Bokyong Shin於2026年發表首爾參與式預算研究，探討機器學習能否減少大量公民提案的行政負擔。研究以首爾2013至2021年間超過25,000份提案為背景，指出傳統的歸類、審查與整合工作大量依賴公務員及參與者投入，形成行政成本。機器學習可能協助相似提案分類、整理與初步篩選，但作者探討的是潛在應用，不應將演算法輸出當作行政或公民的最終決策。
思與行
- 若使用AI整理提案，公開分類準則、模型錯誤率、資料來源與人工覆核流程。
- 保留居民查看、修正或申訴提案分類結果的權利。
- 衡量技術是否降低行政成本，同時檢查小眾需求是否因語言或文字表達差異而被錯誤合併。
參考
- Bokyong Shin, 2026-02-09, Exploring the potential of machine learning to reduce administrative burden in participatory budgeting: a case study of Seoul, Journal of Public Budgeting, Accounting & Financial Management 38(1), 237–264：DOI。
- 延伸：行政可行性審查必須公開避免官僚把關變成政治控制、行政可行性審查必須公開避免官僚把關變成政治控制。