Large Language Models (LLMs) as Agents for Augmented Democracy

我们探讨了一个增强型民主系统的能力，该系统建立在经过微调的现成LLMs上，这些LLMs汇总了2022年巴西总统选举期间收集的67个政策提案的个人偏好数据。我们使用训练-测试交叉验证设置来估计LLMs预测主体个人政治选择和完整参与者样本的集体偏好的准确性。在个人层面上，样本外预测的准确性在69%至76%之间，并且在预测自由派和受过大学教育的参与者的偏好方面明显更好。在人口层面上，我们使用Borda得分的改编方式汇总偏好，并比较从概率样本和使用LLMs增强的数据中获得的政策提案排名。我们发现，当这些样本代表总人口的不到30%至40%时，增强数据比仅使用概率样本更好地预测了完整参与者群体的偏好。这些结果表明，LLMs在增强型民主系统的构建中具有潜在的用途。

本论文旨在探讨利用经过微调的LLMs来构建增强民主系统的可能性，并验证其预测个体和群体政治偏好的准确性。同时，论文还试图比较使用LLMs增强数据与使用概率样本的数据在预测群体偏好时的差异。

论文的关键思路是使用经过微调的LLMs来预测个体和群体的政治偏好，并将其应用于构建增强民主系统。相比现有研究，本论文的新意在于将LLMs应用于民主系统中，并验证了其预测准确性和可行性。

论文使用了67个政策提案的数据集，并使用了训练-测试交叉验证方法来评估LLMs预测个体政治偏好的准确性。结果表明，LLMs的预测准确性在个体层面上为69％-76％，并且在预测自由派和受过大学教育的参与者的偏好方面表现更好。在群体层面上，论文使用Borda得分来汇总偏好，并比较了使用概率样本和使用LLMs增强数据的预测结果。结果表明，当概率样本仅代表总人口的30％至40％时，使用LLMs增强数据可以更好地预测总人口的偏好。值得进一步研究的是如何在实际民主系统中应用LLMs以及如何处理LLMs可能带来的偏差。

在这个领域中，最近的相关研究包括：1.《使用机器学习方法预测选民投票行为的研究》；2.《基于深度学习的选民意见挖掘方法研究》；3.《基于人工智能的智能投票系统设计与实现》。