作为增强民主代理的大型语言模型

我们探索了一个增强民主系统，该系统建立在现成的 LLMs 之上，并经过微调以增强从巴西 2022 年总统选举两位主要候选人的政府计划中提取的政策上所引出的公民偏好数据。我们使用训练-测试交叉验证设置来估计 LLMs 预测两者的准确性：受试者的个体政治选择和全体参与者样本的总体偏好。在个体层面，我们发现 LLMs 预测样本外偏好的准确率高于“捆绑规则”，后者假设公民总是投票给与其自我报告的政治取向一致的候选人的提案。在总体层面，我们表明，由 LLM 增强的概率样本比仅使用未增强的概率样本能更准确地估计总体的总体偏好。总之，这些结果表明，使用 LLMs 增强的政策偏好数据能够捕捉超越党派界限的细微差别，并代表了一个有前景的数据增强研究途径。