英國倫敦政治經濟學院政府系副教授Daniel Berliner應本所Democracy and Democratisation in East and South Asia 課程之邀，於4月25日上午以「參與式治理中的資訊處理（Information Processing in Participatory Governance）」為題進行演講。此次演講為本所與社科院高教深耕國際化計畫共同舉辦，也是慶祝本所成立50週年系列講座之一，由授課老師魏玫娟主持。
Berliner的演講以民主政治實踐中非常關鍵的參與式治理為主題，探討參與式治理中的資訊處理問題，演講內容主要分為決策過程中的公共參與、為什麼資訊處理很重要、資訊處理的類型（a typology of information processing）、成本與代表（costliness and delegation）的問題、結論與未來研究。Berliner說，他的研究主要是以經驗研究資料為基礎，試圖建立公共政策決定過程中資訊處理模式的類型。
關於決策中的公共參與，Berliner說就是指一般公眾參與政策制訂跟執行，參與的形式多樣包括一般熟知的市民大會、諮詢會議、請願等，也包括比較創新的參與式預算、小型公共審議（deliberative mini-publics）、公民報導（civic reporting）跟檢舉/申訴熱線或平臺等。Berliner的研究跟演講聚焦於有助於決策者瞭解公眾偏好、視角、問題跟可能解決方案的相關資訊的處理。
關於公共政策制訂過程中的公眾參與，Berliner說既有文獻如Fung的研究主要是從「參與的廣納性（inclusiveness of participation）」、「互動的審議性（deliberativeness of interactions）」、跟「與公權力的連結（linkage to public authority）」面向進行探討，其他研究則從賦權（empowerment）、制度化（institutionalisation）、議題的範圍（scope）、屬中央或地方的空間尺度（scale）分析。他指出，根據各國的實踐經驗，廣受批評的公眾參與的問題包括不具代表性、缺乏可課責性以及僅具「裝飾作用（mere window dressing）」。他的研究則是限於「決策者或參與者真正關心是否從有用的資訊中學習」的情況，不管這關心事出於政策考量或政治動機。
Berliner在說明政府決策過程中進行公共諮詢所面臨的困難時，以英國錢副相Nick Clegg嘗試於推動法案改革時請公眾透過網路平臺提供構想參與，但最終決定放棄為例。他說，Clegg公布公眾諮詢的作法之後，共收到46000項意見，件數之多讓資訊處理成為不可能的任務，因此最後只好放棄。Berliner強調，決策中的公眾參與很重要，因為他涉及政府政策的回應性（responsiveness），但前述英國的例子則顯示採取有效資訊處理方式或作法的重要性。
在分析架構上，Berliner以資訊輸入（information inputs）、資訊處理（information processing）、資訊產出（information outputs）為主要面向，並強調並非所有對政府決策有幫助的資訊都是「集合性的（aggregative）」。他提出的分析框架以「特定性（specificity）」跟「新奇性（novelty）」為兩個構面，依資訊特定性與新奇性的高低程度，將資訊分為集合型（aggregative）、分類型（classificative）、摘要型（summarative）跟生成型（generative）四種類型。他解釋，「特定性」是由資訊是由聚集意見或過濾篩選之後所產出來區別，「新奇性」則是由產出的資訊是先前即知或不知的的資訊來決定。
提到「生成型」這概念時，Berliner說，這概念的採用早於ChatGPT廣受關注之前。他進一步說明「集合型」資訊屬低特定性、低新奇性，「摘要型」具高新奇性、低特定性，「分類型」為高特定性、低新奇性，「生成型」則是高特定性、高新奇性。Berliner強調，這些類型的建構純粹是為了分析所用，不同類型之間並沒有優劣之別。
演講最後聚焦於生成型資訊處理的討論。Berliner以美國修改法律跟烏干達疫情回報系統（U-Report system）為例，說明這兩個案例中所產出的資訊（包括問題、視角跟解方）都是先前沒有想到或不知道的，但這些資訊的產出高度仰賴相關人員包括主管的直接跟深入參與，也需要資訊處理者具領域知識跟審慎的考量，因此時間跟心力成本較高。他說，資訊處理成本高低跟「委託代表」的程度密切相關。如果是藉由專家或菁英個人或參與式/審議式團體來處理資訊，會比採取去中心化的投票、第三方的成本要高。Berliner最後也提到若由人工智慧進行資訊處理會是什麼樣的情況進行討論，分別說明自然語言處理（NLP）、監督的機器學習（supervised ML）跟無監督的機器學習（unsupervised ML）各種模式處理資訊的可能情況。
問答時間出席師生主要從資訊處理涉及的成本出發，就現實決策情境中什麼樣具體的情況下會特別仰賴生成型資訊提問，也以臺灣目前廣受社會關注跟討論的核能與死刑存廢問題為例，請教Berliner的看法。
