بودجهریزی مشارکتی
مقدمهای بر بودجهریزی مشارکتی
در دنیای امروز، بسیاری از شهرها تلاش میکنند تا شهروندان را به صورت فعالتر در تصمیمگیریهای عمومی مشارکت دهند. یکی از ابزارهای کلیدی برای این هدف، فرایند بودجهریزی مشارکتی (Participatory Budgeting یا PB) است. این مدل درواقع یک ساختار دموکراتیک برای تخصیص بخشی از بودجه شهری به پروژههایی است که توسط شهروندان پیشنهاد و انتخاب میشوند. این روش نه تنها باعث افزایش مشارکت عمومی میشود، بلکه شفافیت و رضایت اجتماعی را نیز ارتقا میدهد.
این مقاله بر اساس مطالعهای درباره دو شهر متوسط اروپایی (تولوز در فرانسه و وروتسواو در لهستان) به بررسی روشهای تحلیل داده و پیشبینی پروژههای موفق در بودجهریزی مشارکتی پرداخته است. اطلاعات این پژوهش به صورت عمومی منتشر شده و از مدلهای زبان بزرگ (LLM) برای بهبود اثربخشی این فرآیند استفاده کرده است.
چالشهای اصلی در فرآیند بودجهریزی مشارکتی
بودجهریزی مشارکتی شامل سه مرحله مهم است:
- مرحله پیشنهاد: شهروندان پروژههای مورد نظر خود را پیشنهاد میدهند.
- مرحله تجمیع: موارد پیشنهادی بررسی شده و پروژههای مشابه یا غیرممکن از لیست حذف میشوند.
- مرحله رأیگیری: شهروندان از میان پروژههای پایانی گزینههای مورد نظر خود را انتخاب میکنند.
اما هر یک از این مراحل چالشهای خاصی دارند که میتواند موفقیت کل سیستم را به مخاطره بیندازد:
- مشارکت کم شهروندان در مراحل پیشنهاد و رأیگیری باعث کاهش مشروعیت اجتماعی فرایند میشود.
- عدم شناسایی پروژههای تکراری یا مشابه، تعداد گزینهها را بیش از حد افزایش داده و تمرکز رأیدهندگان را پراکنده میکند.
نوآوری در پیشبینی موفقیت پروژهها
در مطالعهای که توسط محققان صورت گرفته، از دادههای عمومی و ابزارهای پیشرفته مانند مدلهای زبان بزرگ (LLMs) برای تجزیه و تحلیل و پیشبینی موفقیت پروژهها استفاده شده است. این روشها به ما کمک میکنند تا:
- کیفیت پیشنهادهای شهروندان را افزایش دهیم.
- فرآیند تجمیع و لیستگذاری پروژهها را بهینه کنیم.
- عملکرد و پیشرفت پروژههای منتخب را بررسی کنیم.
برای مثال، اطلاعاتی مانند عنوان، توضیحات، دستهبندیها، هزینه تخمینی، محل پروژه و تعداد آرای آن مورد استفاده قرار میگیرد تا با حفظ حریم خصوصی شهروندان به پیشبینی دقیقتر دست یابیم.
نقش مدلهای زبان بزرگ در تحلیل دادههای مشارکتی
استفاده از مدلهای زبان بزرگ مانند GPT-4 Turbo امکان تحلیل بزرگداده و پیشبینی دقیقتر را فراهم میآورد. این مدلها:
- از دادههای عمومی برای پیشبینی استفاده میکنند.
- بدون نیاز به اطلاعات حساس دمографیک، نتایج دقیقی تولید میکنند.
- دقت بیشتری در مقایسه با مدلهای سنتی دارند.
این تکنیک نه تنها باعث افزایش اعتماد عمومی میشود بلکه هزینههای اجرایی را نیز کاهش میدهد. برای اطلاعات بیشتر درباره کاربردهای LLMها، میتوانید به یک مقاله معتبر +اینجا مراجعه کنید.
راهکارهای عملی برای بهبود مشارکت مردمی در بودجهریزی
برای بهبود فرآیند بودجهریزی مشارکتی و افزایش مشارکت مردم میتوان به نکات زیر توجه کرد:
- اهمیت شفافیت اطلاعات: شهروندان باید بتوانند به راحتی بفهمند که بودجه چگونه تخصیص یافته و پروژهها چقدر موفق بودهاند.
- آموزش عمومی: آموزش شهروندان درباره چگونگی مشارکت در مراحل مختلف فرآیند.
- استفاده از فناوریهای نوین: مانند پلتفرمهای دیجیتال برای آسان کردن دسترسی و مشارکت.
- حفظ حریم خصوصی: استفاده از روشهای تحلیل داده که نیازی به اطلاعات حساس ندارند.
معرفی فرمانا
برای دسترسی به منابع دادهای و اطلاعات تخصصی بیشتر، پیشنهاد میکنیم از خدمات وبسایت فرمانا استفاده کنید: