🤖 AI

Political Plasticity: An Analysis of Ideological Adaptability in Large Language Models

Questo studio introduce il concetto di "plasticità politica" per dimostrare che, sebbene i prompt di sistema siano in gran parte inefficaci, i prompt degli utenti possono indurre con successo significativi spostamenti ideologici nei nuovi modelli linguistici di grandi dimensioni, in particolare lungo gli assi della libertà economica, sebbene gli esperimenti di validazione rivelino una potenziale perdita di dati e notevoli variazioni tra le diverse lingue.

Autori originali: Bruno Bianchi, Diego Tiscornia, Matias Travizano, Ariel Futoransky

Pubblicato 2026-05-12

📖 6 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Bruno Bianchi, Diego Tiscornia, Matias Travizano, Ariel Futoransky

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

L'Idea Principale: I Mattoni dell'IA o l'Argilla?

Immagina di avere un blocco di pietra e un pezzo di argilla umida. Se cerchi di scolpire una nuova forma nella pietra, cambia a malapena; è rigida. Ma se premi il pollice nell'argilla umida, si modella facilmente alla tua mano.

Questo documento si pone una domanda semplice: I Modelli Linguistici di Grande Dimensione (LLM) sono come la pietra, o sono come l'argilla?

Nello specifico, gli autori esaminano la "plasticità politica". Questo è un modo sofisticato per chiedere: Se dico a un'IA di comportarsi come un conservatore o come un liberale, cambierà davvero le sue risposte per adattarsi a quel ruolo, o si attesterà ostinatamente sulle sue proprie credenze nascoste?

L'Esperimento: Il Test "Sì/No"

Per testare questo, i ricercatori non hanno chiesto semplicemente all'IA: "Sei di sinistra o di destra?". Invece, hanno costruito un questionario massiccio con 200 domande.

Pensa a queste domande come a un righello con due lati:

Libertà Economica: Domande su tasse, imprese e denaro.
Libertà Personale: Domande sull'autonomia del corpo, la libertà di parola e lo stile di vita.

L'IA doveva rispondere "Sì" o "No" a queste domande. I ricercatori hanno poi calcolato un "Punteggio di Libertà" basato sulle risposte.

I Tre Modi in cui Hanno Tentato di "Modellare" l'IA

Il team ha provato tre metodi diversi per vedere se potevano piegare le risposte dell'IA.

1. Il "Prompt di Sistema" (L'Ordine del Capo)

L'Analogia: Immagina un cameriere a cui il manager dice: "Oggi devi comportarti come un vecchio brontolone".
Il Test: I ricercatori hanno dato all'IA un'istruzione nascosta (un prompt di sistema) dicendo: "Sei un consulente di sinistra" oppure "Sei un consulente di destra".
Il Risultato: Questo è stato come cercare di modellare la pietra. La maggior parte delle IA è cambiata a malapena. Hanno ignorato l'ordine del capo e continuato a rispondere quasi allo stesso modo. Solo alcuni modelli specifici (come le versioni più recenti di GPT-5) hanno mostrato una qualche flessibilità qui.

2. La "Lista di Argomenti" (La Sceneggiatura Dettagliata)

L'Analogia: Il manager dà al cameriere una sceneggiatura di 10 pagine che elenca esattamente cosa dire su vaccini, immigrazione e tasse.
Il Test: Invece di dire semplicemente "sii di sinistra", hanno fornito all'IA un elenco di posizioni politiche specifiche (ad esempio: "Sostieni i mandati sui vaccini").
Il Risultato: Ancora, la pietra non si è piegata molto. Le IA hanno ignorato per lo più queste istruzioni dettagliate quando provenivano dal lato "sistema".

3. Il "Prompt Utente" (Il Partner di Conversazione)

L'Analogia: Questa volta, il cliente (l'utente) si siede e dice: "Ehi, facciamo finta che siamo entrambi di sinistra. Ecco alcuni esempi di come parlano le persone di sinistra..."
Il Test: I ricercatori non hanno usato istruzioni nascoste. Invece, hanno utilizzato la finestra di chat stessa. Hanno fornito all'IA alcuni esempi di domande e risposte che mostravano un pregiudizio politico specifico, per poi porre le domande reali.
Il Risultato: Questo ha funzionato come magia sull'argilla. Quando il pregiudizio era nella conversazione dell'utente, le IA hanno cambiato le loro risposte in modo significativo. Hanno iniziato a comportarsi come la parte politica che l'utente stava fingendo di essere. Questo è stato particolarmente vero per i modelli più recenti e intelligenti.

Il Colpo di Scena: Il Test "All'Indietro"

Qui le cose sono diventate strane. I ricercatori hanno deciso di capovolgere le domande.

L'Analogia: Immagina di chiedere: "Il cielo è blu?" rispetto a "Il cielo NON è blu?".
Il Test: Hanno preso le stesse domande ma le hanno formulate in modo che una risposta "Sì" significasse ora la posizione politica opposta.
Il Risultato: La maggior parte delle IA più vecchie o più piccole si è confusa. Quando sono state poste le domande "all'indietro", non hanno semplicemente invertito le loro risposte; hanno oscillato selvaggiamente nella direzione sbagliata. Era come se stessero cercando così tanto di essere "utili" o "concilianti" da dire accidentalmente l'opposto di ciò che intendevano.
L'Eccezione: I modelli più recenti e avanzati (GPT-5 e Gemma) erano abbastanza intelligenti da gestire correttamente le domande all'indietro. Non si sono confusi; sono rimasti coerenti.

Il Test Linguistico

I ricercatori hanno provato anche questo in sei lingue diverse (inglese, spagnolo, francese, ecc.).

La Scoperta: Le IA erano leggermente diverse in ogni lingua. Un modello potrebbe essere molto flessibile in inglese ma un po' più rigido in spagnolo. È come se l'argilla avesse texture diverse a seconda della lingua in cui si parla.

I Principali Punti Chiave

I Modelli Più Vecchi/Piccoli sono Rigidi: I modelli di IA più piccoli o più vecchi sono come pietra dura. Non cambiano le loro opinioni politiche molto, non importa come provi a sollecitarli. Le loro risposte sono spesso instabili o imprevedibili.
I Modelli Più Nuovi/Intelligenti sono Flessibili: I modelli più recenti e grandi sono come argilla umida. Se parli con loro in un certo modo (usando la chat utente, non istruzioni nascoste), adatteranno volentieri le loro risposte per corrispondere alla tua "vibrazione" politica.
La Trappola "Sì/No": Se non fai attenzione a come poni le domande, l'IA potrebbe semplicemente indovinare il pattern del test piuttosto che avere realmente un'opinione. Questo è chiamato "perdita di dati" (data leakage) — l'IA potrebbe aver visto queste esatte domande prima e aver semplicemente memorizzato le risposte.
Problemi di Fiducia: Poiché questi modelli possono cambiare le loro risposte così facilmente in base a chi sta parlando con loro, non puoi assumere che siano "neutrali". Se poni una domanda in un modo, ottieni una risposta; ponila in un altro modo, e potresti ottenere l'opposto.

Sintesi

Il documento conclude che l'IA non è un giudice neutrale. È un camaleonte. Alcuni camaleonti (modelli più vecchi) sono bloccati in un colore, mentre altri (modelli più recenti) assumeranno il colore che vuoi tu, a seconda di come parli con loro. Questo significa che dobbiamo fare molta attenzione a fidarci dell'IA su temi politici sensibili, perché la sua "opinione" potrebbe essere semplicemente un riflesso di come abbiamo posto la domanda.

Riepilogo Tecnico: Plasticità Politica nei Modelli Linguistici di Grande Dimensione

Enunciato del Problema

Mentre ricerche significative si sono concentrate sui bias politici intrinseci dei Modelli Linguistici di Grande Dimensione (LLM) — spesso identificando un orientamento predefinito "di sinistra" o "libertario di sinistra" — questo studio affronta un fenomeno distinto ma correlato: la plasticità politica. Definita come la capacità dei modelli di adattare le proprie risposte in base al contesto fornito dall'utente, la plasticità politica indaga quanto sia malleabile la posizione ideologica di un LLM quando interagisce con utenti che detengono specifici punti di vista politici. Data la tendenza del pubblico a sovrastimare la fiducia negli output generati dall'IA, comprendere se i modelli possano essere sottilmente indirizzati a rispecchiare le ideologie degli utenti è fondamentale per valutarne l'affidabilità nel discorso politico sensibile.

Metodologia

Gli autori hanno sviluppato un framework di test per quantificare la plasticità politica su un insieme diversificato di LLM, che va da modelli piccoli e ospitati localmente (ad es. Llama3:8b, Gemma2:2b) a modelli all'avanguardia accessibili tramite API (ad es. GPT-4.1, varianti di GPT-5, DeepSeek-V3).

Corpus e Metriche

Corpus Esteso: Lo studio ha adattato il framework di Lester (1996), espandendo l'originale questionario di 20 item a 200 domande orientate politicamente. Queste sono state categorizzate in due assi: Libertà Economica e Libertà Personale.
Aumento dei Dati: Per mitigare la fuoriuscita di dati (data leakage) dalle domande originali di Lester, gli autori hanno generato 100 nuove domande per asse utilizzando LLM, convalidandole attraverso iterazione incrociata tra modelli e revisione manuale.
Metriche di Risposta: Sono state impiegate due metriche principali:
1. Risposta più Probabile: Conteggio della frequenza dei token "Sì" rispetto a "No".
2. Probabilità di Risposta Affermativa: Media della probabilità $p(\text{sì})$ per ogni domanda. Per i modelli privi di log-probabilità aperte, ciò è stato stimato tramite molteplici esecuzioni di campionamento ad alta temperatura.

Disegno Sperimentale

Lo studio ha utilizzato quattro fasi sperimentali principali per indurre e misurare il bias:

Esperimento 1 (Prompt di Sistema - Semplificato): I modelli sono stati istruiti tramite prompt di sistema ad adottare ruoli semplificati "Sinistra" o "Destra".
Esperimento 2 (Prompt di Sistema - Basato su Argomenti): I prompt di sistema includevano descrizioni dettagliate di nove specifici argomenti politici (ad es. obblighi vaccinali, immigrazione) con posizioni predefinite per ciascuna ideologia.
Esperimento 3 (Prompt Utente - Few-Shot): Il bias è stato indotto direttamente nel prompt utente utilizzando esempi few-shot. Sono state presentate quattro domande che coprivano i nove argomenti con risposte "Sì/No" allineate a una specifica ideologia.
Esperimenti di Validazione:
- Validazione 1: Ha variato il numero di esempi few-shot (da 1 a 9) per valutare effetti dipendenti dalla dose.
- Validazione 2: Ha invertito il senso delle domande (ad es., una risposta "Sì" indicava una posizione conservatrice) per testare la fuoriuscita di dati o il riconoscimento del formato.
Esperimento 4 (Bidirezionale e Multilingue): Un test completo che combinava domande originali e invertite in sei lingue (Inglese, Spagnolo, Italiano, Portoghese, Francese, Tedesco) utilizzando esclusivamente modelli più grandi e all'avanguardia.

Risultati Chiave

1. Inefficacia dei Prompt di Sistema

Gli Esperimenti 1 e 2 hanno dimostrato che l'induzione di bias tramite prompt di sistema è stata in gran parte inefficace.

La maggior parte dei modelli ha mostrato alterazioni minime e significative nelle loro risposte quando assegnati ruoli "Sinistra" o "Destra", anche con descrizioni dettagliate degli argomenti.
Gli spostamenti, quando osservati, erano spesso inconsistenti nella direzione o limitati ad assi specifici (ad es. Mistral:7b che si spostava solo sulla Libertà Personale).
Eccezioni notevoli includevano Gemma2:2b e i modelli GPT-5, che hanno mostrato una certa plasticità anche nei prompt di sistema.

2. Efficacia dei Prompt Utente

L'Esperimento 3 ha rivelato che i prompt utente sono stati altamente efficaci nell'elicitarre spostamenti ideologici.

L'induzione di bias tramite esempi few-shot nel prompt utente ha prodotto spostamenti sostanziali, in particolare lungo l'asse della Libertà Economica.
La Validazione 1 ha confermato una chiara progressione monotona: all'aumentare del numero di esempi few-shot (da 1 a 9), aumentava l'entità del bias indotto.
I modelli più piccoli e vecchi hanno generalmente mostrato una plasticità limitata o instabile, mentre i nuovi modelli all'avanguardia hanno mostrato un'adattabilità affidabile.

3. Effetti di Inversione Inattesi

L'Esperimento di Validazione 2 ha prodotto risultati controintuitivi. Quando le domande sono state invertite (così che "Sì" implicava una posizione conservatrice), la maggior parte dei modelli ha mostrato una maggiore plasticità rispetto alla configurazione originale, ma nella direzione opposta alle aspettative.

Ciò suggerisce una potenziale fuoriuscita di dati o che i modelli stiano riconoscendo il "formato del questionario" piuttosto che adattarsi genuinamente alla cornice ideologica.
Solo i modelli Gemma e GPT-5 hanno mantenuto il comportamento ideologico atteso sotto inversione.

4. Varianza Multilingue e per Dimensione del Modello

Nell'Esperimento 4, i risultati sono variati significativamente in base alla dimensione del modello e alla lingua:

I modelli GPT-5 hanno dimostrato una plasticità coerente su entrambi gli assi e in tutte le lingue testate.
Llama 3.3-70B ha mostrato virtualmente nessuna plasticità in inglese.
La maggior parte degli altri modelli ha mostrato una plasticità limitata, con spostamenti spesso confinati all'asse della Libertà Personale.
Sono stati osservati spostamenti sottili ma notevoli tra le diverse lingue, indicando che la plasticità non è uniforme nei diversi contesti linguistici.

Significato e Affermazioni

Il paper afferma che la "neutralità" degli LLM non può essere data per scontata in domini carichi politicamente. Lo studio evidenzia che:

La Plasticità è Dipendente dal Modello: Esiste una netta divergenza nella plasticità tra modelli piccoli/vecchi (limitata/instabile) e nuovi modelli all'avanguardia (affidabile/attesa).
La Posizione del Prompt è Importante: L'interazione a livello utente (prompting few-shot) è un vettore molto più potente per l'influenza ideologica rispetto alle istruzioni a livello di sistema.
Rischi Metodologici: I risultati inattesi delle domande invertite suggeriscono che le valutazioni standard basate su questionari possano essere confusi dal riconoscimento del formato o dalla fuoriuscita di dati, rendendo necessarie metodologie più robuste e resistenti alla fuoriuscita di dati.
Implicazione Sociale: La capacità dei modelli di adattarsi alle ideologie degli utenti, combinata con la sovrastima della fiducia umana nell'IA, pone rischi per l'influenza sottile del discorso pubblico e del comportamento di voto individuale.

Gli autori concludono che comprendere i meccanismi alla base di questa plasticità differenziale è cruciale per avanzare nel campo dell'ideologia degli LLM e garantire l'affidabilità dell'IA nei processi democratici. Chiedono lavori futuri per smontare questi meccanismi e sviluppare setting di test ecologicamente validi, come conversazioni simulate a più turni.