通过大型语言模型的多步推理实现更准确的美国总统选举预测

大型语言模型（LLM）能否准确预测选举结果？尽管 LLM 在包括医疗保健、法律分析和创意任务在内的各个领域展现出了令人瞩目的性能，但它们预测选举的能力仍然未知。选举预测面临独特的挑战，如有限的选民级数据、快速变化的政治格局，以及对复杂人类行为进行建模的需求。为了应对这些挑战，我们引入了一个专为政治分析设计的多步推理框架。我们的方法在 2016 年和 2020 年美国全国选举研究（ANES）的真实数据，以及由领先机器学习框架生成的合成角色上进行了验证，为选民行为建模提供了可扩展的数据集。为了捕捉时间动态，我们纳入了候选人的政策立场和传记细节，确保模型适应不断变化的政治环境。借助思维链提示，我们的多步推理流程系统地整合了人口统计、意识形态和时间相关因素，增强了模型的预测能力。