Large Language Models as Implicit Sociological Models: Reconstructing Voting Behaviour from Sociodemographic Profiles
Dieses Paper schlägt einen methodischen Rahmen vor, der große Sprachmodelle als implizite soziologische Werkzeuge behandelt, um das aggregierte Wahlverhalten aus soziodemografischen Profilen zu rekonstruieren, und demonstriert deren Fähigkeit, reale Wahlergebnisse und politische Strukturen präzise zu replizieren, während es gleichzeitig deren Nutzen als explorative Instrumente für die computergestützte Sozialwissenschaft hervorhebt.
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
In der Untersuchung darüber, wie Menschen wählen, verlassen sich Politikwissenschaftler seit langem auf eine einfache Wahrheit: Wer man ist, sagt oft voraus, wie man wählt. Das Alter, die Bildung, das Einkommen und der Wohnort einer Person erstellen ein demografisches Profil, das stark mit den politischen Entscheidungen korreliert. Jahrzehntelang haben Forscher diese Verbindungen mithilfe von Umfragen kartiert, indem sie Tausende von Menschen nach ihrem Leben und ihrer Stimmabgabe fragten, um die Muster zu finden, die Wahlen prägen. Doch im digitalen Zeitalter ist eine neue Frage aufgetaucht: Könnte ein Computerprogramm, das auf dem riesigen Ozean menschlicher Texte im Internet trainiert wurde, diese Muster bereits kennen, ohne jemals eine einzige Person gefragt zu haben? Große Sprachmodelle, die leistungsfähigen KI-Systeme hinter modernen Chatbots, werden durch das Lesen von Milliarden von Dokumenten aufgebaut. Dabei absorbieren sie die statistischen Regelmäßigkeiten der menschlichen Kultur, einschließlich der unausgesprochenen Verknüpfungen zwischen dem Hintergrund einer Person und ihrer politischen Gesinnung. Dies wirft eine faszinierende Möglichkeit auf: Könnten diese Modelle als ein komprimierter Spiegel der Gesellschaft fungieren, der eine verborgene Landkarte darüber hält, wie Demografie in Stimmen übersetzt wird, einfach weil sie so viel darüber gelesen haben?
Ein Team von Forschern aus der Tschechischen Republik unternahm den Versuch, diese Idee unter Verwendung der tschechischen Parlamentswahl 2021 als ihr Labor zu testen. Sie baten die künstliche Intelligenz nicht, den Wahlsieger vorherzusagen oder zu erklären, warum eine bestimmte Einzelperson eine bestimmte Partei gewählt hat. Stattdessen behandelten sie die Modelle als eine Art soziologisches Instrument, eine Methode, um das kollektive Verhalten einer Nation von Grund auf neu zu rekonstruieren. Die Forscher nahmen eine echte Umfrage mit fast 4.000 tschechischen Bürgern, die jeweils über ein detailliertes Profil zu Alter, Geschlecht, Bildung, Einkommen und sogar zum politischen Interesse verfügten. Sie speisten diese Beschreibungen, eine nach der anderen, in vier verschiedene Versionen eines großen Sprachmodells ein. Für jede Person wurde dem Modell eine einfache Frage gestellt: Wer würde angesichts dieser spezifischen Lebensgeschichte wählen? Das Modell wählte nicht nur eine Partei; es berechnete die Wahrscheinlichkeit der Wahl für jede bedeutende Partei sowie die Chance, dass die Person gar nicht wählen würde.
Die Forscher kombinierten diese tausenden individuellen Vermutungen dann zu einem einzigen nationalen Gesamtbild. Sie verwendeten eine Methode, die jede Wahrscheinlichkeit als Teilstimme behandelte, wodurch das Endergebnis aus der Summe vieler kleiner Unsicherheiten entstand, statt aus einer einzigen erzwungenen Entscheidung. Als sie diese simulierte Wahl mit den tatsächlichen offiziellen Ergebnissen verglichen, war die Übereinstimmung überraschend eng. Die Modelle reproduzierten die endgültigen Stimmenanteile mit einem durchschnittlichen Fehler von nur etwa 2,5 Prozentpunkten – ein Genauigkeitsniveau, das mit hochwertigen Vorwahlumfragen professioneller Agenturen vergleichbar ist. Noch wichtiger war, dass die Simulation nicht nur die Zahlen richtig wiedergab; sie erfasste auch die verborgene Struktur der tschechischen Politik. Die Modelle identifizierten korrekt, dass bestimmte Parteien natürlich zusammen gruppieren und zwei deutliche politische Blöcke bilden, die die realen Allianzen und Rivalitäten des Landes widerspiegeln. Sie rekonstruierten auch die spezifischen Wege, auf denen Wähler zwischen Parteien wechseln, was zeigte, dass die künstliche Intelligenz verstand, ohne es explizit gelernt zu haben, dass Wähler einer Koalition oft zu einer anderen wechseln, während Wähler gegenüberliegender Lager selten die Grenze überschreiten.
Die Studie zeigte, dass die Größe des Modells eine Rolle spielte. Die größeren, leistungsfähigeren Versionen der künstlichen Intelligenz waren besser darin, zwischen verschiedenen Arten von Wählern zu unterscheiden und die subtilen Unterschiede darin zu erfassen, wie eine junge, gebildete Person im Vergleich zu einer älteren, weniger gebildeten Person wählen könnte. Die kleineren Modelle neigten dazu, den Durchschnitt für alle zu raten und übersahen dabei die Nuancen der demografischen Landschaft. Dennoch schafften es selbst die kleineren Modelle, die groben Umrisse der politischen Landkarte wiederherzustellen. Die Forscher prüften auch, was die Modelle bereits wussten, bevor sie spezifische Details zu einer Person erhielten. Sie fanden heraus, dass die Modelle bereits über ein starkes, eingebautes Wissen über die Wahlergebnisse verfügten, wahrscheinlich weil das Ergebnis in den Texten, auf denen sie trainiert wurden, so häufig diskutiert wurde. Der wahre Wert des Experiments lag jedoch nicht in diesem bereits vorhandenen Wissen, sondern in der Fähigkeit, dieses Wissen aufzuschlüsseln. Indem sie individuelle Profile einspeisten, konnten die Forscher sehen, wie die Modelle dieses Wissen über verschiedene Regionen und soziale Gruppen verteilten, und verwandelten so effektiv eine statische Tatsache in eine dynamische, strukturelle Karte der Gesellschaft.
Entscheidend ist, dass die Autoren betonen, dass dies kein Werkzeug zur Vorhersage der Zukunft oder zum Ersatz menschlicher Umfragen ist. Die Modelle verstehen nicht, warum Menschen so wählen, wie sie es tun; sie haben kein kausales Verständnis menschlicher Entscheidungsfindung. Sie spiegeln lediglich die Muster wider, die sie in den Texten gesehen haben, mit denen sie trainiert wurden. Wenn das Internet voll von Artikeln ist, die Bildung mit einer bestimmten Partei verknüpfen, lernt das Modell diese Verbindung. Der Wert dieser Arbeit liegt in ihrer Fähigkeit, als diagnostisches Werkzeug zu dienen, das es Wissenschaftlern ermöglicht, zu untersuchen, was ein Modell aus der menschlichen Kultur absorbiert hat. Es zeigt, dass diese Systeme die soziologischen Regelmäßigkeiten einer nicht-englischsprachigen, parteiensystematischen Demokratie verinnerlicht haben, obwohl sie hauptsächlich auf englischen Daten trainiert wurden. Die Forscher kommen zu dem Schluss, dass diese Modelle zwar keine perfekten Spiegel der Realität sind, aber dennoch mächtig genug sind, um das Skelett des politischen Verhaltens einer Gesellschaft zu rekonstruieren, und damit einen neuen Weg eröffnen, die verborgenen Verbindungen zwischen dem, wer wir sind, und dem, wie wir wählen, zu erforschen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.