🤖 AI

Privacy-Aware Predictions in Participatory Budgeting

Dit artikel stelt een privacybewarende aanpak voor die gebruikmaakt van tekstuele projectbeschrijvingen en anonieme historische stemrecords om financieringsuitkomsten voor participatieve budgetteringsvoorstellen te voorspellen, waardoor organisatoren worden geassisteerd bij het beheren van grote hoeveelheden inzendingen zonder afhankelijk te zijn van persoonlijk identificeerbare informatie.

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

Gepubliceerd 2026-02-04

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat een gemeenteraad een grote pot geld heeft en dit wil uitgeven aan zaken waar de gemeenschap echt naar verlangt, zoals nieuwe parken, betere bushaltes of sportvelden. Dit wordt Participatieve Budgettering genoemd. Burgers dienen ideeën in en iedereen stemt vervolgens op deze ideeën.

Er is echter een probleem: in grote steden kunnen mensen duizenden ideeën indienen. Stel je een stad als Toulouse of Wrocław voor die meer dan 1.000 projectvoorstellen ontvangt. De organisatoren van de stad kunnen niet elk voorstel lezen, de details begrijpen en uitzoeken welke populair zijn voordat de stemming begint. Meestal moet een kleine groep vrijwilligers handmatig door deze berg papierwerk ploeteren, wat traag, duur en soms een beetje mysterieus is voor het publiek.

Dit artikel gaat over het bouwen van een slimme, privacyvriendelijke assistent om de stadsorganisatoren te helpen bij het sorteren van deze voorstellen voordat de stemming begint.

Het Doel: Een "Glazen Bol" voor Projectpopulariteit

De onderzoekers wilden een hulpmiddel creëren dat naar een nieuw projectvoorstel kan kijken en kan raden: "Hoeveel stemmen zal dit krijgen?"

Als het hulpmiddel kan voorspellen welke projecten waarschijnlijk populair zullen zijn, kunnen organisatoren die informatie gebruiken om:

De ruis te filteren: Hun aandacht richten op de meest veelbelovende ideeën.
Transparant te zijn: De publieke opinie precies laten zien hoe ze hebben besloten welke projecten doorgaan, in plaats van alleen te zeggen "een commissie heeft beslist."
Privacy te beschermen: Cruciaal is dat ze dit wilden doen zonder te kijken naar wie op wat heeft gestemd of persoonlijke gegevens van de kiezers te gebruiken (zoals hun leeftijd, inkomen of adres). Ze wilden alleen de tekst van de projectbeschrijvingen en eerdere verkiezingsresultaten gebruiken.

Hoe Ze Het Testten

De onderzoekers traden op als detectives en keken naar twee echte steden: Toulouse, Frankrijk en Wrocław, Polen.

Ze namen data van een oude verkiezing in elke stad (de "trainingsdata").
Ze probeerden de resultaten van een nieuwere verkiezing in dezelfde stad te voorspellen (de "testdata").
Ze gebruikten twee verschillende soorten "hersenen" om deze voorspellingen te doen:
1. Klassieke Wiskundige Modellen: Traditionele computeralgoritmen (zoals ElasticNet en XGBoost) die zoeken naar patronen in getallen en woorden.
2. Large Language Models (LLMs): Geavanceerde AI-chatbots (zoals GPT-4 en Llama) die meestal worden gebruikt voor het schrijven van verhalen of het beantwoorden van vragen.

De "Drie Manieren" om de AI te Vragen

De onderzoekers testten drie verschillende manieren om de AI te vragen een voorspelling te doen, vergelijkbaar met hoe je een vriend om advies zou vragen:

De "Zero-Shot" (De Gok): Je vraagt de AI: "Hier is een projectbeschrijving. Hoeveel stemmen krijgt het?" zonder enige geschiedenis te geven.
- Resultaat: De AI was slecht in dit. Het was alsof je iemand vraagt het weer in een stad te raden waar ze nog nooit zijn geweest zonder een weersverwachting.
De "Full Context" (De Lijst): Je geeft de AI een lijst van alle projecten van het vorige jaar, maar je verwijdert de lange beschrijvingen om ruimte te besparen. Je geeft alleen de namen, kosten en categorieën.
- Resultaat: Dit was oké, maar niet geweldig. De AI miste de nuance van wat de projecten eigenlijk waren.
De "RAG" (De Slimme Onderzoeker): Dit is de winnaar. Je zegt tegen de AI: "Hier is het nieuwe project. Kijk nu naar de meest vergelijkbare projecten van vorig jaar (gebaseerd op hun beschrijvingen) en vertel me hoe die het hebben gedaan."
- Resultaat: Dit werkte verrassend goed. Het is alsof je een lokale expert vraagt: "Ik denk aan het bouwen van een nieuw park. Vorig jaar hebben we een soortgelijk park gebouwd in een soortgelijke buurt, en dat kreeg 5.000 stemmen. Op basis daarvan, hoe zal deze nieuwe het doen?"

Wat Ze Ontdekten

Tekst Is Belangrijk: De AI had de daadwerkelijke beschrijvingen van de projecten nodig om goed werk te leveren. Als je alleen de kosten en de categorie geeft (bijv. "Sport", "$10.000"), kon de AI de stemmen niet goed voorspellen. De woorden die mensen gebruiken om hun ideeën te beschrijven, bevatten het geheim van hun populariteit.
Rangschikken is Makkelijker dan Tellen: De AI was niet perfect in het raden van het exacte aantal stemmen (bijv. "Het zal 4.321 stemmen krijgen"). Het was echter erg goed in het rangschikken. Het kon betrouwbaar zeggen: "Project A is populairder dan Project B."
AI versus Mensen: De prestaties van de AI waren vergelijkbaar met de klassieke wiskundige modellen. Het was niet magisch beter dan hen, maar het kon de taak net zo goed uitvoeren.
Privacy Eerst: Het systeem werkte perfect zonder ooit te hoeven weten wie de kiezers waren. Het had alleen de geschiedenis nodig van wat er in het verleden won.

De Kern van het Verhaal

De conclusie van het artikel is dat we AI kunnen gebruiken om stadsorganisatoren te helpen de "lawine" aan projectvoorstellen te beheren in participatieve budgettering.

Beschouw het als een pre-screening filter. De AI neemt niet de uiteindelijke beslissing of vervangt de stemmers. In plaats daarvan fungeert het als een behulpzame assistent die zegt: "Vanuit deze 1.000 ideeën zijn dit de top 300 die er het meest veelbelovend uitzien op basis van de geschiedenis en beschrijving." Dit stelt menselijke organisatoren in staat om hun tijd te richten op de meest levensvatbare projecten, waardoor het hele democratische proces sneller, goedkoper en transparanter wordt, terwijl de privacy van de kiezer intact blijft.

Belangrijke Kanttekening uit het Artikel:
De auteurs waarschuwen dat dit hulpmiddel niet gebruikt mag worden om het stemproces te vervangen of om automatisch definitieve beslissingen te nemen. Het is een ondersteuningstool voor de fase van het "shortlisten". Ze merken ook op dat als mensen hun voorstellen specifief gaan schrijven om de AI te "misleiden", het systeem mogelijk minder goed zal werken. Het is een hulpmiddel om mensen te helpen, niet om hen te vervangen.

Technische Samenvatting: Privacy-bewuste Voorspellingen in Participatieve Budgettering

Probleemstelling
Participatieve budgettering (PB) is een democratisch proces waarbij burgers projecten voor publieke investeringen voorstellen en stemmen. Terwijl onderzoek naar computationele sociale keuze uitgebreid heeft gefocust op het optimaliseren van de stemfase (bijv. het ontwerpen van selectieregels), blijft de consolidatiefase — waarin organisatoren een groot volume aan voorstellen moeten inkorten voordat er gestemd kan worden — grotendeels opaak en is deze vaak afhankelijk van handmatige beslissingen door commissies zonder duidelijke doelstellingen. Deze fase brengt aanzienlijke schaalbaarheidsuitdagingen met zich mee vanwege de hoge volumes tekstuele data (projecttitels en beschrijvingen). Bovendien leunen bestaande AI-benaderingen in dit domein vaak op de demografie van kiezers of persoonlijk identificeerbare informatie (PII) om "kiezer-persona's" te creëren, wat privacyzorgen oproept en de toepasbaarheid beperkt in contexten waar dergelijke gegevens niet beschikbaar zijn of wettelijk beperkt zijn.

Methodologie
De auteurs stellen een privacy-bewarend kader voor om het succes van projecten te voorspellen (gemeten aan de hand van stemaantallen) met behulp van uitsluitend publiekelijk beschikbare data: tekstuele projectbeschrijvingen en anonieme historische stemgegevens. De studie maakt gebruik van twee meerjarige datasets uit Europese steden: Toulouse, Frankrijk (campagnes 2022 en 2024) en Wrocław, Polen (campagnes 2016 en 2017). Deze datasets zijn geconstrueerd door stemgegevens uit de Pabulib.org-repository te combineren met projectbeschrijvingen die van gemeentelijke websites zijn gescraped.

De methodologie vergelijkt twee verschillende benaderingen:

Klassieke Machine Learning (ML):
- Modellen: ElasticNet (regressie) en XGBoost (random forests).
- Kenmerken (Features): Tabulaire data (district, categorie, kosten) gecombineerd met drie tekstuele voorverwerkingsstrategieën: TF-IDF, Sentence-BERT (SBERT) en BGE-M3.
- Training/Evaluatie: Modellen werden getraind op de vroegst beschikbare campagne in elke stad en geëvalueerd op de meest recente campagne. Principal Component Analysis (PCA) werd toegepast om dimensionaliteit te reduceren.
- Baseline: Een "No-Text"-configuratie die uitsluitend getraind is op tabulaire data.
Large Language Models (LLMs):
- Modellen: GPT-4 Turbo en Llama 3.3 70B.
- Prompting-strategieën: Drie varianten werden getest om progressief rijkere context te bieden:
  - Zero-Shot: Geen historische data verstrekt.
  - Full Context: Lijst van eerdere projecten (titels, categorieën, kosten, districten, stemmen) zonder tekstuele beschrijvingen vanwege limieten in het contextvenster.
  - Retrieval-Augmented Generation (RAG): Het model ontvangt het doelproject plus de 20% meest semantisch gelijkaardige projecten uit de historische dataset (gebaseerd op cosinus-gelijkenis), inclusief hun volledige beschrijvingen en stemaantallen.
- Privacywaarborgen: De auteurs hebben geverifieerd dat de LLM's geen voorafgaande blootstelling hadden aan de specifieke stemresultaten of volledige projectbeschrijvingen van de testcampagnes, om te garanderen dat voorspellingen niet gebaseerd waren op onthouden trainingsdata.

Belangrijkste Bijdragen

Datasets: De constructie en release van twee nieuwe meerjarige PB-datasets die stemuitslagen combineren met rijke tekstuele beschrijvingen voor Toulouse en Wrocław.
Privacy-bewuste Voorspelling: Een demonstratie dat nauwkeurige projectranking kan worden bereikt zonder gebruik te maken van de demografie van kiezers of PII, door enkel te vertrouwen op publieke projectdata en historische verkiezingsuitslagen.
Vergelijkende Analyse: Een systematische evaluatie van klassieke ML-modellen versus LLM-promptingstrategieën (Zero-shot, Full Context, RAG) voor het voorspellen van stemaantallen en ordinale rangschikkingen.
Nut voor Shortlisting: Een analyse van hoe deze voorspellers presteren, specifificamente voor de "shortlisting"-taak (het identificeren van de top-k projecten die waarschijnlijk een 'greedy selection rule' zullen passeren), in plaats van alleen de exacte voorspelling van stemaantallen.

Resultaten

Prestaties vs. Baseline: Alle voorgestelde modellen presteerden significant beter dan een willekeurige baseline (Impartial Culture).
Ordinale Rangschikking vs. Exacte Aantallen: LLM's vertoonden een hogere nauwkeurigheid in het voorspellen van de ordinale rangschikking van projecten (Kendall's $\tau$ ) dan in het voorspellen van exacte stemaantallen (Mean Absolute Error).
LLM vs. ML: LLM-gebaseerde benaderingen, met name met RAG, bereikten een prestatie die vergelijkbaar is met, en in sommige gevallen hoger dan, de beste klassieke ML-modellen.
- In Toulouse bereikte GPT-4 Turbo (RAG) een Kendall's $\tau$ van 0,35, vergelijkbaar met de beste ElasticNet-variant (0,36).
- In Wrocław bereikte Llama 3.3 (RAG) een $\tau$ van 0,51, waarmee het de beste XGBoost-variant (0,44) versloeg.
Belang van Context: Zero-shot prompts presteerden slecht, wat bevestigt dat voorkennis van de stad onvoldoende is zonder specifieke historische data. RAG leverde consistent de meest stabiele en nauwkeurige resultaten onder de LLM-strategieën.
Effectiviteit van Shortlisting: Bij de evaluatie van de overlap tussen de top 30% van de voorspelde projecten en de daadwerkelijk gefinancierde projecten (met behulp van de Jaccard-index), toonden de modellen substantiële bruikbaarheid. Voor Wrocław bereikten LLM RAG-varianten een Jaccard-index van bijna 0,5, wat wijst op een sterke afstemming met de projecten die een 'greedy selection rule' zouden passeren.
Data-efficiëntie: De inclusie van tekstuele beschrijvingen was essentieel om de willekeurige baselines en modellen met enkel tabulaire data te overtreffen.

Betekenis en Claims
Het artikel beweert dat de methodologie een praktische, privacy-bewuste ondersteuningstool biedt voor PB-organisatoren om grote volumes aan voorstellen te beheren tijdens de consolidatiefase. Door uitsluitend gebruik te maken van publiekelijk beschikbare data, bouwt de aanpak vertrouwen op en stimuleert het participatie.

De auteurs benadrukken dat hun tool is ontworpen om organisatoren te assisteren, niet om het stemproces te vervangen. Ze stellen expliciet dat LLM's niet als "out-of-the-box" shortlisting-tools gebruikt mogen worden zonder technische configuratie (bijv. RAG-implementatie) en dat de output moet dienen als een initiële rangschikking voor menselijke beoordeling. De studie benadrukt dat historische verkiezingsdata uit dezelfde stad effectief de demografische inputs voor voorspelling kunnen vervangen, wat een sleutelbeperking in eerder "voter persona"-onderzoek aanpakt.

Ten slotte erkennen de auteurs beperkingen, waaronder het potentieel voor strategische manipulatie van projectbeschrijvingen, de "black box"-natuur van LLM's, en het risico op kostenbias (waarbij projecten met hogere kosten worden bevoordeeld). Ze concluderen dat hoewel de aanpak veelbelovend is voor digitale democratie, het verdere controle vereist en moet worden ingezet als onderdeel van een AI-ondersteund proces met menselijke tussenkomst (human-in-the-loop).