این مقاله به بررسی ارزیابی به‌کارگیری ابزارهای پردازش زبان طبیعی (NLP) در فرآیندهای بودجه‌ریزی مشارکتی (PB) در اسکاتلند می‌پردازد. بودجه‌ریزی مشارکتی، رویکردی دموکراتیک است که به شهروندان اجازه می‌دهد در تخصیص بخشی از بودجه عمومی مشارکت کنند و اولویت‌های جامعه خود را مشخص سازند. این فرآیند در سال‌های اخیر در اسکاتلند از چند پروژه کوچک محلی به یک جنبش ملی با حمایت دولت محلی و ملی تبدیل شده است. اوج این تحول، توافق‌نامه‌ای بین دولت اسکاتلند و شورای مقامات محلی اسکاتلند (COSLA) است که بر اساس آن، حداقل ۱٪ از بودجه مقامات محلی باید از طریق بودجه‌ریزی مشارکتی تخصیص یابد.

با این حال، گسترش و فراگیر شدن این رویکرد در ۳۲ نهاد محلی اسکاتلند، چالش‌های پیچیده‌ای را به همراه دارد. مدیریت حجم زیادی از نظرات، پیشنهادات و بحث‌های عمومی، به ویژه در مقیاس وسیع، می‌تواند بسیار دشوار و زمان‌بر باشد. اینجاست که ابزارهای پیشرفته مانند پردازش زبان طبیعی می‌توانند نقشی کلیدی ایفا کنند. هدف اصلی این پژوهش در حال انجام، ارزیابی نحوه استفاده مقامات محلی از پلتفرم دیجیتال "Consul" است که از NLP برای مواجهه با این چالش‌ها بهره می‌برد. اهمیت این مطالعه نه تنها در پرداختن به مسائل عملی بودجه‌ریزی مشارکتی است، بلکه در کاوش پتانسیل فناوری برای تقویت فرآیندهای دموکراتیک و مشارکت مدنی در مقیاس وسیع نهفته است.

نویسندگان این مقاله علمی، آقایان جاناتان دیویس (Jonathan Davies)، میگوئل آرانا-کاتانیا (Miguel Arana-Catania)، راب پراکتر (Rob Procter)، فلیکس-آنزلم فن لیر (Felix-Anselm van Lier) و یولان هی (Yulan He) هستند. این ترکیب از نام‌ها، نشان‌دهنده یک رویکرد میان‌رشته‌ای در این تحقیق است که به احتمال زیاد ترکیبی از تخصص‌ها در علوم اجتماعی، حکمرانی، علوم کامپیوتر و پردازش زبان طبیعی را شامل می‌شود.

زمینه تحقیق این پژوهش، در تقاطع دو حوزه مهم قرار دارد: مشارکت مدنی و دموکراسی دیجیتال از یک سو، و کاربرد هوش مصنوعی (به ویژه NLP) در تحلیل داده‌های اجتماعی از سوی دیگر. همانطور که برچسب‌های دسته‌بندی مقاله نیز نشان می‌دهد ("محاسبات و زبان" و "کامپیوترها و جامعه")، این مطالعه نه تنها به بررسی چگونگی استفاده از فناوری برای درک بهتر زبان انسانی می‌پردازد، بلکه تأثیر این فناوری را بر تعاملات اجتماعی و ساختارهای حکمرانی نیز ارزیابی می‌کند. در سالیان اخیر، با افزایش حجم داده‌های متنی تولید شده توسط شهروندان در فضاهای آنلاین، نیاز به ابزارهایی برای سازماندهی، تحلیل و خلاصه‌سازی این اطلاعات بیش از پیش احساس می‌شود. این پژوهش سعی دارد نشان دهد که چگونه NLP می‌تواند این شکاف را پر کند و به دولت‌ها کمک کند تا مشارکت شهروندان را به شیوه‌ای مؤثرتر مدیریت کنند و در نهایت، به تصمیم‌گیری‌های عمومی آگاهانه‌تر منجر شود.

در سال‌های اخیر، بودجه‌ریزی مشارکتی (PB) در اسکاتلند تحول چشمگیری را تجربه کرده است. این فرآیند از چند ابتکار عمل محدود به رهبری جامعه، به یک جنبش گسترده با پشتیبانی قوی از سوی دولت‌های محلی و ملی تبدیل شده است. نقطه عطف این تحول، توافق‌نامه‌ای است که بر اساس آن حداقل ۱٪ از بودجه شوراهای محلی اسکاتلند باید از طریق بودجه‌ریزی مشارکتی توزیع شود. این گسترش بی‌سابقه، در حالی که نویدبخش مشارکت بیشتر شهروندان است، چالش‌های جدیدی را نیز در پی دارد که مهم‌ترین آن‌ها، مدیریت حجم عظیم داده‌های متنی و اطلاعات تولید شده توسط شهروندان در ۳۲ منطقه مختلف اسکاتلند است.

این مقاله که یک پژوهش در حال انجام است، به بررسی این چالش‌ها می‌پردازد و هدف اصلی آن، ارزیابی نحوه استفاده مقامات محلی از پلتفرم دیجیتال "Consul" است. پلتفرم Consul برای حل این مسائل، از پردازش زبان طبیعی (NLP) بهره می‌برد. NLP به سیستم‌ها امکان می‌دهد تا زبان طبیعی انسان را درک، تفسیر و پردازش کنند، که این امر می‌تواند در خلاصه‌سازی نظرات، شناسایی موضوعات کلیدی و تحلیل احساسات شهروندان بسیار مفید باشد.

پژوهش حاضر از یک طراحی کیفی طولی بهره می‌برد که شامل مصاحبه با ذینفعان، مشاهده مستقیم فرآیندهای بودجه‌ریزی مشارکتی در عمل، و تحلیل داده‌های جمع‌آوری شده از پلتفرم دیجیتال Consul است. برای تحلیل این داده‌ها، از تحلیل مضمونی (Thematic Analysis) استفاده می‌شود تا مسائل و موضوعات اصلی که از مشارکت‌ها پدید می‌آیند، شناسایی و دسته‌بندی شوند. سپس تحلیل طولی (Longitudinal Analysis) به بررسی چگونگی تحول این موضوعات و چالش‌ها در طول زمان می‌پردازد. وجود ۳۲ سایت مطالعاتی فعال و پویا، فرصتی بی‌نظیر برای کاوش در بسترهای سیاسی و اجتماعی مختلف فراهم می‌کند که امکان بررسی عمیق‌تر چالش‌ها و مسائل موجود را می‌دهد؛ امری که مطالعات مقطعی گسترده‌تر قادر به ارائه آن نخواهند بود.

نتایج اولیه این تحقیق نشان می‌دهد که مسائل و چالش‌های ناشی از مقیاس‌بندی و گسترش بودجه‌ریزی مشارکتی، می‌توانند با استفاده از فناوری NLP حل و فصل شوند. در یک ارزیابی پیشین مبتنی بر موردکاوی کنترل‌شده، NLP اثربخشی مشارکت شهروندان را بهبود بخشیده بود. این یافته‌ها، پتانسیل قابل توجهی را برای نقش فناوری در تقویت دموکراسی مشارکتی نشان می‌دهد.

این پژوهش از یک طراحی کیفی طولی (Qualitative Longitudinal Design) استفاده می‌کند که برای بررسی عمیق و پویا چالش‌ها و فرصت‌های بودجه‌ریزی مشارکتی در طول زمان بسیار مناسب است. این روش‌شناسی به محققان اجازه می‌دهد تا تغییرات و تحولات را نه تنها در یک نقطه زمانی، بلکه در یک بازه زمانی گسترده دنبال کنند.

اجزای اصلی این روش‌شناسی عبارتند از:

• مصاحبه‌ها (Interviews): محققان با طیف وسیعی از ذینفعان مصاحبه انجام می‌دهند. این افراد شامل کارمندان مقامات محلی که مسئول اجرای فرآیندهای PB هستند، تسهیل‌گران مشارکت، و البته شهروندانی که در این فرآیندها شرکت کرده‌اند، می‌شوند. هدف از مصاحبه‌ها، درک دیدگاه‌ها، تجربیات، انتظارات و چالش‌هایی است که هر گروه با آن مواجه است. سوالات مصاحبه به گونه‌ای طراحی شده‌اند که نه تنها به ابعاد فنی استفاده از پلتفرم Consul بپردازند، بلکه ابعاد اجتماعی و سیاسی مشارکت را نیز پوشش دهند.
• مشاهدات فرآیندهای بودجه‌ریزی مشارکتی (Observations of PB Processes): تیم تحقیق به صورت مستقیم فرآیندهای PB را در مقامات محلی مختلف مشاهده می‌کند. این مشاهدات می‌تواند شامل جلسات عمومی، کارگاه‌های آموزشی، و نحوه تعامل شهروندان با یکدیگر و با پلتفرم دیجیتال باشد. هدف از مشاهده، درک عملی چگونگی عملکرد PB، شناسایی موانع احتمالی، و ارزیابی تأثیر استفاده از ابزارهای دیجیتال و NLP در تعاملات واقعی است.
• تحلیل داده‌های پلتفرم دیجیتال (Analysis of Digital Platform Data): پلتفرم Consul، که توسط مقامات محلی برای مدیریت PB استفاده می‌شود، حجم زیادی از داده‌های متنی تولید می‌کند. این داده‌ها شامل پیشنهادات شهروندان، نظرات آن‌ها، بحث‌ها و همچنین نتایج رأی‌گیری‌ها است. محققان این داده‌ها را جمع‌آوری و با استفاده از تکنیک‌های تحلیل داده‌های متنی، بررسی می‌کنند. تمرکز ویژه بر چگونگی به‌کارگیری NLP توسط Consul برای خلاصه‌سازی، دسته‌بندی و شناسایی الگوها در این حجم وسیع از اطلاعات است.

پس از جمع‌آوری داده‌ها، دو نوع تحلیل اصلی انجام می‌شود:

• تحلیل مضمونی (Thematic Analysis): در این مرحله، داده‌های کیفی (مصاحبه‌ها و مشاهدات) و همچنین خروجی‌های اولیه NLP از پلتفرم Consul مورد بررسی قرار می‌گیرند تا موضوعات و مسائل اصلی (themes) که به صورت مکرر ظاهر می‌شوند، شناسایی و دسته‌بندی شوند. این تحلیل به محققان کمک می‌کند تا الگوهای مشترک و تکراری در نظرات و تجربیات افراد را کشف کنند.
• تحلیل طولی (Longitudinal Analysis): با توجه به ماهیت طولی تحقیق، محققان به بررسی چگونگی تحول و تغییر این موضوعات و چالش‌ها در طول زمان می‌پردازند. این تحلیل می‌تواند نشان دهد که آیا مشکلات اولیه با گذشت زمان بهبود می‌یابند، یا چالش‌های جدیدی ظهور می‌کنند، و چگونه استفاده از NLP ممکن است بر این دینامیک‌ها تأثیر بگذارد.

وجود ۳۲ سایت مطالعاتی فعال در سراسر اسکاتلند، فرصتی بی‌نظیر را برای مقایسه و کنتراست فرآیندهای PB در بسترهای سیاسی و اجتماعی متنوع فراهم می‌کند. این امر به پژوهشگران اجازه می‌دهد تا درک عمیق‌تری از چالش‌ها و فرصت‌های خاص هر منطقه به دست آورند که یک مطالعه مقطعی قادر به پوشش آن نبود.

اگرچه این پژوهش در حال انجام است و نتایج نهایی هنوز منتشر نشده، اما نتایج اولیه اطلاعات ارزشمندی را در مورد پتانسیل و کارایی ابزارهای NLP در بودجه‌ریزی مشارکتی ارائه می‌دهد. یافته‌های اولیه بر این نکته تأکید دارند که:

• غلبه بر چالش‌های مقیاس‌بندی: مسائل و چالش‌هایی که از گسترش و مقیاس‌بندی فرآیندهای بودجه‌ریزی مشارکتی در ۳۲ منطقه محلی اسکاتلند ناشی می‌شوند، می‌توانند با موفقیت از طریق فناوری NLP مورد بررسی و حل قرار گیرند. این چالش‌ها شامل مدیریت حجم عظیم پیشنهادات، شناسایی الگوهای مشترک در نظرات هزاران شهروند و خلاصه‌سازی داده‌ها برای تصمیم‌گیرندگان است.
• بهبود اثربخشی مشارکت شهروندان: نتایج اولیه تأیید می‌کنند که NLP، همانند ارزیابی‌های پیشین در یک موردکاوی کنترل‌شده، اثربخشی مشارکت شهروندان را بهبود می‌بخشد. این بهبود می‌تواند به معنای موارد زیر باشد:
  • افزایش دسترسی و فراگیری: با پردازش و خلاصه‌سازی خودکار نظرات، دیگر نیازی به تخصص یا زمان زیادی برای درک دیدگاه‌های عمومی نیست، که این امر مشارکت افراد بیشتری را تسهیل می‌کند.
  • شناسایی سریع‌تر اولویت‌ها: NLP قادر است به سرعت موضوعات و اولویت‌های اصلی مطرح شده توسط شهروندان را از میان انبوهی از داده‌های متنی شناسایی کند.
  • کاهش بار کاری: برای تسهیل‌گران و کارمندان دولت محلی، استفاده از NLP به شدت بار کاری مربوط به تحلیل دستی داده‌ها را کاهش می‌دهد و به آن‌ها اجازه می‌دهد تا بر جنبه‌های کیفی‌تر و تعاملی‌تر PB تمرکز کنند.
  • تصمیم‌گیری آگاهانه‌تر: با ارائه خلاصه‌های دقیق و مبتنی بر داده از نظرات عمومی، تصمیم‌گیرندگان می‌توانند تصمیماتی اتخاذ کنند که بهتر منعکس‌کننده نیازها و خواسته‌های واقعی جامعه باشد.
• کشف روندهای پنهان: ابزارهای NLP می‌توانند به شناسایی روندهای پنهان یا همبستگی‌های غیرمنتظره در داده‌های مشارکتی کمک کنند که ممکن است در تحلیل‌های دستی نادیده گرفته شوند. به عنوان مثال، شناسایی ارتباط بین یک موضوع خاص و مناطق جغرافیایی خاص یا گروه‌های جمعیتی خاص.
• چالش‌ها و فرصت‌ها در بسترهای متنوع: اگرچه NLP مزایای زیادی دارد، اما یافته‌های طولی از ۳۲ سایت مختلف، احتمالاً نشان می‌دهد که نحوه به کارگیری و اثربخشی آن ممکن است بسته به بافت سیاسی، اجتماعی و سطح سواد دیجیتال در هر منطقه متفاوت باشد. این امر فرصتی برای بهینه‌سازی و تطبیق ابزارهای NLP با نیازهای خاص هر جامعه فراهم می‌آورد.

به طور خلاصه، نتایج اولیه این تحقیق بر نقش تحول‌آفرین NLP در مدیریت و بهبود اثربخشی بودجه‌ریزی مشارکتی در مقیاس وسیع تأکید دارد و پتانسیل فناوری را برای تقویت پایه‌های دموکراسی مشارکتی برجسته می‌کند.

کاربردها و دستاوردهای این تحقیق، فراتر از مرزهای اسکاتلند و حوزه بودجه‌ریزی مشارکتی، پتانسیل تأثیرگذاری گسترده‌ای بر حکمرانی و مشارکت مدنی در عصر دیجیتال دارد:

• مدیریت کارآمد مشارکت گسترده:
  • برای مقامات محلی: این پژوهش نشان می‌دهد که چگونه ابزارهای NLP می‌توانند به مقامات محلی در مدیریت و تحلیل حجم وسیع داده‌های تولید شده توسط شهروندان در فرآیندهای PB کمک کنند. این امر منجر به کارایی بیشتر، کاهش زمان و منابع لازم برای پردازش دستی اطلاعات و امکان تمرکز بر ابعاد راهبردی‌تر تصمیم‌گیری می‌شود.
  • تشخیص سریع‌تر اولویت‌ها: NLP قادر است به سرعت موضوعات کلیدی، دغدغه‌ها و پیشنهادات مطرح شده توسط هزاران شهروند را از طریق تحلیل متون استخراج کند. این قابلیت به تصمیم‌گیرندگان کمک می‌کند تا درک بهتری از نیازهای فوری و بلندمدت جامعه داشته باشند.
• افزایش کیفیت و اثربخشی مشارکت شهروندان:
  • فراگیری بیشتر: با حذف موانع زبانی و پیچیدگی‌های تحلیل متنی، افراد بیشتری می‌توانند به راحتی در فرآیند مشارکت کرده و احساس کنند صدایشان شنیده می‌شود. NLP می‌تواند به خلاصه‌سازی و ارائه بازخورد به شهروندان نیز کمک کند که حس مشارکت واقعی را تقویت می‌کند.
  • پالایش اطلاعات: NLP می‌تواند به پالایش نظرات تکراری، شناسایی پیشنهادات مشابه و ترکیب آن‌ها کمک کند تا یک دیدگاه جامع‌تر و منسجم‌تر از خواسته‌های عمومی به دست آید.
• تقویت دموکراسی دیجیتال و حکمرانی باز:
  • شفافیت و اعتماد: استفاده از فناوری‌های شفاف مانند NLP در پلتفرم‌هایی چون Consul می‌تواند به افزایش شفافیت فرآیندهای تصمیم‌گیری کمک کرده و اعتماد شهروندان به نهادهای دولتی را تقویت کند.
  • حکمرانی مبتنی بر شواهد: با ارائه داده‌های تحلیلی و خلاصه‌های جامع از نظرات شهروندان، مقامات می‌توانند تصمیمات مبتنی بر شواهد قوی‌تر و منطبق با خواسته‌های عمومی اتخاذ کنند، که این امر به مشروعیت بخشیدن به تصمیمات کمک می‌کند.
• الگویی برای سایر کشورها و حوزه‌ها: مدل موفقیت‌آمیز به‌کارگیری NLP در بودجه‌ریزی مشارکتی در اسکاتلند می‌تواند به عنوان یک الگو برای سایر کشورها و شهرداری‌ها در سراسر جهان باشد که با چالش‌های مشابهی در زمینه مشارکت مدنی و دموکراسی دیجیتال روبرو هستند. این دستاوردها می‌تواند به افزایش پذیرش فناوری‌های هوشمند در سایر فرآیندهای مشارکتی مانند طرح‌های توسعه شهری، سیاست‌گذاری‌های اجتماعی و مدیریت بحران نیز منجر شود.

در نهایت، این تحقیق نشان می‌دهد که فناوری، به جای جایگزینی، می‌تواند مکمل و تقویت‌کننده تعاملات انسانی و فرآیندهای دموکراتیک باشد. Consul به عنوان یک بستر دیجیتال مجهز به NLP، نمونه‌ای کاربردی از چگونگی پیوند فناوری و مشارکت شهروندی را ارائه می‌دهد که می‌تواند منجر به حکمرانی پاسخگوتر و جامعه‌ای فعال‌تر شود.

این مقاله با تمرکز بر ارزیابی به‌کارگیری ابزارهای پردازش زبان طبیعی (NLP) در فرآیندهای بودجه‌ریزی مشارکتی (PB) در اسکاتلند، بینش‌های مهمی را در مورد چگونگی مواجهه با چالش‌های ناشی از گسترش این رویکرد ارائه می‌دهد. گسترش بودجه‌ریزی مشارکتی در ۳۲ مرجع محلی اسکاتلند، با وجود مزایای دموکراتیک، پیچیدگی‌های عملیاتی قابل توجهی را به همراه دارد که مدیریت حجم بالای اطلاعات و نظرات شهروندان از جمله مهم‌ترین آن‌هاست.

نتایج اولیه این تحقیق نشان می‌دهد که فناوری NLP، به ویژه از طریق پلتفرم دیجیتال Consul، پتانسیل چشمگیری برای مقابله با این چالش‌ها و بهبود اثربخشی مشارکت شهروندان دارد. این ابزارها قادرند داده‌های متنی حجیم را پردازش کرده، خلاصه‌سازی نمایند، و الگوهای کلیدی را استخراج کنند، که در نهایت به تسهیل فرآیند تصمیم‌گیری و درک عمیق‌تر از نیازهای جامعه منجر می‌شود. طراحی کیفی طولی این پژوهش، با استفاده از مصاحبه‌ها، مشاهدات و تحلیل داده‌های پلتفرم، به محققان این امکان را می‌دهد که چگونگی تحول این مسائل و تأثیر NLP را در طول زمان و در بسترهای اجتماعی و سیاسی متنوع مورد بررسی قرار دهند.

دستاوردها و کاربردهای این پژوهش، فراتر از حوزه بودجه‌ریزی، به تقویت دموکراسی دیجیتال و حکمرانی باز اشاره دارد. استفاده از NLP می‌تواند به مقامات محلی در مدیریت کارآمدتر فرآیندهای مشارکتی، شناسایی سریع‌تر اولویت‌های عمومی و اتخاذ تصمیمات آگاهانه‌تر کمک کند. برای شهروندان نیز، این فناوری می‌تواند به افزایش دسترسی، فراگیری و حس واقعی مشارکت منجر شود. در نهایت، مدل اسکاتلند می‌تواند به عنوان یک الگوی الهام‌بخش برای سایر نقاط جهان باشد که در تلاشند تا با استفاده از فناوری، فرآیندهای دموکراتیک خود را تقویت کرده و مشارکت مدنی را در مقیاس وسیع‌تر نهادینه سازند.

با این حال، این پژوهش در حال انجام است و نیازمند تحلیل‌های عمیق‌تر و بررسی بلندمدت‌تر برای درک کامل پتانسیل‌ها و همچنین چالش‌های نوظهور (مانند مسائل اخلاقی مرتبط با استفاده از هوش مصنوعی، شکاف دیجیتال و کیفیت داده‌های ورودی) است. آینده دموکراسی مشارکتی، به طور فزاینده‌ای با هوش مصنوعی و فناوری‌های مشابه گره خورده است و این مطالعه گام مهمی در جهت شناخت و بهینه‌سازی این ارتباط حیاتی محسوب می‌شود.