Privacy-Aware Predictions in Participatory Budgeting

ملخص تقني: تنبؤات مراعية للخصوصية في الموازنة التشاركية

بيان المشكلة
الموازنة التشاركية (PB) هي عملية ديمقراطية يقترح فيها المواطنون مشاريع الاستثمار العام ويصوتون عليها. وبينما ركزت أبحاث الاختيار الاجتماعي الحسابي بشكل مكثف على تحسين مرحلة التصويت (على سبيل المثال، تصميم قواعد الاختيار)، فإن مرحلة التجميع — حيث يتعين على المنظمين إعداد قائمة مختصرة لعدد كبير من المقترحات قبل التصويت — لا تزال غامضة إلى حد كبير وتعتمد غالباً على قرارات لجان يدوية دون أهداف واضحة. تفرض هذه المرحلة تحديات كبيرة تتعلق بقابلية التوسع بسبب الحجم الكبير للبيانات النصية (عناوين المشاريع وأوصافها). علاوة على ذلك، فإن مناهج الذكاء الاصطناي الحالي في هذا المجال غالباً ما تعتمد على الخصائص الديموغرافية للناخبين أو معلومات تحديد الهوية الشخصية (PII) لإنشاء "شخصيات الناخبين"، مما يثير مخاوف بشأن الخصوصية ويحد من إمكانية التطبيق في السياقات التي تكون فيها مثل هذه البيانات غير متوفرة أو مقيدة قانونياً.

المنهجية
يقترح المؤلفون إطار عمل يحافظ على الخصوصية للتنبؤ بنجاح المشاريع (مقاساً بعدد الأصوات) باستخدام البيانات المتاحة للجمهور فقط: الأوصاف النصية للمشاريع وسجلات التصويت التاريخية المجهولة. تستخدم الدراسة مجموعتي بيانات متعددة السنوات من مدن أوروبية: تولوز، فرنسا (حملات 2022 و2024) و فروتسواف، بولندا (حملات 2016 و2017). تم بناء هذه المجموعات من خلال دمج بيانات التصويت من مستودع Pabulib.org مع أوصاف المشاريع المستخرجة من المواقع البلدية.

تقارن المنهجية بين نهجين متميزين:

1. تعلم الآلة الكلاسيكي (ML):

   • النماذج: ElasticNet (الانحدار) و XGBoost (الغابات العشوائية).
   • الميزات: بيانات جدولية (المنطقة، الفئة، التكلفة) مدمجة مع ثلاث استراتيجيات لمعالجة النصوص: TF-IDF، و Sentence-BERT (SBERT)، و BGE-M3.
   • التدريب/التقييم: تم تدريب النماذج على أقدم حملة متاحة في كل مدينة وتقييمها على الحملة الأحدث. تم تطبيق تحليل المكونات الرئيسية (PCA) لتقليل الأبعاد.
   • الأساس (Baseline): إعداد "بدون نص" (No-Text) يعتمد فقط على البيانات الجدولية.

2. النماذج اللغوية الكبيرة (LLMs):

   • النماذج: GPT-4 Turbo و Llama 3.3 70B.
   • استراتيجيات التلقين (Prompting): تم اختبار ثلاثة متغيرات لتوفير سياق أغنى تدريجياً:
     • التلقين صفري المحتوى (Zero-Shot): لا يتم تقديم أي بيانات تاريخية.
     • السياق الكامل (Full Context): قائمة بالمشاريع السابقة (العناوين، الفئات، التكاليف، المناطق، الأصوات) دون الأوصاف النصية بسبب حدود نافذة السياق.
     • التوليد المعزز بالاسترجاع (RAG): يتلقى النموذج المشروع المستهدف بالإضافة إلى أكثر 20% من المشاريع تشابهاً من الناحية الدلالية (بناءً على تشابه الجيب - cosine similarity) من مجموعة البيانات التاريخية، بما في في ذلك أوصافها الكاملة وعدد أصواتها.
   • ضمانات الخصوصية: تحقق المؤلفون من عدم تعرض النماذج اللغوية الكبيرة مسبقاً لنتائج التصويت المحددة أو أوصاف المشاريع الكاملة لحملات الاختبار، مما يضمن أن التنبؤات لم تكن مبنية على بيانات مخزنة في ذاكرة التدريب.

المساهمات الرئيسية

• مجموعات البيانات: بناء ونشر مجموعتي بيانات جديدتين للموازنة التشاركية تدمجان نتائج التصويت مع أوصاف نصية غنية لتولوز وفروتسواف.
  ما يثبت إمكانية تحقيق ترتيب دقيق للمشاريع دون استخدام الخصائص الديموغرافية للناخبين أو معلومات تحديد الهوية الشخصية، بالاعتماد فقط على بيانات المشاريع العامة ونتائج الانتخابات التاريخية.
• التحليل المقارن: تقييم منهجي لنماذج تعلم الآلة الكلاسيكية مقابل استراتيجيات التلقين للنماذج اللغوية الكبيرة (Zero-shot، Full Context، RAG) للتنبؤ بعدد الأصوات والترتيب الرتبي.
• فائدة القائمة المختصرة: تحليل كيفية أداء هذه المتنبئات خصيصاً لمهمة "القائمة المختصرة" (تحديد أفضل $k$ من المشاريع التي من المرجح أن تجتاز قاعدة الاختيار الجشع)، بدلاً من مجرد التنبؤ بعدد الأصوات الدقيق.

النتائج

• الأداء مقابل الأساس (Baseline): تفوقت جميع النماذج المقترحة بشكل كبير على خط الأساس العشوائي (الثقافة المحايدة - Impartial Culture).
• الترتيب الرتبي مقابل الأعداد الدقيقة: أظهرت النماذج اللغوية الكبيرة دقة أعلى في التنبؤ بـ الترتيب الرتبي للمشاريع (Kendow's $\tau$) مقارنة بالتنبؤ بأعداد الأصوات الدقيقة (متوسط الخطأ المطلق - Mean Absolute Error).
• النماذج اللغوية الكبيرة مقابل تعلم الآلة: حققت النهج القائمة على النماذج اللغوية الكبيرة، وخاصة مع تقنية RAG، أداءً يضاهي، وفي بعض الحالات يتجاوز، أفضل نماذج تعلم الآلة الكلاسيكية.
  • في تولوز، حقق GPT-4 Turbo (RAG) معامل كيندال $\tau$ قدره 0.35، وهو ما يضاهي أفضل متغير لـ ElasticNet (0.36).
  • في فروتسواف، حقق Llama 3.3 (RAG) معامل $\tau$ قدره 0.51، متفوقاً على أفضل متغير لـ XGBoost (0.44).
• أهمية السياق: قدمت التلقينات صفرية المحتوى (Zero-shot) أداءً ضعيفاً، مما أكد أن المعرفة المسبقة بالمدينة غير كافية دون بيانات تاريخية محددة. حققت تقنية RAG باستمرار النتائج الأكثر استقراراً ودقة بين استراتيجيات النماذج اللغوية الكبيرة.
• فعالية القائمة المختصرة: عند تقييم التداخل بين أفضل 30% من المشاريع المتنبأ بها والمشاريع الممولة فعلياً (باستخدام مؤشر جاکارد - Jaccard index)، أظهرت النماذج فائدة كبيرة. بالنسبة لفروتسواف، وصلت متغيرات RAG للنماذج اللغوية الكبيرة إلى مؤشر جاکارد يقارب 0.5، مما يشير إلى توافق قوي مع المشاريع التي ستجتاز قاعدة الاختيار الجشع.
• كفاءة البيانات: كان إدراج الأوصاف النصية ضرورياً للتفوق على خطوط الأساس العشوائية والنماذج التي تعتمد على البيانات الجدولية فقط.

الأهمية والادعاءات
يزعم البحث أن منهجيته توفر أداة دعم عملية ومراعية للخصوصية لمنظمي الموازنة التشاركية لإدارة كميات كبيرة من المقترحات خلال مرحلة التجميع. ومن خلال الاعتماد فقط على البيانات المتاحة للجمهور، يبني هذا النهج الثقة ويشجع المشاركة.

يؤكد المؤلفون أن أداتهم مصممة لمساعدة المنظمين، وليس لاستبدال عملية التصويت. ويصرحون صراحةً بأنه لا ينبغي استخدام النماذج اللغوية الكبيرة كأدوات "جاهزة للاستخدام" لعمل القوائم المختصرة دون إعداد تقني (مثل تنفيذ RAG)، وأن المخرجات يجب أن تعمل كترتيب أولي للمراجعة البشرية. تسلط الدراسة الضوء على أن بيانات الانتخابات التاريخية من نفس المدينة يمكن أن تحل بفعالية محل المدخلات الديموغرافية للتنبؤ، مما يعالج قصوراً رئيسياً في أبحاث "شخصيات الناخبين" السابقة.

أخيراً، يقر المؤلفون بالقيود، بما في ذلك احتمال التلاعب الاستراتيجي بأوصاف المشاريع، والطبيعة "الصندوق الأسود" للنماذج اللغوية الكبيرة، وخطر انحياز التكلفة (حيث تُفضل المشاريع ذات التكلفة الأعلى). ويخلصون إلى أنه بينما يبدو هذا النهج واعداً للديمقراطية الرقمية، فإنه يتطلب مزيداً من التدقيق ويجب نشره كجزء من عملية مدعومة بالذكاء الاصطناعي وتتضمن التدخل البشري (human-in-the-loop).