Civic CrowdAnalytics

Transcript

1. Machine Learning para el análisis de contribuciones ciudadanas Ing. Jorge Saldivar, Ph.D. Proyecto Participa
4. Tecnología como medio para fomentar un participación más activa de la ciudadanía en la vida democrática 4
5. Ejemplo: Planificación urbana 5
6. Grandes volúmenes de datos desestructurados 6
7. Cuello de botella en el canal de participación Contribuciones de los ciudadanos Ley/Norma/Regulación Falta de herramientas de análisis: la paradoja de la participación 7
9. Machine Learning Natural Language Processing Para facilitar el procesamiento de datos cívicos
10. Natural Language Processing Análisis de Sentimentos Extracción de Conceptos 10
11. Machine Learning Clasificación de contribuciones por tema (Aprendizaje supervisado) Agrupar contribuciones similares (Aprendizaje no supervisado) 11
12. CASO DE ESTUDIO 12
13. CASO DE ESTUDIO • Confección del plan maestro de urbanización de la ciudad de Palo Alto, CA. 12
14. CASO DE ESTUDIO • Confección del plan maestro de urbanización de la ciudad de Palo Alto, CA. • Transporte urbano en específico. Cinco temáticas: visión global del transporte urbano, vehículos no motorizados, transporte privado, transporte público, movilidad para personas con discapacidad 12
15. CASO DE ESTUDIO • Confección del plan maestro de urbanización de la ciudad de Palo Alto, CA. • Transporte urbano en específico. Cinco temáticas: visión global del transporte urbano, vehículos no motorizados, transporte privado, transporte público, movilidad para personas con discapacidad • Pregunta de investigación: ¿hasta que punto el input de los ciudadanos fue tenido cuenta en el borrador del plan maestro de transporte urbano? 12
16. CASO DE ESTUDIO • Confección del plan maestro de urbanización de la ciudad de Palo Alto, CA. • Transporte urbano en específico. Cinco temáticas: visión global del transporte urbano, vehículos no motorizados, transporte privado, transporte público, movilidad para personas con discapacidad • Pregunta de investigación: ¿hasta que punto el input de los ciudadanos fue tenido cuenta en el borrador del plan maestro de transporte urbano? • Dataset: 184 ideas de ciudadanos + 132 propuestas de los representantes + borrador 12
17. Flujo de información Plan maestro de transporte urbano (borrador) Contribuciones ciudadanas Representa ntes (CAC) Staff municipal
18. RESULTADOS PRELIMINARES Cuanto mayor es el volumen (categorización) y más fuerte el tono (análisis de sentimientos) en las propuestas de los ciudadanos más posibilidades tienen de formar parte del borrador 14
19. Categoría Sentiment Score Promedio % de Sugerencias Neutrales Proporción de input ciudadano Proporción de ideas en el borrador Visión global 0.114 34.7% 27.07% 38.94% Vehículos no motorizados 0.195 57.14% 15.47% 4.42% Transporte privado 0.287 44.68% 25.97% 27.43% Transporte público 0.206 53.49% 23.76% 26.55% Discapacidad 0.093 42.86% 7.73% 2.65% 15
20. RESULTADOS PRELIMINARES El contenido del borrador se asemeja más a lo propuesto por los ciudadanos que a lo sugerido por el comité de representantes (CAC) 16
21. RESULTADOS PRELIMINARES 17
22. RESULTADOS PRELIMINARES • Precisión aceptable. Se logró un ratio de precisión de alrededor de 80% en la categorización 17
23. RESULTADOS PRELIMINARES • Precisión aceptable. Se logró un ratio de precisión de alrededor de 80% en la categorización • Coding es trabajoso. Preparar el dataset para el entrenamiento conlleva tiempo y recursos 17
25. CIVIC CROWDANALYTICS 19
26. CIVIC CROWDANALYTICS 20
27. CIVIC CROWDANALYTICS 21
28. CIVIC CROWDANALYTICS 22
29. CIVIC CROWDANALYTICS
30. CIVIC CROWDANALYTICS
31. CIVIC CROWDANALYTICS
32. CIVIC CROWDANALYTICS
33. De pilas y pilas de datos desestructurados… 27
34. … a resultados estructurados 28
35. TRABAJOS FUTUROS 29
36. TRABAJOS FUTUROS • Probar la herramienta con expertos para verificar su utilidad e iterar sobre el diseño adaptándola a nuevas necesidades que puedan identificarse 29
37. TRABAJOS FUTUROS • Probar la herramienta con expertos para verificar su utilidad e iterar sobre el diseño adaptándola a nuevas necesidades que puedan identificarse • Mejorar los ratios de precisión alcanzados 29
38. TRABAJOS FUTUROS • Probar la herramienta con expertos para verificar su utilidad e iterar sobre el diseño adaptándola a nuevas necesidades que puedan identificarse • Mejorar los ratios de precisión alcanzados • Extender la herramienta para permitir operaciones sobre los análisis 29
39. Proyecto Participa Financiado por PROGRAMA PARAGUAYO PARA EL DESARROLLO DE LA CIENCIA Y TECNOLOGIA