算法化的体现：跨危机事件的 LLM 生成政治话语审计
计算与语言
2026-05-13 v1 人工智能
计算机与社会
摘要
大型语言模型 (LLM) 能够大规模生成流畅的政治文本，这引发了在危机与社会冲突期间合成话语的担忧。现有的 AI 文本检测往往聚焦于句子级线索，如囊惑度、波动性或标记不规则性，但随着生成系统的改进，这些信号可能减弱。我们采用计算社会科学的视角，询问合成政治话语是否像观察到的在线人群。我们构建了一个覆盖九个危机事件（COVID-19、1 月 6 日国会袭击、2020 年与 2024 年美国大选、Dobbs/Roe v. Wade、2020 年 BLM 示威、美国中期选举、犹他枪杀事件及美国-伊朦战争）的 1,789,406 篇帖子的配对语料库。对于每个事件，我们比较来自社交平台的观察话语与为相同情境生成的合成话语。我们评估四个维度：情感强度、结构规律性、词汇-意识形态框架以及跨事件依赖性，使用平均差距与离散性证据。跨所有事件，合成话语虽流畅，却在人口层面不真实。它通常更负面且情感更少离散，结构更规律，词汇更抽象。观察到的话语则表现出更广泛的情感变化、更长尾的结构分布以及更具语境特定性和口语化的词汇标记。这些差异随事件而异：对于快速变化且去中心化的危机，差异更大；对于正式或制度化的事件，差异较小。我们用简单的事件级度量——“体现差距” (Caricature Gap) ——对其进行总结。我们的发现表明，合成政治话语的主要限制并非语法或流畅度，而是人口层面的不真实性。人口层面的审计补充了传统文本检测，为评估生成话语的社会真实性提供了 CSS 框架。
引用
@article{arxiv.2605.12452,
title = {The Algorithmic Caricature: Auditing LLM-Generated Political Discourse Across Crisis Events},
author = {Gunjan and Sidahmed Benabderrahmane and Talal Rahwan},
journal= {arXiv preprint arXiv:2605.12452},
year = {2026}
}