه تعداد از فرضیات برای نتیجهگیری باید با ادغام حذف شود.»[3]
خصوصیات کانتر این نکته مهم را دارد که آژانسها بسیاری از این بیش از 5000 نظر را به صورت عمومی ارسال ن،د، و این احتمال وجود دارد که آنها شامل موارد تکراری یا ارسالی نامربوط باشند. اما به نظر می رسد که بخش بزرگی از این نظرات از سوی افرادی است که در سیاست های ضد انحصار یا دعوی قضایی دخالتی ندارند. از 1906 نظر ارسال شده، 1688 (89٪) از این افراد بوده است.
اگرچه کانتر اشاره کرد که آژانسها همه این نظرات را خواندهاند و قصد دارند هنگام تهیه پیشنویس دستورالعملهای جدید به آنها توجه کنند، تعیین اینکه این نظرات در مجموع چه چیزی را صرفاً با خواندن آنها منتقل میکنند آسان نخواهد بود. از آنجایی که نویسندگان آنها احتمالاً متخصصان ضد انحصار نیستند، نظرات ،وماً تغییرات یا توصیههای سیاستی خاصی را منتقل نمیکنند. و به دلیل تعداد زیاد آنها، تشخیص مضامین فقط با خواندن هر نظر دشوار است.
خوشبختانه، انواع استاندارد و پیشرفتهترین ابزارهای پردازش زبان طبیعی (NLP) اکنون وجود دارد که میتواند به جمعبندی این نظرات کمک کند. ابزار NLP، در این زمینه، می تواند برای غربال ، تعداد زیادی از اسناد بدون ساختار (به ،وان مثال، یادداشت ها، گزارش ها، یا هر چیزی که در آن اطلاعات مرتبط به وضوح علامت گذاری و طبقه بندی نشده است) برای شناسایی موضوعات اصلی استفاده شود. روشهای استاندارد NLP، مانند تخصیص دیریکله نهفته (LDA)، به این میپردازند که چقدر کلمات با هم در اسناد ظاهر میشوند (مثلاً «پزشک»، «خصوصی» و «حساب سهام») تا به تحلیلگر حسی از موضوعاتی که ممکن است مهم. در این مقاله، ما از روشهایی مانند LDA و نمایشهای رمزگذار دوطرفه از ترانسفورماتورها (BERT) برای برداشتن گام اضافی در بررسی بافت یک کلمه در سند استفاده میکنیم، به طوری که کاربردهای مختلف کلمه قابل تشخیص است (به ،وان مثال، دکتر ” می تواند به یک پزشک مراجعه کند، اما به دارنده مدرک دکترا یا به اقدامی که برای تغییر چیزی انجام شده است نیز اشاره دارد.
ابزارهای NLP همچنین می توانند “احساس” یک بلوک متن را تجزیه و تحلیل کنند و تعیین کنند که آیا به طور کلی مثبت یا منفی است.[4] با استفاده از ابزارهای تحلیل احساسات، متوجه شدیم که کمتر از 2 درصد از 1688 نظر عمومی دارای لحن م،ایی مثبت هستند. ما همچنین اجماع گستردهای را به نفع افزایش اجرا پیدا کردیم: تنها یک نظر در میان 1688 نظر عمومی عمومی خواستار اجرای ضعیفتر بود.
فراتر از این احساس عمومی، تحلیل ما چندین موضوع مش، را آشکار کرد. اول، مقدار قابل توجهی (اگرچه نه ا،ریت) نظرات توسط دو کمپین انبوه هدایت می شد، از جمله یک کمپین که یک الگو و کمک برای ارسال ارائه می داد. دوم، در حالی که بسیاری از نظرات در بیان نگر،های مربوط به انحصار، ادغام و اصطلاحات مشابه نسبتاً عمومی بودند، به نظر میرسید که چندین صنعت توجه خاصی را به خود جلب کنند: تعداد زیادی از نظرات مربوط به مراقبتهای بهداشتی و شرکتهای بزرگ فناوری، با تعداد کوچکتر اما قابل توجهی مربوط به کشاورزی و اینترنت است. ارائه دهندگان خدمات (ISP).
در مجموع، در حالی که نظرات عمومی اغلب نگر،ها را به صورت غیرمستقیم مورد بحث قرار میدهند، بسیاری از مسائلی که آنها مطرح میکنند، مانند قیمتهای متورم، عدم انتخاب مصرفکننده، فقدان نوآوری، و دستمزد پایین، با مفاهیم اقتصادی مرتبط است که دستورالعملها مدتهاست مرتبط با ادغام میدانند. اجرا این نظرات بهطور طبیعی به ندرت به بحثهای فنی خاص در مورد اجرا، مانند اهمیت پیشفرضهای ساختاری میپردازد، اما مثالهای تکرارشونده از صنایع خاص و انواع آسیبهای احتمالی میتواند روشن کند که نظر دهندگان به طور کلی چه احساسی درباره این موضوعات دارند.
2. کمپین های نظر انبوه
ما دریافتیم که تقریباً 37٪ از 1688 نظر عمومی عمومی فقط توسط دو کمپین جمعی ایجاد شده است: یکی توسط پروژه آزادی های اقتصادی آمریکا (AELP)، سازم، که در سال 2020 با هدف اعمال قو،ن ضدتراست بیشتر تأسیس شد. و یکی توسط کالج آمریکایی اورژانس پزشکی. تجزیه و تحلیل متن برنامهای ما 458 نظر یا حدود 27 درصد از کل نظرات عموم را شناسایی کرد.[5] به نظر می رسد که بر اساس یک الگوی رایج ارائه شده در یک وب سایت AELP، که فرآیندی آسان برای ارسال نظرات ارائه می دهد، ساخته شده است.[6] این درصد میتواند در میان مجموعه کامل 5000 ارسالی حتی بیشتر باشد: ممکن است آژانسها چندین مورد ارسالی را که دقیقاً الگو را تکرار میکنند، ارسال نکرده باشند. تجزیه و تحلیل متن همچنین 164 نظر یا تقریباً 10٪ از کل را شناسایی کرد که به نظر می رسد توسط یک کمپین توسط کالج پزشکی اورژانس آمریکا هدایت شده است. اینها دارای ال،ای زب، شبیه به الگو بودند، اما مشخص نیست که آیا چنین قالب آنلاین عمومی هنوز وجود دارد یا خیر.
موفقیت این کمپینهای گسترده ممکن است نشاندهنده این باشد که بسیاری از مردم نگر،هایی را که قرار است برجسته کنند، مش، هستند. با این حال، بدون سهولت ارسال نظر مبتنی بر الگو، ممکن است ارسالهای کمتری برای رفع این نگر،ها وجود داشته باشد. در حالی که ما در تحلیل خود با آنها متفاوت رفتار نمی کنیم، این یک هشدار مفید است که باید در نظر داشت.
3. تجزیه و تحلیل تفصیلی موضوعات تکراری
در خارج از کمپینهای انبوه نظرات، نظرات به طور قابلتوجهی در مورد بحث و نحوه بحث آنها متفاوت بود – اگر میخواهند درسهای کلی در مورد نگر،های نظر دهندگان است،اج کنند، کار ،رهآوری را به آژانسها واگذار ،د. خوشبختانه، کار بررسی و یافتن ال،ا در نظرات می تواند به طور قابل توجهی توسط ابزارهای استاندارد و پیشرفته تجزیه و تحلیل متن کمک کند.
برای شناسایی ال،ا، هم از یک رویکرد “بدون نظارت” استفاده کردیم، که در آن هیچ ورودی به مدل به جز نظرات خود ارائه نکردیم، و هم یک رویکرد “نیمه نظارت”، که در آن پیشنهادهایی درباره موضوعات احتمالی به ،وان نقطه شروع ارائه کردیم. گروههای بهدستآمده به ما این امکان را دادند که موضوعات مش، را در بسیاری از نظرات و همچنین موضوعاتی که به ندرت، و اگر هرگز مطرح شده بودند، شناسایی کنیم. همانطور که در زیر توضیح می دهیم، این روش ها به طور کامل جایگزین بررسی دستی نمی شوند – آنها به اندازه کافی دقیق نیستند تا بینش های خاص مربوط به ضد انحصار را ایجاد کنند. اما آنها مزایای قابل توجهی نسبت به بررسی اولیه توسط یک بازبین انس، دارند، که باید به طور مداوم نظرات را به گروه ها اختصاص داده و مجدداً در تلاش برای یافتن سیستماتیک ال،ا قرار دهد.
تجزیه و تحلیل ما نشان داد که مراقبت های بهداشتی تا حد زیادی غالب ترین موضوع بود. تقریباً 25 درصد از نظرات در یک گروه مربوط به مراقبت های بهداشتی قرار گرفتند که کلماتی مانند “بیمار”، “پزشک”، “دارو” و “بیمارستان” را نشان می دادند. در حالی که ممکن است این امر تا حدی توسط کمپین گسترده انجام شده باشد، این کمپین کمتر از نیمی از نظرات مراقبت های بهداشتی را تشکیل می دهد. تجزیه و تحلیل بیشتر از این گروه نشان داد که “صادق خصوصی” در 52٪ از این نظرات مربوط به مراقبت های بهداشتی ذکر شده است، از جمله نظرات کمپین جمعی پزشکان اورژانس که در بالا مورد بحث قرار گرفت. بررسی دستی نشان می دهد که نظر دهندگان تعدادی از مشکلات را به سرمایه خصوصی نسبت می دهند، از جمله کیفیت پایین تر و کاهش دسترسی به مراقبت. برخی از نظر دهندگان به علاوه بر این باورند که ،ید توسط شرکتهای سهام خصوصی ممکن است مورد توجه قرار نگیرد زیرا شرکتهای PE آشکارا رقبای مستقیم در فضای مراقبتهای بهداشتی نیستند.
گروه مربوط به مراقبت های بهداشتی آنقدر بزرگ و منحصر به فرد بود که تأثیر قابل توجهی بر موضوعات ایجاد شده به صورت الگوریتمی داشت. برای به دست آوردن بینش بیشتر، نظرات مراقبت های بهداشتی را کنار گذاشتیم و الگوریتم ها را دوباره برای نظرات دیگر اعمال کردیم. در حالی که بزرگترین گروه نسبتاً عمومی باقی ماند (کلماتی مانند “ادغام ها”، “شرکت ها”، “انحصار” و “اقتصاد”)، برخی از گروه های مجزا کوچکتر نیز ظاهر شدند.
ما دو گروه از نظرات متمرکز بر شرکت های فناوری بزرگ مانند گوگل را شناسایی کردیم. در حالی که در نگاه اول به نظر میرسد این گروهها درباره موضوعات مشابهی بحث میکنند، یک گروه معمولاً کلمه «جستجو» و گروه دیگر معمولاً کلمه «آگهی» را شامل میشوند. بررسی دستی نشان داد که نظر دهندگان “جستجو” بر این باورند که تسلط شرکت های بزرگ فناوری بر موتورهای جستجو کیفیت نتایج جستجو را پایین آورده است. به ،وان مثال، چندین نظر بیانگر این باور بودند که الگوریتم جستجوی گوگل وبسایتهای خاصی را کاهش میدهد تا گوگل بتواند به طور مؤثرتری از نتایج جستجوی خود درآمد ،ب کند. از سوی دیگر، گروه دیگر نظر دهندگان نگر، های کلی خود را در مورد ادغام رسانه ها – از جمله تجمیع انتخاب های تبلیغاتی – ابراز ،د.
گروه های دیگر نظرات بر صنایع خاص، به ویژه ISP ها و کشاورزی/کشاورزی متمرکز بودند. در حالی که نتایج الگوریتمی بینش بیشتری ارائه نکرد، بررسی دستی نظرات نگر، هایی را در مورد تمرکز درک شده در بازار نشان داد. برای ISP ها، چندین نظر دهنده نگر، هایی را در مورد قیمت و کیفیت خدمات ابراز ،د که معتقد بودند از تمرکز بازار ناشی می شود. نظر دهندگان همچنین از عدم انتخاب ابراز ناامیدی ،د. برای کشاورزی، نظر دهندگان این باور را ابراز ،د که تمرکز در میان پردازشگرها کشاورزان را تحت فشار قرار داده است – این مفهوم همچنین در نظرات چندین گروه تولیدکننده صنعت کشاورزی بیان شده است.
روشهای مدلسازی موضوعی که ما استفاده میکنیم برای تمرکز بر کلمات کلیدی طراحی شدهاند که از یکدیگر کاملاً متمایز هستند و گاهی اوقات کلمات کلیدی مش، در موضوعات را از تمرکز خارج میکنند. برای پرداختن به این موضوع، ما مستقیماً متن نظرات را برای کلمات خاصی جستجو کردیم که نشاندهنده بحث در مورد موضوع باشد. به ،وان مثال، 407 نظر (24٪) دستمزد را ذکر ،د (مخصوصاً کلمه “دستمزد”)، حتی اگر هیچ یک از گروه های مدل سازی موضوعی به وضوح بر مسائل کارگری تمرکز ن،د. تعدادی از این نظرات، از جمله نظرات مبتنی بر الگوی کمپین انبوه AELP، دستمزدهای پایین را به افزایش تمرکز بازار مرتبط می کند. نظرات دیگر در این گروه این ارتباط را ایجاد ن،د، اما اشاره ،د که دستمزدها با قیمت ها مطابقت ندارد. به طور مشابه، 187 نظر (11٪) ابراز نگر، ،د که ادغام نوآوری را کاهش می دهد – اگرچه بسیاری از آنها نیز بر اساس الگوی AELP بودند.
4. نتیجه گیری
تعدادی از پاسخها به RFI از سوی متخصصان ضد انحصار اشاره کرد که RFI خود پیشنهاد میکند که آژانسها ممکن است از قبل به سمت اجرای قویتر تمایل داشته باشند. ابزارهای برنامهای نشان میدهند که دستورالعملهای عمومی عمومی نیز به این سمت گرایش دارند. در برخی موارد، تعداد زیادی از نظر دهندگان حتی موارد خاصی داشتند که مایلند از آژانس ها ببینند. به ،وان مثال، نظر دهندگان نگر، های قابل توجهی در مورد تمرکز در صنعت مراقبت های بهداشتی داشتند، و دارایی خصوصی به طور خاص برجسته بود (اگرچه این نیز توسط یک کمپین گسترده کمک شد). تعداد کمتری از نظر دهندگان عمومی نیز نسبت به تأثیر شرکت های بزرگ فناوری یا تمرکز در صنایع خاص مانند ISP ها ابراز نگر، ،د.
فراتر از تعداد زیاد نظرات مراقبتهای بهداشتی و مجموعههای بسیار کوچکتری از نظرات مربوط به صنایع خاص، گروه بزرگی باقی ماندند که این احساس عمومی را بیان می،د که شرکتهای بزرگ یا صنایع متمرکز منجر به قیمتهای بالاتر و خدمات بدتر میشوند، که شرکتهای کوچکتر را از تجارت خارج میکنند. ، یا اینکه قدرت زیادی در جامعه دارند. ممکن است سازمان ها برای ایجاد هرگونه تغییر خاصی در خط مشی بر اساس این نظرات مشکل پیدا کنند.
این مقاله برای اولین بار در قانون 360. نظرات بیان شده در اینجا ،وماً نمایانگر دیدگاه های Cornerstone Research نیست. مجوز انتشار مجدد توسط Cornerstone Research.
[1] ما بسیاری از این موارد را در مقاله قبلی Law360 با ،وان «نگاهی به دیدگاههای متفاوت مردم درباره دستورالعملهای ادغام جدید» خلاصه کردیم.
[5] از آنجایی که آژانسها نظرات تکراری را قبل از ارسال فیلتر کردهاند، نظراتی فراتر از اولین نظرات دقیقاً پس از الگو تجزیه و تحلیل نمیشوند. بنابراین، این آمار ممکن است تعداد کل نظرات مبتنی بر الگو را کمتر مح،ه کند.
حق چاپ ©2023 Cornerstone Researchبررسی حقوق ملی، جلد سیزدهم، شماره 139
منبع: https://www.natlawreview.com/article/public-s-ma-comments-،ld-clues-agency-guidelines