Graph-Augmented LLMs for Swiss MP Ideology Prediction
Dieser Beitrag stellt PG-RAG vor, ein Retrieval-Augmented-Generation-Framework, das politische Wissensgraphen mit Large Language Models integriert, um die Genauigkeit der Vorhersage ideologischer Positionen von Schweizer National- und Ständeräten durch die Nutzung sowohl textueller Semantik als auch von Akteursbeziehungen erheblich zu verbessern.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, die wahre politische „Geschmacksrichtung" eines Politikers (ob er links, rechts oder irgendwo in der Mitte steht) allein durch das Lesen seiner Reden zu erraten. Es ist wie der Versuch, die Persönlichkeit einer Person allein durch das Lesen ihrer Tagebucheinträge zu erraten. Sie erhalten einige Hinweise, verpassen aber das große Ganze: mit wem sie sich umgeben, welchen Clubs sie beitreten und an welchen Projekten sie sich tatsächlich beteiligen.
Dieser Artikel stellt ein neues Werkzeug namens PG-RAG vor, das wie ein überaus intelligenter Detektiv funktioniert. Anstatt nur das Tagebuch des Politikers (seine Reden) zu lesen, überprüft es auch sein „soziales Netzwerk" und seinen „Lebenslauf", die in einer riesigen digitalen Landkarte namens Wissensgraph gespeichert sind.
Hier ist, wie der Artikel dies unter Verwendung einfacher Analogien aufschlüsselt:
1. Das Problem: Nur das Skript lesen
Traditionell versuchten Forscher, die Ideologie eines Politikers zu erraten, indem sie seine Reden in KI-Modelle (Large Language Models) einspeisten.
- Der Fehler: Dies ist wie der Versuch, die Noten eines Schülers allein durch das Lesen seiner Hausaufgaben zu verstehen, wobei ignoriert wird, wer seine Freunde sind, in welchen Sportmannschaften er spielt oder mit welchen Lehrern er zusammenarbeitet.
- Die Realität: In einem Parlament agieren Politiker nicht allein. Sie bilden Gruppen, treten Kommissionen bei und unterstützen gemeinsam Gesetze. Der Artikel argumentiert, dass das Ignorieren dieser Verbindungen die Genauigkeit der KI-Vorhersage verringert.
2. Die Lösung: Die „digitale Landkarte" (PG-RAG)
Die Autoren entwickelten ein System, das das Parlament wie ein riesiges, vernetztes Netz behandelt. Sie erstellten einen Wissensgraphen – stellen Sie sich dies als einen riesigen Stammbaum vor, der mit einer U-Bahn-Karte vermischt ist.
- Die Knoten (Haltestellen): Dies sind die Politiker, die Parteien, die Kommissionen und die Gesetze.
- Die Kanten (Gleise): Dies sind die Verbindungen, wie „Mitglied der Kommission X", „Co-Sponsor des Gesetzes Y" oder „Freund der Partei Z".
Wenn die KI die Ideologie eines Politikers erraten muss, betrachtet sie diesen nicht isoliert. Sie durchsucht diese Landkarte, um einen „Subgraphen" (ein kleines, relevantes Stück der Landkarte) rund um diese spezifische Person abzurufen.
3. Die drei Arten, die Landkarte zu betrachten
Die Forscher testeten drei verschiedene Möglichkeiten, Informationen aus dieser Landkarte zu sammeln, wie das Betrachten einer Person durch verschiedene Linsen:
- Die „Rede"-Linse (SP): Dies ist der alte Weg. Sie betrachtet nur den Text der Reden, die der Politiker gehalten hat. Es ist wie das Lesen nur seines Tagebuchs.
- Die „Person"-Linse (MP): Diese betrachtet den unmittelbaren Kreis des Politikers. Sie fragt: „Wer ist diese Person? Zu welcher Partei gehört sie? In welchen Kommissionen sitzt sie? Welche Stadt vertritt sie?" Dies ist wie der Blick auf sein LinkedIn-Profil und sein Jahrbuch der Highschool.
- Die „Projekt"-Linse (PR): Diese betrachtet die Gesetze, die der Politiker vorgeschlagen oder unterstützt hat. Sie fragt: „Welche spezifischen Gesetzentwürfe haben sie vorangetrieben?" Dies ist wie der Blick auf sein Portfolio abgeschlossener Projekte.
4. Wie die KI die Informationen nutzt
Sobald das System diese zusätzlichen Daten aus der Landkarte abgerufen hat, muss es sie der KI erklären. Sie versuchten zwei Methoden:
- Die „Zusammenfassungs"-Methode: Die KI liest die Daten der Landkarte und schreibt eine kurze Biografie in natürlicher Sprache (z. B. „Diese Person ist ein Liberaler, der im Bildungsausschuss sitzt...").
- Die „Rohdaten"-Methode: Die KI erhält die rohe Liste der Verbindungen und Fakten, wie eine unordentliche Tabellenkalkulation, und muss das Muster selbst herausfinden.
5. Was sie herausfanden
Die Forscher testeten dies an Schweizer Politikern unter Verwendung echter Abstimmungsprotokolle als „Wahrheit" (der tatsächliche Antwortenschlüssel).
- Bessere Genauigkeit: Das Hinzufügen der „Landkarten"-Informationen machte die KI viel besser im Erraten. Es war wie dem Detektiv eine Karte der Freunde des Verdächtigen zu geben; die Vorhersage wurde viel schärfer.
- Der „kleine Modell"-Boost: Interessanterweise profitierten kleinere, weniger leistungsfähige KI-Modelle am meisten von diesen zusätzlichen Landkartendaten. Es ist wie ein Schüler, der einen Lernleitfaden braucht, um die Prüfung zu bestehen, während ein genialer Schüler dies vielleicht auch ohne einen herausgefunden hätte.
- Der „linksgerichtete" Kampf: Die KI hatte immer noch ein wenig Schwierigkeiten mit Politikern der sozialdemokratischen (linksgerichteten) Parteien. Sie neigte dazu, sie als etwas „rechts" einzustufen, als sie es tatsächlich waren. Der Artikel legt nahe, dass dies daran liegen könnte, dass diese Politiker komplexe interne Unterschiede haben, die schwer zu fassen sind, oder dass die KI eine eingebaute Verzerrung hin zur Mäßigung hat.
Das Fazit
Der Artikel behauptet, dass man, um die Ideologie eines Politikers wirklich zu verstehen, nicht nur zuhören kann, was sie sagen. Man muss schauen, mit wem sie verbunden sind und was sie innerhalb des Systems tun. Durch die Einspeisung dieser „relationalen" Daten in die KI werden die Vorhersagen deutlich genauer und verwandeln eine einfache Textanalyse in ein politisches Profil im Vollspektrum.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.