Hidden Persuaders: LLMs' Political Leaning and Their Influence on Voters

大型语言模型（LLM）如何影响我们的民主？我们通过在美国总统选举背景下进行多项实验，调查了LLM的政治倾向及其对选民的潜在影响。首先，通过投票模拟，我们展示了18个开放权重和封闭权重的LLM对民主党候选人相对于共和党候选人的政治偏好。我们通过分析这些模型对与候选人政策相关问题的回答，展示了在指令调优模型中，这种倾向于民主党候选人的倾向比其基础版本更为明显。为进一步探讨LLM对选民选择的潜在影响，我们对935名美国注册选民进行了实验。在实验过程中，参与者与LLM（Claude-3、Llama-3和GPT-4）进行了五轮互动。实验结果显示，在与LLM互动后，选民的选择向民主党候选人倾斜，投票差距从0.7%扩大到4.6%，尽管在对话过程中LLM并未被要求说服用户支持民主党候选人。这一效果大于许多先前关于政治竞选说服力的研究结果，这些研究显示在总统选举中的影响微乎其微。许多用户还表达了希望进一步与LLM进行政治互动的愿望。哪些方面的LLM互动导致了选民选择的变化仍需进一步研究。最后，我们探讨了一种安全方法如何使LLM更加政治中立，并提出了这样的中立性是否真正是前进的方向的问题。

该论文探讨了大型语言模型（LLMs）在政治领域的影响，特别是它们对选民选择的潜在影响。这是一个相对较新的问题，因为随着LLMs的发展，其在社会和政治中的应用也逐渐成为研究热点。

论文的关键思路是通过实验来评估不同LLMs的政治倾向及其对选民选择的影响。研究者不仅分析了多种LLMs的政治偏好，还通过与真实选民的互动实验，展示了LLMs如何在不直接劝说的情况下影响选民的选择。这一方法新颖之处在于它结合了技术分析和实际用户测试，提供了更全面的视角。

论文的亮点包括：1) 通过投票模拟展示了18种不同的LLMs对民主党候选人表现出的偏好；2) 实验结果显示，经过指令调优的模型比基础版本更倾向于支持民主党候选人；3) 与LLMs交互后，选民的选择向民主党候选人倾斜，投票差距从0.7%扩大到4.6%；4) 研究还探讨了如何使LLMs更加政治中立的方法，但提出了关于中立性是否为最佳路径的问题。此外，论文提到许多用户表达了希望进一步与LLMs进行政治互动的愿望。

近期在这个领域中，还有一些相关的研究，例如：1) "The Influence of Social Media on Political Attitudes: Evidence from a Field Experiment"，探讨了社交媒体对政治态度的影响；2) "Evaluating the Persuasive Power of AI in Political Campaigns"，评估了AI在政治竞选中的说服力；3) "Bias in Machine Learning Models: A Systematic Review"，系统地回顾了机器学习模型中的偏见问题。这些研究共同构成了理解AI在政治领域影响的基础。