夸大态度、忽略网络：模拟误信倾向的 LLM 偏见
社会与信息网络
2026-04-13 v2 人工智能
计算与语言
摘要
大语言模型（LLM）越来越多地被用作计算社会科学中人类判断的代理，但其是否能够再现误信模式的能力尚不清楚。我们测试了 LLM 模拟的调查受访者能否在使用从社会调查数据中提取的参与者轮廓（测量网络、人口统计、态度和行为特征）后，再现人类对误信的信念和分享模式。我们使用三个在线调查作为基线，评估 LLM 输出是否匹配观察到的响应分布，并恢复原始调查数据中存在的特征-结果关联。LLM 生成的响应捕捉了较宽泛的分布趋势，并显示出对人类响应的适度相关性，但始终夸大了信念与分享之间的关联。拟合模拟响应的线性模型表现出显著更高的解释方差，并对态度和行为特征的权重远高于对个人网络特征的权重，而人类响应的模型则相反。分析模型生成的推理和 LLM 训练数据表明，这些扭曲反映了误信相关概念在表示方式中的系统性偏见。我们的发现表明，LLM 基于的调查模拟更适合诊断与人类判断的系统性差异，而不是替代人类判断。
引用
@article{arxiv.2602.04674,
title = {Overstating Attitudes, Ignoring Networks: LLM Biases in Simulating Misinformation Susceptibility},
author = {Eun Cheol Choi and Lindsay E. Young and Emilio Ferrara},
journal= {arXiv preprint arXiv:2602.04674},
year = {2026}
}
备注
Accepted to ICWSM 2026