Déchiffrer les voix publiques à l'ère numérique

Problème, stratégie de recherche et résultats Les planificateurs utilisent de plus en plus des approches d'engagement public en ligne pour élargir leur portée dans les communautés. Cela entraîne des volumes substantiels de données de retours publics numériques et textuelles, rendant leur analyse efficace et l'extraction de perceptions significatives difficile. Nous avons exploré l'utilisation du nouveau modèle de langage de grande taille (LLM), ChatGPT, dans l'analyse d'un ensemble de données de retours publics collectées via des soumissions en ligne à Hamilton City (Nouvelle-Zélande) en réponse à un changement de plan local proposé. Plus précisément, nous avons initialement utilisé des prompts zero-shot avec ChatGPT pour des tâches comme le résumé, l'identification de sujet et l'analyse de sentiment, et nous avons comparé les résultats avec ceux obtenus par des planificateurs humains et deux techniques de traitement du langage naturel (NLP) standard : la modélisation de sujet par allocation de Dirichlet latente (LDA) et l'analyse de sentiment basée sur un lexique. Les résultats montrent que le prompting zero-shot a effectivement identifié les positions politiques (précision : 81,7 %), les raisons (87,3 %), les décisions recherchées (85,8 %) et les sentiments associés (94,1 %). Bien que soumis à plusieurs limitations, ChatGPT montre des promesses pour automatiser l'analyse des retours publics, offrant des économies de temps et de coût substantiels. De plus, le prompting few-shot a amélioré la performance dans des tâches plus complexes, telles que l'identification de sujet impliquant le jargon de la planification. Nous fournissons également des aperçus pour les planificateurs urbains afin de mieux exploiter la puissance de ChatGPT pour analyser les retours des citoyens.