用语言模型估计德国公众舆论
原文中文，约2000字，阅读约需5分钟。
📝
内容提要
本文探讨了大型语言模型（LLMs）在调查中的应用，包括缺失数据插补和预测。研究表明，LLMs在个体偏好预测中表现良好，但在整体偏好预测和零-shot任务中存在局限。模型在捕捉公众态度变化方面具有潜力，但也显示出政治偏见和对特定群体观点的低估，强调了对LLMs的评估和偏差处理的重要性。
🔎
延伸解读
LLM预测公众舆论的准确性与局限
文章指出，LLM在个体偏好预测中准确率可达69%至76%，但在整体偏好预测和零-shot任务中表现有限。这意味着LLM更适合辅助填补缺失数据或回溯预测，而非直接替代传统调查。读者需注意，模型在无上下文时预测能力下降，实际应用中应结合具体背景数据。
政治偏见与群体观点低估风险
研究发现，较大模型更倾向左翼政党，且可能低估特定群体（如黑人对全球变暖的担忧）的观点。这种偏见可能影响民主系统中应用的公平性。因此，在利用LLM分析公众舆论时，必须进行严格的偏差评估和模型选择，避免因模型固有倾向而扭曲结果。
LLM在民主应用中的潜在用途与警示
LLM可增强数据，在随机样本仅代表30%至40%总人口时，仍能较好预测整体偏好，显示其在补充民主决策中的潜力。然而，模型可能导致集体结果趋同，且缺乏人类内在认知机制。整合LLM到民主进程需谨慎，并持续进行算法审计和提示工程优化。
❓
Q&A
大型语言模型在调查中有哪些应用？
大型语言模型在调查中的应用包括缺失数据插补、回溯预测和零-shot预测。
LLMs在个体偏好预测中的准确率是多少？
LLMs在个体偏好预测中的准确率为69%到76%。
LLMs在整体偏好预测中存在哪些局限？
LLMs在整体偏好预测中表现有限，尤其是在零-shot任务中。
研究中提到的政治偏见对LLMs的影响是什么？
研究发现LLMs存在政治偏见，并对特定群体观点的低估，强调了评估和偏差处理的重要性。
如何提高LLMs在公众舆论预测中的准确性？
利用个体用户的相关过往意见可以提高LLMs在公众舆论预测中的准确性。
LLMs在模拟人类行为方面的潜力如何？
LLMs展示了在模拟人类感知和行为方面的潜力，但在复杂社会科学应用中可能受到限制。
🏷️
