🤖 AI

Privacy-Aware Predictions in Participatory Budgeting

Cet article propose une approche respectueuse de la vie privée qui utilise les descriptions textuelles des projets et les dossiers de vote historiques anonymisés pour prédire les résultats de financement des propositions de budget participatif, aidant ainsi les organisateurs à gérer de grands volumes de soumissions sans dépendre d'informations permettant d'identifier personnellement les individus.

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

Publié 2026-02-04

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

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

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez qu'un conseil municipal dispose d'un grand bocal d'argent et souhaite le dépenser pour des choses que la communauté veut réellement, comme de nouveaux parcs, de meilleurs arrêts de bus ou des terrains de sport. C'est ce qu'on appelle le Budget Participatif. Les citoyens proposent des idées, puis tout le monde vote sur celles-ci.

Cependant, il y a un problème : dans les grandes villes, les gens peuvent soumettre des milliers d'idées. Imaginez une ville comme Toulouse ou Wrocław recevant plus de 1 000 propositions de projets. Les organisateurs de la ville ne peuvent pas lire chaque proposition, en comprendre les détails et déterminer lesquelles sont populaires avant même que le vote ne commence. Habituellement, un petit groupe de bénévoles doit trier manuellement cette montagne de paperasse, ce qui est lent, coûteux et parfois un peu mystérieux pour le public.

Ce document porte sur la création d'un assistant intelligent et respectueux de la vie privée pour aider les organisateurs de la ville à trier ces propositions avant le vote.

L'objectif : Une « boule de cristal » pour la popularité des projets

Les chercheurs ont voulu créer un outil capable d'examiner une nouvelle proposition de projet et de deviner : « Combien de voix recevra ce projet ? »

Si l'outil peut prédire quels projets sont susceptibles d'être populaires, les organisateurs peuvent utiliser cette information pour :

Filtrer le bruit : Concentrer leur attention sur les idées les plus prometteuses.
Être transparents : Montrer au public exactement comment ils ont décidé quels projets étaient retenus, plutôt que de simplement dire « un comité a décidé ».
Protéger la vie privée : Crucialement, ils voulaient faire cela sans regarder qui a voté pour quoi ou utiliser des données personnelles sur les électeurs (comme leur âge, leur revenu ou leur adresse). Ils voulaient uniquement utiliser le texte des descriptions de projets et les résultats des élections passées.

Comment ils l'ont testé

Les chercheurs ont agi comme des détectives, en examinant deux vraies villes : Toulouse, France et Wrocław, Pologne.

Ils ont pris les données d'une ancienne élection dans chaque ville (les données d'« entraînement »).
Ils ont essayé de prédire les résultats d'une élection plus récente dans la même ville (les données de « test »).
Ils ont utilisé deux types différents de « cerveaux » pour faire ces prédictions :
1. Modèles mathématiques classiques : Des algorithmes informatiques traditionnels (comme ElasticNet et XGBoost) qui recherchent des modèles dans les chiffres et les mots.
2. Grands Modèles de Langage (LLM) : Des IA avancées (comme GPT-4 et Llama) qui sont généralement utilisées pour écrire des histoires ou répondre à des questions.

Les « trois façons » de demander à l'IA

Les chercheurs ont testé trois façons différentes de demander à l'IA de faire une prédiction, de la même manière que vous pourriez demander l'avis d'un ami :

Le « Zero-Shot » (La supposition) : Vous demandez à l'IA : « Voici la description d'un projet. Combien de voix recevra-t-il ? » sans lui donner aucun historique.
- Résultat : L'IA était médiocre à ce jeu. C'était comme demander à quelqu'un de deviner la météo dans une ville qu'il n'a jamais visitée sans aucune prévision.
Le « Full Context » (La liste) : Vous donnez à l'IA une liste de tous les projets de l'année précédente, mais vous supprimez les descriptions longues pour gagner de l'espace. Vous lui donnez simplement les noms, les coûts et les catégories.
- Résultat : C'était correct, mais pas génial. L'IA passait à côté de la nuance de ce que les projets étaient réellement.
Le « RAG » (Le chercheur intelligent) : C'est le grand gagnant. Vous dites à l'IA : « Voici le nouveau projet. Maintenant, regarde les projets les plus similaires de l'année dernière (basés sur leurs descriptions) et dis-moi comment ils s'en sont sortis. »
- Résultat : Cela a fonctionné étonnamment bien. C'est comme demander à un expert local : « Je pense construire un nouveau parc. L'année dernière, nous avons construit un parc similaire dans un quartier similaire, et il a obtenu 5 000 voix. Sur cette base, comment ce nouveau projet s'en sortira-t-il ? »

Ce qu'ils ont découvert

Le texte compte : L'IA a besoin de lire les descriptions réelles des projets pour bien faire son travail. Si vous ne donnez que le coût et la catégorie (ex : « Sport », « 10 000 $ »), elle ne peut pas prédire les votes de manière efficace. Les mots que les gens utilisent pour décrire leurs idées détiennent le secret de leur popularité.
Le classement est plus facile que le comptage : L'IA n'était pas parfaite pour deviner le nombre exact de votes (ex : « Il recevra 4 321 voix »). Cependant, elle était très bonne pour le classement. Elle pouvait dire de manière fiable : « Le projet A est plus populaire que le projet B ».
IA vs Humains : La performance de l'IA était comparable aux modèles mathématiques classiques. Elle n'a pas miraculeusement battu ces derniers, mais elle pouvait faire le travail aussi bien qu'eux.
La vie privée d'abord : Le système a parfaitement fonctionné sans jamais avoir besoin de savoir qui étaient les électeurs. Il avait seulement besoin de l'historique de ce qui a gagné par le passé.

L'essentiel

L'article conclut que nous pouvons utiliser l'IA pour aider les organisateurs des villes à gérer l'« avalanche » de propositions de projets dans le budget participatif.

Voyez cela comme un filtre de pré-sélection. L'IA ne prend pas la décision finale et ne remplace pas les électeurs. Au lieu de cela, elle agit comme un assistant utile qui dit : « Parmi ces 1 000 idées, voici les 300 qui semblent être les plus populaires en fonction de l'historique et de la description. » Cela permet aux organisateurs humains de concentrer leur temps sur les projets les plus viables, rendant l'ensemble du processus démocratique plus rapide, moins coûteux et plus transparent, tout en préservant la vie privée des électeurs.

Mise en garde importante de l'article :
Les auteurs avertissent que cet outil ne devrait pas être utilisé pour remplacer le processus de vote ou pour prendre des décisions finales automatiquement. C'est un outil de soutien pour la phase de « présélection ». Ils notent également que si les gens commencent à rédiger leurs propositions spécifiquement pour « tromper » l'IA, le système pourrait moins bien fonctionner. C'est un outil pour aider les humains, pas pour les remplacer.

Résumé Technique : Prédictions respectueuses de la vie privée dans le budget participatif

Énoncé du problème
Le budget participatif (BP) est un processus démocratique où les citoyens proposent et votent pour des projets d'investissement public. Alors que la recherche en choix social computationnel s'est largement concentrée sur l'optimisation de la phase de vote (par exemple, la conception de règles de sélection), la phase de consolidation — où les organisateurs doivent présélectionner un grand volume de propositions avant le vote — reste largement opaque et repose souvent sur des décisions manuelles de comités sans objectifs clairs. Cette phase pose des défis de scalabilité importants en raison du volume élevé de données textuelles (titres et descriptions de projets). De plus, les approches d'IA existantes dans ce domaine reposent souvent sur la démographie des électeurs ou des informations personnellement identifiables (PII) pour créer des « personas de votants », ce qui soulève des préoccupations relatives à la vie privée et limite l'applicabilité dans des contextes où ces données sont indisponibles ou légalement restreintes.

Méthodologie
Les auteurs proposent un cadre respectueux de la vie privée pour prédire le succès d'un projet (mesuré par le nombre de votes) en utilisant uniquement des données publiques : les descriptions textuelles des projets et les registres de vote historiques anonymisés. L'étude utilise deux jeux de données pluriannuels provenant de villes européennes : Toulouse, France (campagnes 2022 et 2024) et Wroclaw, Pologne (campagnes 2016 et 2017). Ces jeux de données ont été construits en fusionnant les données de vote du dépôt Pabulib.org avec les descriptions de projets extraites des sites web municipaux.

La méthodologie compare deux approches distinctes :

Apprentissage automatique classique (ML) :
- Modèles : ElasticNet (régression) et XGBoost (forêts aléatoires).
- Caractéristiques : Données tabulaires (district, catégorie, coût) combinées à trois stratégies de prétraitement textuel : TF-IDF, Sentence-BERT (SBERT) et BGE-M3.
- Entraînement/Évaluation : Les modèles ont été entraînés sur la campagne la plus ancienne disponible dans chaque ville et évalués sur la plus récente. L'Analyse en Composantes Principales (ACP) a été appliquée pour réduire la dimensionnalité.
- Base de référence (Baseline) : Une configuration « Sans-Texte » entraînée uniquement sur des données tabulaires.
Grands Modèles de Langage (LLM) :
- Modèles : GPT-4 Turbo et Llama 3.3 70B.
- Stratégies de prompting : Trois variantes ont été testées pour fournir un contexte de plus en plus riche :
  - Zero-Shot : Aucun historique fourni.
  - Contexte Complet (Full Context) : Liste des projets précédents (titres, catégories, coûts, districts, votes) sans les descriptions textuelles en raison des limites de la fenêtre de contexte.
  - Génération Augmentée par Récupération (RAG) : Le modèle reçoit le projet cible ainsi que les 20 % de projets les plus sémantiquement similaires du jeu de données historique (basé sur la similitude cosinus), incluant leurs descriptions complètes et leurs nombres de votes.
- Garanties de confidentialité : Les auteurs ont vérifié que les LLM n'avaient pas eu d'exposition préalable aux résultats de vote spécifiques ou aux descriptions complètes des campagnes de test, garantissant que les prédictions ne reposaient pas sur des données mémorisées lors de l'entraînement.

Principales contributions

Jeux de données : Construction et publication de deux nouveaux jeux de données de BP fusionnant les résultats de vote avec des descriptions textuelles riches pour Toulouse et Wroclaw.
Prédiction respectueuse de la vie privée : Démonstration qu'un classement précis des projets peut être obtenu sans utiliser la démographie des votants ou des PII, en s'appuyant uniquement sur les données publiques des projets et les résultats électoraux historiques.
Analyse comparative : Évaluation systématique des modèles de ML classiques par rapport aux stratégies de prompting de LLM (Zero-shot, Full Context, RAG) pour prédire le nombre de votes et les classements ordonnés.
Utilité de la présélection (Shortlisting) : Analyse de la performance de ces prédicteurs spécifiquement pour la tâche de « présélection » (identifier les projets du top-k susceptibles de passer une règle de sélection gourmande), plutôt que la simple prédiction exacte du nombre de votes.

Résultats

Performance vs Baseline : Tous les modèles proposés ont nettement surpassé une base de référence aléatoire (Culture Impartiale).
Classement ordinal vs Comptes exacts : Les LLM ont démontré une plus grande précision pour prédire le classement ordinal des projets (Kendall's $\tau$ ) que pour prédire les comptes exacts de votes (Erreur Absolue Moyenne).
LLM vs ML : Les approches basées sur les LLM, particulièrement avec le RAG, ont atteint des performances comparables, et dans certains cas supérieures, aux meilleurs modèles de ML classiques.
- À Toulouse, GPT-4 Turbo (RAG) a atteint un Kendall's $\tau$ de 0,35, comparable à la meilleure variante d'ElasticNet (0,36).
- À Wroclaw, Llama 3.3 (RAG) a atteint un $\tau$ de 0,51, surpassant la meilleure variante d'XGBoost (0,44).
Importance du contexte : Les prompts Zero-shot ont peu performé, confirmant que la connaissance préalable de la ville est insuffisante sans données historiques spécifiques. Le RAG a systématiquement produit les résultats les plus stables et les plus précis parmi les stratégies de LLM.
Efficacité de la présélection : Lors de l'évaluation du chevauchement des 30 % de projets prédits avec les projets réellement financés (en utilisant l'indice de Jaccard), les modèles ont montré une utilité substantielle. Pour Wroclaw, les variantes de LLM RAG ont atteint un indice de Jaccard proche de 0,5, indiquant un fort alignement avec les projets qui passeraient une règle de sélection gourmande.
Efficacité des données : L'inclusion des descriptions textuelles était essentielle pour surpasser les bases de référence aléatoires et les modèles uniquement tabulaires.

Signification et affirmations
L'article affirme que sa méthodologie offre un outil de support pratique et respectueux de la vie privée pour les organisateurs de BP afin de gérer de grands volumes de propositions lors de la phase de consolidation. En s'appuyant uniquement sur des données publiques, l'approche renforce la confiance et encourage la participation.

Les auteurs soulignent que leur outil est conçu pour assister les organisateurs, et non pour remplacer le processus de vote. Ils déclarent explicitement que les LLM ne doivent pas être utilisés comme des outils de présélection « prêts à l'emploi » sans configuration technique (par exemple, l'implémentation du RAG) et que le résultat doit servir de classement initial pour une revue humaine. L'étude met en évidence que les données électorales historiques de la même ville peuvent efficacement remplacer les données démographiques pour la prédiction, répondant ainsi à une limitation clé des recherches précédentes sur les « personas de votants ».

Enfin, les auteurs reconnaissent des limites, notamment le potentiel de manipulation stratégique des descriptions de projets, la nature de « boîte noire » des LLM, et le risque de biais de coût (où les projets à coût élevé sont favorisés). Ils concluent que bien que l'approche soit prometteuse pour la démocratie numérique, elle nécessite un examen plus approfondi et doit être déployée dans le cadre d'un processus assisté par l'IA avec une intervention humaine (human-in-the-loop).