人工智能意见 polling
统计方法学
2023-09-13 v1
摘要
我们旨在通过为从业者提供从廉价、高频、高度非代表性样本中进行代表性推断的通用方法，使公共意见研究民主化。我们特别关注中等规模即可轻易获取的样本。为此，我们作出两项主要贡献：1）我们引入一种称为在线选择的通用样本选择过程，并证明其为因变量选择的一种特例。我们通过在对数回归框架中引入 King 和 Zeng 风格的偏差校正项，改进了严重偏倚样本下的 MrP。我们证明该偏差校正模型在在线选择下优于传统 MrP，并在大量场景中达到与随机抽样相近的表现；2）我们提出一种利用大语言模型（LLMs）从社交媒体提取结构化、类调查数据的协议。我们提供一种可轻松适配多种调查设计的提示风格。我们表明 LLMs 在这些在线用户的 demographic、社会经济与政治特征上与人类标注者一致。端到端实现以非代表性、非结构化社交媒体数据为输入，产出及时的高质量区域级估计。此即人工智能意见 polling。我们表明，我们对 2020 年选举的 AI polling 估计高度准确，与 FiveThirtyEight 等州级 polling 聚合器或拟合于极昂贵高质量样本的 MrP 模型所得估计相当。
引用
@article{arxiv.2309.06029,
title = {Artificially Intelligent Opinion Polling},
author = {Roberto Cerina and Raymond Duch},
journal= {arXiv preprint arXiv:2309.06029},
year = {2023}
}