evidoria

← Voltar à navegação

Boa prática Importada

Grand Débat National — A Análise Assistida por IA de 2 Milhões de Contribuições Cidadãs em França

França · Paris · Ver o perfil de França · Ver o perfil de Paris

Evidência: Descritivo / autorreportado Top 36% 67/100 · Pergunte a Evidence Copilot sobre esta prática

O Grand Débat National de 2019, em França, utilizou um pipeline de PLN de um consórcio de sete empresas para classificar e sintetizar quase 2 milhões de contribuições online e mais de 16.000 registos locais, de 1,5 milhões de cidadãos, em 19 'árvores de conhecimento' públicas, em cerca de duas semanas.

1.93 million contributions
Contribuições online analisadas (January–April 2019)
16,000+ registers
Registos municipais digitalizados (2019)
~1.5 million citizens
Cidadãos representados nos registos locais (2019)
19 knowledge trees
Árvores de conhecimento temáticas produzidas (2019)
Grand Débat National — A Análise Assistida por IA de 2 Milhões de Contribuições Cidadãs em França

Detalhes

Maturidade
Descontinuada
Promotor
French Government (Grand Débat National) with Roland Berger, Cognito, Bluenove, OpinionWay, Qwam, Res Publica and Missions Publiques
Período
Jan 2019 – Apr 2019
Palavras-chave
citizen consultation, natural language processing, deliberative democracy

Contexto

Na sequência dos protestos dos 'coletes amarelos', o governo francês lançou em 2019 o Grand Débat National, convidando os cidadãos de todo o país a apresentarem as suas opiniões sobre fiscalidade, serviços públicos, democracia e ambiente. O governo contratou um consórcio de sete empresas, liderado pela Roland Berger, para processar as respostas recebidas recorrendo a processamento de linguagem natural.

Atividades

O consórcio digitalizou registos manuscritos locais (com a Numen e a Bibliothèque Nationale de France) e analisou quase 1,93 milhões de contribuições online, além de mais de 16 000 registos municipais representando cerca de 1,5 milhões de cidadãos, utilizando um pipeline de análise lexicológica contextualizada para classificar o texto em categorias predefinidas e produzir 19 árvores temáticas de conhecimento, com equipas humanas de síntese a concluírem a análise final escrita em cerca de duas semanas.

Resultados

A revisão independente do Institut Montaigne concluiu que o pipeline conseguiu lidar com a escala do exercício, mas revelou limitações técnicas: teve dificuldades com ironia, linguagem ambígua e frases quase duplicadas, a participação inclinou-se para homens mais velhos, mais instruídos e proprietários de habitação, e o sistema conseguiu sinalizar mas não distinguir totalmente campanhas coordenadas de repetição orgânica de base.

Implementação

Custo indicativo
Médio (50 mil–500 mil €)
Tempo até resultados
Curto (< 1 ano)
Equipa e competências
Seven-firm consortium led by Roland Berger (Cognito, Bluenove, OpinionWay, Qwam, Res Publica, Missions Publiques), Numen and Bibliothèque Nationale de France for register digitization, Human synthesis teams for final written analysis

Condições de sucesso

  • Rapid multi-firm mobilization within a compressed timeframe
  • Predefined taxonomy/categories to structure classification
  • Human synthesis teams to complete final analysis rather than relying on NLP output alone

Modos de falha comuns

  • NLP pipeline struggled with irony, ambiguous language and near-duplicate phrasing
  • Could not fully distinguish coordinated campaigns from organic grassroots repetition
  • Participation skewed toward older, more educated, home-owning men, limiting representativeness

Onde se enquadra

Tipo de governação
national government consultation
Escala
national
Nível de rendimento
high-income

Implementa esta prática? Reivindique-a — implementadores verificados obtêm um contacto público na página e podem propor correções.

Fontes de dados

De onde foi obtida a informação desta prática, e quando.

Anexos

Práticas semelhantes que podem ser úteis