政治塑性：大语言模型中意识形态适应性分析
人工智能
2026-05-12 v1
摘要
鉴于大语言模型（LLM）的出现，研究的主要领域之一是聚焦其固有的偏见，尤其是在政治话语方面。本研究 investigates 了一种不同但相关的概念，即“政治塑性”，其定义为模型根据用户提供的上下文来调整其响应能力。为分析这一问题，我们开发了使用基于 Lester（1996）先前框架扩展的 200 个政治问题语料库（横跨经济自由和个人自由两个轴）的测试框架。研究探索了几种诱导政治偏见的方法，包括简化和主题化系统提示，以及带有 few-shot 示例的用户提示。结果显示，尽管系统提示大多不有效，但用户提示成功地引发了显著的意识形态偏移，尤其是在较大和较新的模型中沿经济自由轴。通过验证实验，我们检查了模型是否通过识别底层问卷格式来回答问题。反转问题的意义后，大多数模型显示出意外的、反直觉的偏移，这表明可能存在数据泄露。最后，我们还分析了模型塑性在不同语言中实验进行时的变化情况。结果在每个分析语言中都显示出细微但显著的偏移。总体而言，我们的结果表明，小型和较旧的 LLM 表现出有限或不稳定的政治塑性，而较新的前沿模型则显示出可靠、符合预期的适应性。
引用
@article{arxiv.2605.08415,
title = {Political Plasticity: An Analysis of Ideological Adaptability in Large Language Models},
author = {Bruno Bianchi and Diego Tiscornia and Matias Travizano and Ariel Futoransky},
journal= {arXiv preprint arXiv:2605.08415},
year = {2026}
}