大型语言模型作为增强式民主的代理
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。研究发现，LLMs在模拟人类观点动态方面存在局限，尤其在政治辩论中表现出固有偏见。尽管LLMs在某些情况下能复制“群体智慧”效应，但在决策中需谨慎使用，以避免偏见影响结果。未来需结合真实世界数据，改进模型以更好地模拟人类行为。
延伸解读
LLM在调查应用中的潜力与局限
文章指出，LLM可用于缺失数据插补、回溯预测和零-shot预测，但精度较低，最佳模型在意识形态上准确率更高。零-shot预测表现有限，凸显了LLM在模拟人类观点动态方面的挑战。这表明LLM在辅助调查时，需谨慎评估其预测可靠性，尤其是在缺乏历史数据的情况下。
政治偏见与模拟偏差
研究发现，LLM智能体存在对准确信息的固有偏差，导致在科学现实中产生共识，但限制了模拟对气候变化等问题持抵制观点的个体。在政治辩论中，LLM代理倾向于符合模型固有的社会偏见，偏离人类已确立的社会动力学规律。这提示使用LLM模拟政治观点时，需警惕其偏见影响结果。
群体智慧效应的复制与条件
LLM群体能通过简单聚合方法复制“群体智慧”效应，达到与人类群体预测锦标赛相媲美的准确性。然而，扮演具体人物且无链式思考的代理人更符合人类行为，而链式思考会损害一致性。将明确偏见纳入提示不一定增强党派群体智慧，微调则可能过度拟合。这些条件表明，LLM模拟人类群体现象需精细设计。
民主应用中的谨慎整合
LLM在投票辅助中可能导致更趋同的集体结果，因其偏好多样性与一致性之间存在权衡。多数对话型LLM在政治测试中表现出左倾观点，可能源于预训练、监督微调或强化学习阶段。因此，将LLM整合到民主进程需谨慎，未来应结合真实世界数据改进模型，以更好地模拟人类信念演变。
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。
大型语言模型在模拟人类观点动态方面存在哪些局限？
大型语言模型在模拟人类观点动态方面存在局限，尤其在政治辩论中表现出固有偏见。
如何改进大型语言模型以更好地模拟人类行为？
未来需结合真实世界数据，改进模型以更好地模拟人类行为，尤其是在政治和社会现象的理解上。
使用大型语言模型进行决策时需要注意什么？
在决策中需谨慎使用大型语言模型，以避免偏见影响结果。
大型语言模型如何复制“群体智慧”效应？
大型语言模型在某些情况下能通过聚合多个模型的预测，复制“群体智慧”效应，从而提高预测准确性。
大型语言模型在政治科学研究中有哪些新途径？
大型语言模型技术为政治科学等领域提供了新的测量与收集社会科学数据的途径。
