收益：
- 能够在参与式规划中使用人工智能收集、总结和主题调查、意见和利益相关者数据
- 使用人工智能分析定性反馈时，请注意代表性、偏见和责任，以保护边缘群体的声音
- 了解人工智能总结并不能替代参与，最终决定属于透明、负责任的公共流程
一项计划在技术上是正确的，但如果它不包含居住在其中的人们的声音，那么它就是非法的。参与式规划意味着决策不仅由专家做出，而且由使用该空间的公民、商人、负责人、民间社会和其他利益相关者做出。在此过程中，从调查、会议、请愿、网上意见和实地观察中收集了大量的定性数据（包含文本和观点的数据，而不是数字）。人工智能是总结这数千种观点、提取主题、进行情绪分析和报告的有力助手。但人工智能在参与式规划中的最大危险是代表性偏差：它可以放大大多数人的声音和经常重复的声明，并使少数人、数字化无法访问和边缘化群体的声音变得看不见。 AI总结不能替代参与；最终决定是一个透明、负责任的公共过程。
为什么以及如何参与
参与不是“认证收集”仪式，而是知识和合法性的真正来源。良好的参与过程结合了不同的渠道：面对面会议、入户调查、在线表格、实地走访、目标群体会议。每个频道捕捉不同的人群：网络上的年轻人、面对面的老年人、以及社区居民。依赖一种渠道就会排除所有不使用该渠道的人。
人工智能在理解所收集的数据方面发挥了作用：人类需要几周的时间才能阅读数百页的自由文本、对其进行分组并提取突出的主题；人工智能将这个时间缩短到几个小时。但这种速度并不能消除代表的责任。
注意：人工智能摘要倾向于将重复次数最多、呼声最高的意见呈现为“一般意见”。仅仅因为重复提出一项要求并不会使其变得更加公正；相反，它会变得更加公正。它可能只是表明该群体更大或更有组织。每一个总结中，都围绕着“谁失踪了，谁的声音沙哑？”的问题。问。
参与的另一个方面是语言和文化多样性。在一个城市中，存在着不同语言、不同文化水平和不同表达形式的群体。人工智能在这里提供了真正的便利，因为它可以在一次运行中处理多种语言的视图；例如，它可以将不同语言收集的评论与共同主题联系起来。但翻译和总结中可能会丢失微妙之处：当地的习语、责备、文化参考都可能被人工智能扁平化和误解。因此，在多语言或多元文化的参与下，人工智能输出必须由了解这些社区的人进行审查，这一点很重要。通过技术扩大准入是有价值的；但访问并不能免除准确传达含义的责任。
代表性、偏见和道德
三种道德风险在参与式规划中尤为重要：
- 参与偏差：谁参与了调查？互联网接入率较低的社区、老年人、残疾人、移民和职业女性的代表性往往不足。人工智能本身并没有这么说；有必要单独检查参与者概况。
- 摘要偏差：人工智能倾向于多数和频繁的表达；罕见但关键的警报（例如洪水观测）可能被视为“噪音”并被消除。
- 评论偏差：情感分析和主题提取可能会受到人工智能训练数据中文化假设的影响；可能会误读当地的情况。
针对这些风险的三个原则：保护对原始数据的访问（摘要永远不应该是唯一的事实）、分别监控少数群体和边缘群体以及透明地记录过程。
一步一步：利用人工智能进行参与度数据分析
- 数据匿名化。清除个人数据（姓名、联系方式）； KVKK/隐私。
- 创建参与者档案。谁参加了，谁失踪了？
- 为 AI 创建主题。但单独要求少数主题。
- 与原始数据进行比较。总结是否反映了现实？
- 识别并完成缺失的组。添加额外通道（面对面）。
- 透明地报告。谁参与、谁失踪一目了然。
- 将决定留给公共程序。人工智能总结输入，而不是决策。
弱提示/强提示
弱提示：“总结这些调查评论。”
人工智能最常突出主题；少数派的声音消失了，参与者的形象也消失了。
强烈提示：“下面有 1,200 条公民意见[匿名]。(1) 按频率提取主要主题。(2) 还将少数但可能很重要的主题（例如安全、洪水、可达性）收集在单独的列表中；将其作为低频剔除。(3) 在每个主题中，指出是否清楚哪个意见来自哪种类型的参与者。(4) 猜测摘要可能遗漏的群体。用你自己的解释替换意见；按原样。群体。数据：[...]”
第二个提示明确要求保护少数人的声音、形象和盲点。
四个可复制模板
任务：从下面的[匿名]参与数据中，按频率提取 (1) 关键主题，(2) 较少重复出现但可能关键的主题的单独列表。消除低频评论。添加您自己的评论；按原样分组。数据：[...]
任务：检查下面的参与者个人资料数据。哪些群体（年龄、社区、性别、机会）可能代表性不足？建议使用哪些额外的参与渠道来填补缺失的声音？简介：[...]
任务：为我制作一个清单，将以下人工智能主题摘要与原始数据进行比较：如何检查哪个主题真正占主导地位，哪个主题被夸大了，哪个批评观点可能已被消除？摘要：[...]
任务：根据下面的参与结果写一份透明的公共信息草案。诚实地说明谁参加了，谁缺席了，以及他们的意见将如何反映在决定中。不要将参与表现为“批准”。结果：[...]
表：参与渠道及代表性
频道
谁抓得好？
谁绑架了
人工智能的作用
在线表格
年轻、数字化
年长者、接触机会少
主题提取
面对面的会议
安定的、关心的、平静的
员工、远程
成绩总结
住户调查
宽截面
不在家
数据编辑
目标群体
特定利益相关者
公众
采访总结
请愿/投诉
有组织、有问题
沉默的大多数满意
分类
三个迷你箱子
案例 1 — 少数群体消失警告。一市用AI汇总3000条意见；该简报强调了对“停车位”和“绿地”的需求。当规划者要求单独的少数族裔主题时，他发现有 11 个人报告观察到溪流沿岸的洪水。这个关键但“轻微重复”的警告在第一个摘要中被删除。保护少数群体的声音可能是一个安全问题。
案例 2——看不见的邻居。团队通过概况分析发现，70%的投票率来自中心三个街区，而郊区几乎没有回应。那里对在线表格的访问率很低。该团队通过增加面对面会议和家庭调查来完善代表性。渠道多样性是公平的前提。
案例 3——诚实报告。一个城市在其参与报告中明确写道，“2,400人参与了这一过程；然而，65岁以上的人和两个郊区社区的代表人数不足，并为这些群体举行了额外的会议。”议会以现实的分量来评估结果。报告缺陷而不是隐藏缺陷可以使参与合法化。
常见错误
- 误以为AI总结是唯一的真相。必须保护对原始数据的访问；这是一个摘要评论。
- 将频率与公平性混淆。非常重复的请求并不是最准确的请求。
- 消除少数群体的接触。罕见但重要的警告（安全、洪水）不应丢失。
- 不审查参与者的个人资料。如果不问谁失踪的问题，就不会出现排除。
- 依赖单一渠道。每个频道漏掉一组；多样性是必须的。
- 将参与表现为“批准”。参与是对决策的输入，而不是合法性的幌子。
- 不保护个人数据。意见不应在未经匿名处理的情况下进行处理。
总之
参与式规划是使规划合法化的知识和民主的源泉；人工智能对于总结、提取主题和报告收集到的大定性数据来说是一个强大的帮助。但人工智能存在代表性偏见：它提升了大多数和频繁的表达，并减少了少数和数字化难以接近的表达。保持对原始数据的访问以正确使用，单独监控少数主题，审查参与者资料并通过其他渠道填写缺失的群体，并诚实地报告进展情况。 AI总结不能替代参与；最终决定取决于透明、负责任的公共程序。
应用任务
考虑一个参与数据集（真实的或样本的）。 (1)用第一模板分别提取主要和次要主题；抓住至少一个关键的少数群体主题。 (2) 使用第二个模板，查看参与者资料，确定缺失的组，并建议其他渠道。 (3) 制作一个清单，用于将 AI 摘要与原始数据与第三个模板进行比较。 （四）“谁失踪了，谁的声音沙哑了？”结合该数据回答问题。
清单
- [ ] 我对参与数据进行了匿名处理；我保护了个人数据。
- [ ] 我查看了参与者资料；我确定了失踪的群体。
- [ ] 我还想要少数派和批判性主题；我阻止了他被淘汰。
- [ ]我将AI总结与原始数据进行了比较。
- [ ] 我通过额外的参与渠道完成了缺失的声音。
- [ ] 我如实报告了出勤情况；我没有将其表述为“批准”。
- [ ] 我将最终决定权交给透明的公共程序。