🤖 AI

Privacy-Aware Predictions in Participatory Budgeting

Dieses Papier schlägt einen datenschutzfreundlichen Ansatz vor, der Projektbeschreibungen und anonymisierte historische Abstimmungsdaten nutzt, um die Finanzierungsergebnisse für Vorschläge im Rahmen von Bürgerhaushalten vorherzusagen, wodurch Organisatoren dabei unterstützt werden, große Mengen an Einreichungen zu verwalten, ohne auf personenbezogene Daten angewiesen zu sein.

Ursprüngliche Autoren: Juan Zambrano, Clément Contet, Jairo Gudiño-Rosero, Felipe Garrido-Lucero, Umberto Grandi, César Hidalgo

Veröffentlicht 2026-02-04

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Juan Zambrano, Clément Contet, Jairo Gudiño-Rosero, Felipe Garrido-Lucero, Umberto Grandi, César Hidalgo

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, ein Stadtrat hat ein großes Glas voll Geld und möchte es für Dinge ausgeben, die der Gemeinschaft wirklich wichtig sind, wie neue Parks, bessere Bushaltestellen oder Sportplätze. Dies nennt man Bürgerhaushalt (Participatory Budgeting). Bürger schlagen Ideen vor, und dann stimmen alle darüber ab.

Es gibt jedoch ein Problem: In Großstädten könnten Menschen tausende von Ideen einreichen. Stellen Sie sich eine Stadt wie Toulouse oder Breslau vor, die über 1.000 Projektvorschläge erhält. Die Stadtorganisatoren können nicht unmöglich jedes einzelne Projekt lesen, die Details verstehen und herausfinden, welches davon populär ist, noch bevor die Abstimmung überhaupt beginnt. Normalerweise muss eine kleine Gruppe von Freiwilligen diesen Berg an Papierarbeit manuell sortieren, was langsam, teuer und für die Öffentlichkeit manchmal etwas undurchsichtig ist.

In dieser Arbeit geht es darum, einen intelligenten, datenschutzfreundlichen Assistenten zu entwickeln, der den Stadtorganisatoren hilft, diese Vorschläge zu sortieren, bevor die Abstimmung beginnt.

Das Ziel: Ein „Kristallball“ für die Popularität von Projekten

Die Forscher wollten ein Werkzeug erschaffen, das sich einen neuen Projektvorschlag ansieht und schätzt: „Wie viele Stimmen wird dieses Projekt erhalten?“

Wenn das Werkzeug vorhersagen kann, welche Projekte wahrscheinlich populär sein werden, können die Organisatoren diese Information nutzen, um:

Das Rauschen zu filtern: Sich auf die vielversprechendsten Ideen zu konzentken.
Transparent zu sein: Der Öffentlichkeit genau zu zeigen, wie sie entschieden haben, welche Projekte zur Auswahl kommen, anstatt nur zu sagen: „Ein Komitee hat entschieden.“
Die Privatsphäre zu schützen: Entscheidend ist, dass sie dies tun wollten, ohne zu sehen, wer für was gestimmt hat oder personenbezogene Daten über die Wähler zu verwenden (wie deren Alter, Einkommen oder Adresse). Sie wollten nur den Text der Projektbeschreibungen und vergangene Wahlergebnisse verwenden.

Wie sie es getestet haben

Die Forscher agierten wie Detektive und untersuchten zwei echte Städte: T Toulouse, Frankreich und Breslau, Polen.

Sie nahmen die Daten einer alten Wahl aus jeder Stadt (die „Trainingsdaten“).
Sie versuchten, die Ergebnisse einer neueren Wahl in derselben Stadt vorherzusagen (die „Testdaten“).
Sie verwendeten zwei verschiedene Arten von „Gehirnen“, um diese Vorhersagen zu treffen:
1. Klassische mathematische Modelle: Traditionelle Computer-Algorithmen (wie ElasticNet und XGBoost), die nach Mustern in Zahlen und Wörtern suchen.
2. Große Sprachmodelle (LLMs): Fortgeschrittene KI-Chatbots (wie GPT-4 und Llama), die normalerweise zum Schreiben von Geschichten oder zum Beantworten von Fragen verwendet werden.

Die „drei Wege“, die KI zu fragen

Die Forscher testeten drei verschiedene Möglichkeiten, die KI nach einer Vorhersage zu fragen, ähnlich wie man einem Freund um Rat fragen würde:

„Zero-Shot“ (Die bloße Vermutung): Sie fragen die KI: „Hier ist eine Projektbeschreibung. Wie viele Stimmen wird sie erhalten?“ – ohne ihr eine Vorgeschichte zu geben.
- Ergebnis: Die KI war schlecht darin. Es war, als würde man jemanden bitten, das Wetter in einer Stadt zu erraten, die er noch nie besucht hat, ohne eine Vorhersage zu haben.
„Full Context“ (Die Liste): Sie geben der KI eine Liste aller Projekte aus dem Vorjahr, aber Sie entfernen die langen Beschreibungen, um Platz zu sparen. Sie geben ihr nur die Namen, Kosten und Kategorien.
- Ergebnis: Das war okay, aber nicht besonders gut. Die KI überließ die Nuancen dessen, was die Projekte tatsächlich waren, unberücksichtigt.
„RAG“ (Der kluge Forscher): Dies ist der Gewinner. Sie sagen der KI: „Hier ist das neue Projekt. Schau dir nun die ähnlichsten Projekte aus dem letzten Jahr an (basierend auf deren Beschreibungen) und sag mir, wie diese abgeschnitten haben.“
- Ergebnis: Das funktionierte überraschend gut. Es ist, als würde man einen lokalen Experten fragen: „Ich plane, einen neuen Park zu bauen. Letztes Jahr haben wir einen ähnlichen Park in einer ähnlichen Nachbarschaft gebaut, und er hat 5.000 Stimmen bekommen. Basierend darauf, wie wird dieser neue wohl abschneiden?“

Was sie herausgefunden haben

Text ist entscheidend: Die KI musste die tatsächlichen Beschreibungen der Projekte lesen, um gute Arbeit zu leisten. Wenn man ihr nur die Kosten und die Kategorie (z. B. „Sport“, „10.000 $“) gibt, konnte sie die Stimmen nicht gut vorhersagen. Die Worte, die Menschen verwenden, um ihre Ideen zu beschreiben, halten das Geheimnis ihrer Popularität bereit.
Ranking ist einfacher als Zählen: Die KI war nicht perfekt darin, die genaue Anzahl der Stimmen zu erraten (z. B. „Es wird 4.321 Stimmen erhalten“). Sie war jedoch sehr gut im Ranking. Sie konnte zuverlässig sagen: „Projekt A ist populärer als Projekt B.“
KI vs. Menschen: Die Leistung der KI war vergleichbar mit den klassischen mathematischen Modellen. Sie war nicht magisch besser als diese, aber sie konnte den Job genauso gut erledigen.
Datenschutz an erster Stelle: Das System funktionierte einwandfrei, ohne jemals wissen zu müssen, wer die Wähler waren. Es benötigte lediglich die Historie dessen, was in der Vergangenheit gewonnen hatte.

Das Fazit

Die Arbeit kommt zu dem Schluss, dass wir KI nutzen können, um Stadtorganisatoren beim Management der „Lawine“ von Projektvorschlägen im Bürgerhaushalt zu helfen.

Betrachten Sie es wie einen Vorab-Filter. Die KI trifft nicht die endgültige Entscheidung oder ersetzt die Wähler. Stattdessen fungiert sie als hilfreicher Assistent, der sagt: „Von diesen 1.000 Ideen sind hier die Top 300, die basierend auf der Geschichte und der Beschreibung am wahrscheinlichsten populär sein werden.“ Dies ermöglicht es den menschlichen Organisatoren, ihre Zeit auf die vielversprechendsten Projekte zu konzentrieren, was den gesamten demokratischen Prozess schneller, kostengünstiger und transparenter macht, während die Privatsphäre der Wähler gewahrt bleibt.

Wichtiger Vorbehalt aus der Arbeit:
Die Autoren warnen davor, dass dieses Werkzeug nicht dazu verwendet werden sollte, den Wahlprozess zu ersetzen oder automatisch endgültige Entscheidungen zu treffen. Es ist ein Hilfswerkzeug für die Phase der „Vorauswahl“. Zudem merken sie an, dass das System weniger gut funktionieren könnte, wenn Menschen beginnen würden, ihre Vorschläge gezielt so zu formulieren, dass sie die KI „austricksen“. Es ist ein Werkzeug, um Menschen zu unterstützen, nicht um sie zu ersetzen.

Technisches Resümee: Privatsphäre-bewusste Vorhersagen in der Bürgerbeteiligung

Problemstellung
Die Bürgerbeteiligung (Participatory Budgeting, PB) ist ein demokratischer Prozess, bei dem Bürger Vorschläge für öffentliche Investitionsprojekte einreichen und darüber abstimmen. Während die Forschung im Bereich des Computational Social Choice sich intensiv auf die Optimierung der Abstimmungsphase konzentriert hat (z. B. Design von Auswahlregeln), bleibt die Konsolidierungsphase – in der Organisatoren eine große Anzahl von Vorschlägen vor der Abstimmung kurzlisten müssen – weitgehend intransparent und beruht oft auf manuellen Entscheidungsprozessen von Komitees ohne klare Zielsetzungen. Diese Phase stellt aufgrund des hohen Volumens an Textdaten (Projekttitel und -beschreibungen) erhebliche Skalierbarkeitsprobleme dar. Zudem verlassen sich bestehende KI-Ansätze in diesem Bereich oft auf demografische Daten der Wähler oder personenbezogene Daten (PII), um „Wähler-Personas“ zu erstellen, was Bedenken hinsichtlich des Datenschutzes aufwirft und die Anwendbarkeit in Kontexten einschränkt, in denen solche Daten nicht verfügbar oder rechtlich eingeschränkt sind.

Methodik
Die Autoren schlagen ein Framework zur Wahrung der Privatsphäre vor, das den Erfolg eines Projekts (gemessen an den Stimmenzahlen) unter Verwendung ausschließlich öffentlich zugänglicher Daten vorhersagt: projektbezogene Textbeschreibungen und anonymisierte historische Abstimmungsdaten. Die Studie nutzt zwei mehrjährige Datensätze aus europäischen Städten: Toulouse, Frankreich (Kampagnen 2022 und 2024) und Breslau, Polen (Kampagnen 2016 und 2017). Diese Datensätze wurden durch Zusammenführung der Abstimmungsdaten aus dem Pabulib.org-Repository mit den von kommunalen Websites extrahierten Projektbeschreibungen erstellt.

Die Methodik vergleicht zwei unterschiedliche Ansätze:

Klassisches Maschinelles Lernen (ML):
- Modelle: ElasticNet (Regression) und XGBoost (Random Forests).
- Merkmale: Tabellarische Daten (Bezirk, Kategorie, Kosten) kombiniert mit drei Strategien zur Textvorverarbeitung: TF-IDF, Sentence-BERT (SBERT) und BGE-M3.
- Training/Evaluierung: Die Modelle wurden mit der jeweils frühest verfügbaren Kampagne einer Stadt trainiert und mit der aktuellsten Kampagne evaluiert. Zur Dimensionsreduktion wurde die Hauptkomponentenanalyse (PCA) angewendet.
- Baseline: Eine „No-Text“-Konfiguration, die ausschließlich auf tabellarischen Daten basiert.
Große Sprachmodelle (LLMs):
- Modelle: GPT-4 Turbo und Llama 3.3 70B.
- Prompting-Strategien: Es wurden drei Varianten getestet, die einen progressiv reicheren Kontext bieten:
  - Zero-Shot: Kein historischer Kontext bereitgestellt.
  - Full Context: Eine Liste früherer Projekte (Titel, Kategorien, Kosten, Bezirke, Stimmen) ohne Textbeschreibungen aufgrund von Kontextfenster-Beschränkungen.
  - Retrieval-Augmented Generation (RAG): Das Modell erhält das Zielprojekt sowie die 20 % semantisch ähnlichsten Projekte aus dem historischen Datensatz (basierend auf der Kosinus-Ähnlichkeit), einschließlich deren vollständiger Beschreibungen und Stimmenzahlen.
- Datenschutzmaßnahmen: Die Autoren verifizierten, dass die LLMs keine vorherige Kenntnis der spezifischen Abstimmungsergebnisse oder der vollständigen Projektbeschreibungen der Testkampagnen hatten, um sicherzustellen, dass die Vorhersagen nicht auf memorisierten Trainingsdaten basieren.

Zentrale Beiträge

Datensätze: Konstruktion und Veröffentlichung zweier neuer PB-Datensätze, die Abstimmungsergebnisse mit reichhaltigen Textbeschreibungen für Toulouse und Breslau zusammenführen.
Privatsphäre-bewusste Vorhersage: Demonstration, dass eine genaue Projekt-Rangfolge erreicht werden kann, ohne demografische Daten der Wähler oder PII zu verwenden, indem ausschließlich auf öffentliche Projektdaten und historische Wahlergebnisse zurückgegriffen wird.
Vergleichende Analyse: Eine systematische Evaluierung klassischer ML-Modelle gegenüber LLM-Prompting-Strategien (Zero-Shot, Full Context, RAG) zur Vorhersage von Stimmenzahlen und ordinalen Rangfolgen.
Nutzen für die Kuratierung (Shortlisting): Eine Analyse der Leistungsfähigkeit dieser Prädiktoren speziell für die Aufgabe der „Kuratierung“ (Identifizierung der Top-k-Projekte, die wahrscheinlich eine Greedy-Selection-Regel bestehen), statt lediglich die exakte Stimmenzahl vorherzusagen.

Ergebnisse

Performance vs. Baseline: Alle vorgeschlagenen Modelle übertrafen die Zufalls-Baseline (Impartial Culture) signifikant.
Ordinale Rangfolge vs. Exakte Zahlen: LLMs zeigten eine höhere Genauigkeit bei der Vorhersage der ordinalen Rangfolge von Projekten (Kendall's $\tau$ ) als bei der Vorhersage exakter Stimmenzahlen (Mean Absolute Error).
LLM vs. ML: LLM-basierte Ansätze, insbesondere mit RAG, erreichten eine Leistung, die mit den besten klassischen ML-Modellen vergleichbar war oder diese in einigen Fällen sogar übertraf.
- In Toulouse erreichte GPT-4 Turbo (RAG) ein Kendall's $\tau$ von 0,35, was mit der besten ElasticNet-Variante (0,36) vergleichbar ist.
- In Breslau erreichte Llama 3.3 (RAG) ein $\tau$ von 0,51 und übertraf damit die beste XGBoost-Variante (0,44).
Bedeutung des Kontexts: Zero-Shot-Prompts schnitten schlecht ab, was bestätigt, dass das Vorwissen über die Stadt ohne spezifische historische Daten unzureichend ist. RAG lieferte unter den LLM-Strategien konsistent die stabilsten und genauesten Ergebnisse.
Effektivität der Kuratierung: Bei der Bewertung der Überschneidung der obersten 30 % der vorhergesagten Projekte mit den tatsächlich geförderten Projekten (unter Verwendung des Jaccard-Index) zeigten die Modelle einen erheblichen Nutzen. Für Breslau erreichten die LLM-RAG-Varianten einen Jaccel-Index von fast 0,5, was auf eine starke Übereinstimmung mit den Projekten hindeutet, die eine Greedy-Selection-Regel bestehen würden.
Dateneffizienz: Die Einbeziehung von Textbeschreibungen war essenziell, um die Zufalls-Baselines und rein tabellarische Modelle zu übertreffen.

Bedeutung und Ansprüche
Das Paper behauptet, dass seine Methodik ein praktisches, privatsphäre-bewusstes Unterstützungswerkzeug für PB-Organisatoren bietet, um große Mengen an Vorschlägen während der Konsolidierungsphase zu verwalten. Durch die ausschließliche Nutzung öffentlich zugänglicher Daten schafft der Ansatz Vertrauen und fördert die Beteiligung.

Die Autoren betonen, dass ihr Werkzeug dazu konzipiert ist, Organisatoren zu unterstützen, nicht den Abstimmungsprozess zu ersetzen. Sie stellen explizit fest, dass LLMs nicht als „Out-of-the-box“-Kuratierungswerkzeuge ohne technische Einrichtung (z. B. RAG-Implementierung) verwendet werden sollten und dass die Ausgabe als erste Rangliste zur menschlichen Überprüfung dienen sollte. Die Studie hebt hervor, dass historische Wahldaten aus derselben Stadt demografische Eingaben für die Vorhersage effektiv ersetzen können, womit eine zentrale Einschränkung früherer „Wähler-Persona“-Forschung adressiert wird.

Schließlich räumen die Autoren Einschränkungen ein, darunter das Potenzial für strategische Manipulation von Projektbeschreibungen, die „Black Box“-Natur von LLMs und das Risiko eines Kosten-Bias (bei dem Projekte mit höheren Kosten bevorzugt werden). Sie kommen zu dem Schluss, dass der Ansatz zwar vielversprechend für die digitale Demokratie ist, jedoch weiterer Prüfung bedarf und als Teil eines KI-gestützten Human-in-the-Loop-Prozesses eingesetzt werden sollte.