Att använda AI för att förstå offentlig policydynamik

Detta forskningsprojekt undersöker hur maskininlärning kan användas för att analysera om och hur offentliga policyer utvecklas över tid. Genom att integrera statsvetenskaplig forskning med avancerade datavetenskapliga metoder undersöker projektet politikdynamik inom områden som är centrala för den gröna omställningen.

Om forskningsprojektet

För att möta dagens samhällsutmaningar, kopplade till användingen av naturresurser, mark, och klimatförändringar, krävs anpassning och transformation av offentlig politik. Forskning inom både ekonomi och statsvetenskap visar dock att policyer tenderar att förbli stabila och att de mekanismer som driver policyförändring är svårfångade.

Traditionella studier av policyförändring har huvudsakligen förlitat sig på kvalitativa fallstudier eller enkätbaserade statistiska analyser. Dessa metoder har ofta svårt att upptäcka små förändringar eller kan överbetona stora förändringar, vilket begränsar deras förmåga att fånga komplexiteten i policyutveckling. Eftersom offentliga policyprocesser är icke-linjära, iterativa och starkt påverkade av historiska beslut, krävs longitudinella forskningsdesigns, omfattande datamängder och analytiska metoder som tar hänsyn till seriekorrelation.

Detta projekt tar sig an dessa utmaningar genom att använda maskininlärningstekniker för att analysera politikdynamik över tid. Genom att kombinera expertis inom statsvetenskap med datavetenskapliga metoder kommer forskningen att undersöka förekomsten av policyförändring och stabilitet inom områden som är centrala för den gröna omställningen. Den första studien handlar om svensk mineralpolitik över tid.

Finansiering

Projektet är finansierat genom ett post doc. bidrag från SUN Naturresurser för en hållbar samhällsomvandling vid Luleå tekniska universitet.

Deltagare

• Ahmed Alregal
• Simon Matti
• Felicia Robertson