AI toepassen op burgerparticipatie: een Case Study van Youth4Climate

POPULATION
1.000.000
TYPE
Large Cities

Youth for Climate gebruikte de NLP-technologie van CitizenLab om duizenden burgerideeën om te zetten in beknopte en bruikbare inzichten. Dit is wat we geleerd hebben uit de analyse van meer dan 1.700 ideeën.

Op 20 augustus ging de 15-jarige Zweedse klimaatactiviste Greta Thunberg met een protestbord voor de Zweedse overheid zitten. Hiermee wilde ze de politieke laksheid tegenover de klimaatverandering aan de kaak stellen.

De volgende dag werd ze vergezeld door een handvol andere demonstranten. Enkele weken later waren er honderden mensen bijgekomen. Na een paar maanden was de beweging viraal gegaan, en kwamen overal ter wereld Youth for Climate-groepen op straat om de politiek wakker te schudden over de klimaatverandering.

De beweging bereikte België snel. Begin 2019 startten Belgische jongeren wekelijkse protesten op donderdag, waarbij ze marsen organiseerden door Brussel en andere Belgische steden. Naarmate de persaandacht en het momentum toenam, besloten de organisatoren van Youth for Climate Belgium al snel dat ze een manier nodig hadden om de energie en ideeën die elke week op straat werden geuit, in goede banen te leiden.

In januari 2019 werd voor hen een CitizenLab-platform opgericht: Youth4Climate, waar gebruikers uit België en daarbuiten werden aangespoord om hun ideeën voor het klimaat te delen. De discussies op het platform waren even levendig en gepassioneerd als op straat: in iets minder dan 3 maanden tijd hebben gebruikers meer dan 1.700 ideeën en 2.600 reacties gepost, en meer dan 32.000 keer gestemd op de initiatieven die ze de moeite waard vonden.

Gedeelde ideeën op het Youth4Climate-platform.

Maar zoals bij alle participatieprojecten begint hier de uitdaging pas echt. Het verzamelen van input was het gemakkelijke deel. Om deze ideeën om te kunnen zetten in zinvolle acties en adviezen moest Youth forClimate duizenden ideeën verwerken in een korte tijd. Dit was een perfecte test voor de geautomatiseerde data-analyse-functie van het CitizenLab-platform.

Terwijl we YouthForClimate begeleidden in het verzamelen en analyseren van de input, konden we onze NLP-technologie op grote schaal testen en toepassen op posts bijdragen die in meerdere talen geschreven zijn. Dit zijn enkele lessen die we onderweg hebben geleerd.

Les 1: mens eerst, tech komt later.

Met als einddoel om een beknopt en bruikbaar rapport voor te leggen aan verkozen politici, besloten we samen met de YouthForClimate-organisatoren om de ideeën op het platform te herleiden tot topprioriteiten voor het klimaat. De thema’s die op het platform bestonden en die al aan sommige ideeën waren toegewezen, konden niet gebruikt worden: de meeste thema’s waren te vaag om echte prioriteiten mee te bepalen, en een groot deel van de gebruikers had ervoor gekozen om hun ideeën niet te classificeren, wat betekent dat het merendeel van de ideeën niet gelabeld was.

Geautomatiseerd classificeren was ook geen optie: het zou bijna onmogelijk zijn geweest om alle ideeën automatisch te taggen. Als we de algoritmes geen instructies gaven voor het classificeren van de ideeën, zouden ze een classificatiemodel hebben toegepast dat contextloos of te uitgebreid was. Enkele tests bevestigden onze intuïtie: bij zulke complexe gesprekken en met zo’n groot aantal berichten hebben de algoritmes een zeker kader nodig om betrouwbare resultaten te kunnen genereren.

De oplossing was dan ook om handmatig de hoofdcategorieën te bepalen. Om te voorkomen dat we 1700 ideeën moesten doorlezen, besloten we om eerst op de meest “populaire” ideeën te focussen. De top 15% ideeën (217 ideeën) waren goed voor bijna 74% van de stemmen, een sterk signaal dat ze representatief zijn voor de ideeën in hun geheel.

De 15 prioriteiten die op het Y4C-platform geidentificeerd werden

De ideeën die meer dan 100 stemmen kregen (60 ideeën in totaal, goed voor 43% van het totaal aantal stemmen) gaven ons de top 10 prioriteiten. De ideeën die tussen de 50 en 100 stemmen kregen (57 ideeën die 15% van de stemmen vertegenwoordigden) gaven ons nog 5 extra prioriteiten. Deze 15 prioriteiten volstonden om de rest van de ideeën te dekken. We hebben 139 ideeën met 20 tot 50 stemmen manueel doorgelezen, en al deze ideeën pasten in minstens één van de 15 prioriteiten.

Nadat de 15 prioriteiten waren vastgesteld, wendden we ons tot NLP om de prioriteiten toe te passen op de overige 1.400 ideeën. Die werden getagd aan de hand van de similariteitsmethode: elk idee uit de “niet getagd”-pot werd vergeleken met een idee uit de ” manuele tag”-pot. Die vergelijking gebeurde door te kijken naar vergelijkbare woorden en de bredere context.
Het is niet voldoende dat twee ideeën allebei het woord “boek” gebruiken: we willen er ook zeker van zijn dat het woord hetzelfde betekent in beide opmerkingen.

Het tegendeel is ook waar: als een idee “een boek” vermeldt en een ander idee “lezen“, dan herkent het algoritme deze als vergelijkbaar. Zodra het algoritme het dichtstbijzijnde getagde idee vond, paste het dezelfde tag toe op het niet-getagde idee. Handmatige controle van de resultaten toonde aan dat zelfs wanneer de algoritmes de tagging fout hadden, de tag die was toegepast nog steeds enigszins relevant was voor het idee.

Les 2: anticiperen op vooroordelen

Op vlak van het aantal ideeën en reacties is Youth4Climate een van de grootste platformen waar we ooit mee hebben samengewerkt. Daarom was het voor ons een kans om het algoritme te trainen op datasets die groter zijn dan de datasets die we gewoonlijk op andere platforms zien, en onze aanpak zo te verfijnen.

We zijn ons bewust van de beperkingen die het manueel toewijzen van ideeën met zich meebrengt, en we weten dat er altijd een vorm van menselijke vertekening gepaard gaat met het selecteren van de belangrijkste ideeën. Bewust zijn van die mogelijke partijdigheid zorgt ervoor dat we kunnen proberen die over het hoofd te zien en zo neutraal mogelijk te blijven.

We besloten dat de populairste ideeën ook de meest relevante waren, maar het is natuurlijk mogelijk dat niet-goedgekeurde ideeën ook geldige prioriteiten voorstellen. Bovendien toonde het platform eerst populaire ideeën, waardoor de dominante stellingen werden versterkt. Om dit op toekomstige platforms te vermijden, hebben we de volgorde van de ideeën op projectpagina’s willekeurig gemaakt.

Ten slotte, een positief inzicht: meertaligheid vormt niet noodzakelijk een belemmering voor burgerparticipatieprojecten. Automatische vertalingen zorgden ervoor dat meertalige gebruikers in verschillende talen konden lezen, reageren en stemmen, waardoor de taalvooroordelen werden geëlimineerd. Tijdens de analysefase werkten we met de drie talen op het platform (Frans, Nederlands en Engels) door de ideeën in één taal te vertalen en van daaruit te vertrekken. Manuele controles toonden aan dat ideeëngroepering vervolgens kon werken om ideeën samen te voegen die vanuit verschillende talen vertaald waren.

Les 3: transparantie, transparantie, transparantie!

Het analyseren van inzendingen is niet alles. Om de cirkel rond te maken, is het essentieel om de resultaten met de deelnemers te delen. In de sfeer van co-creatie en transparantie moest het hele proces zo open en transparant mogelijk blijven.

Nadat de 15 prioriteiten waren vastgesteld, werden de resultaten op het platform geplaatst met een bijhorende uitleg over hoe de ideeën waren verwerkt. De resultaten en methodologie werden bovendien per e-mail gedeeld met alle gebruikers die een account op het platform hadden aangemaakt, ongeacht of ze een idee hadden ingediend of niet. Deze aanpak hielp om het vertrouwen in het proces te vergroten, en hield de gebruikers geïnteresseerd lang nadat ze het platform zelf hadden gebruikt. Het hielp bovendien om gebruikers terug op het platform te krijgen voor de volgende fase van het project.

Tijdslijn van het project op het Y4C-platform

De 15 burgerprioriteiten werden op het platform vertaald in nieuwe ‘ideeën’. Elk van deze prioriteiten bevat een korte beschrijving en links naar de gerelateerde ideeën die in de eerste fase als populairste posts uit de bus kwamen.

Burgers worden uitgenodigd om te stemmen op de onderwerpen hen het dichtst aan het hart liggen. Zodra de prioritering afgerond is en de stemmen geteld zijn delen de organisatoren van Youth4Climate de voorstellen met de gekozen ambtenaren, en delen ze de lijst met een expertenpanel waarmee ze in nauw contact staan. Deze komende fases werden op het platform uitgelegd, waardoor het voor gebruikers duidelijk is waar het project naartoe gaat en waarom hun stem telt.

Het is een geweldige leerervaring geweest om deel te mogen uitmaken van dit project. Het heeft ons in staat gesteld samen te werken met een groep
uit het maatschappelijk middenveld, en dat over een onderwerp waar we zelf erg gepassioneerd over zijn. Doorheen het hele proces hebben we ook waardevolle lessen trekken die we op toekomstige platforms kunnen implementeren.

Meer weten over hoe we bij CitizenLab AI gebruiken? Deze kant op!

Dus, wat is de volgende stap voor het klimaat? Ga naar het Youth4Climate-platform en bekijk de status van de ideeën!


Deel deze case study

Vergelijkbare praktijkvoorbeelden

Over 65 governments and 15,000 citizens
are already using CitizenLab to build their policy together
Photos of team members

Try it for yourself. 

Discover the product with one of
our participation experts.

Schedule a demoChat with an expert