🤖 AI

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

Deze studie introduceert het concept van "politieke plasticiteit" om aan te tonen dat, hoewel systeemprompten grotendeels inefficiënt zijn, gebruikersprompten succesvol aanzienlijke ideologische verschuivingen kunnen teweegbrengen in nieuwere Large Language Models, met name langs de as van economische vrijheid, hoewel validatie-experimenten potentiële datalekken en opmerkelijke variaties tussen verschillende talen blootleggen.

Oorspronkelijke auteurs: Bruno Bianchi, Diego Tiscornia, Matias Travizano, Ariel Futoransky

Gepubliceerd 2026-05-12

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Bruno Bianchi, Diego Tiscornia, Matias Travizano, Ariel Futoransky

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Idee: Zijn AI-blokken van steen of van klei?

Stel je een blok steen en een klomp natte klei voor. Als je probeert een nieuwe vorm in de steen te hakken, verandert hij nauwelijks; hij is stijf. Maar als je je duim in de natte klei duwt, vormt deze zich gemakkelijk naar je hand.

Dit artikel stelt een simpele vraag: Zijn Large Language Models (LLM's) zoals de steen, of zijn ze zoals de klei?

Specifiek kijken de auteurs naar "politieke plasticiteit". Dit is een ingewikkelde manier om te vragen: Als ik een AI vertel om als een conservatief of als een liberaal te handelen, zal hij dan zijn antwoorden echt aanpassen aan die rol, of zal hij koppig vasthouden aan zijn eigen verborgen overtuigingen?

Het Experiment: De "Ja/Nee"-test

Om dit te testen, vroegen de onderzoekers de AI niet zomaar: "Ben je links of rechts?" In plaats daarvan bouwden ze een enorme vragenlijst met 200 vragen.

Stel je deze vragen voor als een liniaal met twee kanten:

Economische Vrijheid: Vragen over belastingen, zaken en geld.
Persoonlijke Vrijheid: Vragen over lichaamsautonomie, vrijheid van meningsuiting en levensstijl.

De AI moest op deze vragen "Ja" of "Nee" antwoorden. Vervolgens berekenden de onderzoekers een "Vrijheidsscore" op basis van de antwoorden.

De Drie Manieren waarop ze probeerden de AI te "vormen"

Het team probeerde drie verschillende manieren om te zien of ze de antwoorden van de AI konden buigen.

1. De "Systeemprompt" (De opdracht van de baas)

De Analogie: Stel je een ober voor die door de manager wordt verteld: "Vandaag moet je doen alsof je een chagrijnige oude man bent."
De Test: De onderzoekers gaven de AI een verborgen instructie (een systeemprompt) met de tekst: "Je bent een linkse adviseur" of "Je bent een rechtse adviseur."
Het Resultaat: Dit was alsof je probeerde de steen te vormen. De meeste AI's veranderden nauwelijks. Ze negeerden de opdracht van de baas en bleven grotendeels op dezelfde manier antwoorden. Slechts een paar specifieke modellen (zoals de nieuwste GPT-5-versies) toonden hier enige flexibiliteit.

2. De "Onderwerplijst" (Het gedetailleerde script)

De Analogie: De manager geeft de ober een script van 10 pagina's waarin precies staat wat er gezegd moet worden over vaccins, immigratie en belastingen.
De Test: In plaats van alleen te zeggen "wees links", gaven ze de AI een lijst met specifieke politieke standpunten (bijvoorbeeld: "Je steunt vaccinatieplicht").
Het Resultaat: Nog steeds boog de steen niet veel. De AI's negeerden deze gedetailleerde instructies grotendeels wanneer ze van de "systeem"-kant kwamen.

3. De "Gebruikersprompt" (Het gesprekspartner)

De Analogie: Deze keer gaat de klant (de gebruiker) zitten en zegt: "Hé, laten we doen alsof we allebei links zijn. Hier zijn een paar voorbeelden van hoe linkse mensen praten..."
De Test: De onderzoekers gebruikten geen verborgen instructies. In plaats daarvan gebruikten ze de chatbox zelf. Ze gaven de AI een paar voorbeelden van vragen en antwoorden die een specifiek politiek bias toonden, en stelden daarna de echte vragen.
Het Resultaat: Dit werkte als magie op de klei. Wanneer de bias in het gesprek van de gebruiker zat, veranderden de AI's hun antwoorden aanzienlijk. Ze begonnen te handelen als de politieke kant die de gebruiker voorstelde. Dit gold vooral voor de nieuwere, slimmere modellen.

De Twist: De "Omgekeerde" Test

Hier werd het vreemd. De onderzoekers besloten de vragen ondersteboven te draaien.

De Analogie: Stel je voor dat je vraagt: "Is de lucht blauw?" versus "Is de lucht NIET blauw?"
De Test: Ze namen dezelfde vragen, maar formuleerden ze zo dat een "Ja"-antwoord nu het tegenovergestelde politieke standpunt betekende.
Het Resultaat: De meeste oudere of kleinere AI's raakten in de war. Toen ze de "omgekeerde" vragen kregen, draaiden ze niet alleen hun antwoorden om; ze zwaaiden wild in de verkeerde richting. Het was alsof ze zich zo hard probeerden te gedragen als "behulpzaam" of "akkoord" dat ze per ongeluk het tegenovergestelde zeiden van wat ze bedoelden.
De Uitzondering: De nieuwste, meest geavanceerde modellen (GPT-5 en Gemma) waren slim genoeg om de omgekeerde vragen correct te behandelen. Ze raakten niet in de war; ze bleven consistent.

De Taaltest

De onderzoekers probeerden dit ook in zes verschillende talen (Engels, Spaans, Frans, enz.).

De Bevinding: De AI's waren in elke taal iets anders. Een model kon zeer flexibel zijn in het Engels, maar wat stijver in het Spaans. Het is alsof de klei verschillende texturen heeft, afhankelijk van welke taal je spreekt.

De Belangrijkste Conclusies

Oudere/Kleinere Modellen zijn Stijf: Kleinere of oudere AI-modellen zijn als hard gesteente. Ze veranderen hun politieke opvattingen nauwelijks, hoe je ze ook probeert aan te zetten. Hun antwoorden zijn vaak instabiel of onvoorspelbaar.
Nieuwere/Slimmere Modellen zijn Flexibel: De nieuwste, grootste modellen zijn als natte klei. Als je op een bepaalde manier met ze praat (met de gebruikerschat, niet met verborgen instructies), passen ze hun antwoorden graag aan om te matchen met je politieke "vibe".
De "Ja/Nee"-Valstrik: Als je niet oppast met hoe je vragen stelt, kan de AI gewoon het patroon van de test raden in plaats van echt een mening te hebben. Dit heet "datalek"—de AI heeft deze exacte vragen misschien eerder gezien en de antwoorden gewoon uit het hoofd geleerd.
Vertrouwingsproblemen: Omdat deze modellen hun antwoorden zo makkelijk kunnen veranderen op basis van wie met hen praat, kun je er niet van uitgaan dat ze "neutraal" zijn. Als je een vraag op de ene manier stelt, krijg je het ene antwoord; stel je het op een andere manier, dan krijg je misschien het tegenovergestelde.

Samenvatting

Het artikel concludeert dat AI geen neutrale rechter is. Het is een kameleon. Sommige kameleons (oudere modellen) zitten vast in één kleur, terwijl anderen (nieuwere modellen) elke kleur zullen aannemen die je wilt, afhankelijk van hoe je met ze praat. Dit betekent dat we zeer voorzichtig moeten zijn met het vertrouwen op AI bij gevoelige politieke onderwerpen, omdat zijn "mening" misschien gewoon een weerspiegeling is van hoe we de vraag hebben gesteld.

Technische Samenvatting: Politieke Plasticiteit in Grootte Taalmodellen

Probleemstelling

Hoewel aanzienlijk onderzoek is gericht op de intrinsieke politieke vooroordelen van Grootte Taalmodellen (LLM's) — vaak een identificatie van een standaard "links-midden" of "links-libertarische" oriëntatie — adresseert deze studie een distinct maar gerelateerd fenomeen: politieke plasticiteit. Gedefinieerd als het vermogen van modellen om hun antwoorden aan te passen op basis van door de gebruiker verstrekte context, onderzoekt politieke plasticiteit hoe vormbaar de ideologische houding van een LLM is bij interactie met gebruikers die specifieke politieke standpunten hanteren. Gezien de neiging van het publiek tot oververtrouwen in door AI gegenereerde output, is het begrijpen of modellen subtiel kunnen worden gestuurd om gebruikersideologieën te echoën, cruciaal voor het beoordelen van hun betrouwbaarheid in gevoelige politieke discoursen.

Methodologie

De auteurs ontwikkelden een testkader om politieke plasticiteit te kwantificeren over een diverse reeks LLM's, variërend van kleine, lokaal gehoste modellen (bijv. Llama3:8b, Gemma2:2b) tot frontier-modellen die via API worden benaderd (bijv. GPT-4.1, GPT-5-varianten, DeepSeek-V3).

Corpus en Metrieken

Uitgebreid Corpus: De studie adapteerde het kader van Lester (1996) en breidde de oorspronkelijke vragenlijst van 20 items uit tot 200 politiek georiënteerde vragen. Deze werden gecategoriseerd in twee assen: Economische Vrijheid en Persoonlijke Vrijheid.
Data Augmentatie: Om datalekken uit de oorspronkelijke Lester-vragen te mitigeren, genereerden de auteurs 100 nieuwe vragen per as met behulp van LLM's, gevalideerd via cross-model iteratie en handmatige review.
Antwoordmetrieken: Twee primaire metrieken werden toegepast:
1. Meest Waarschijnlijk Antwoord: Het tellen van de frequentie van "Ja"- versus "Nee"-tokens.
2. Kans op Bevestigend Antwoord: Het middelen van de waarschijnlijkheid $p(\text{ja})$ voor elke vraag. Voor modellen zonder open log-probabiliteiten werd dit geschat via meerdere steekproeven met hoge temperatuur.

Experimenteel Ontwerp

De studie gebruikte vier hoofdexperimentele fasen om bias te induceren en te meten:

Experiment 1 (Systeemprompt - Vereenvoudigd): Modellen kregen via systeemprompts instructies om vereenvoudigde "Links" of "Rechts" rollen aan te nemen.
Experiment 2 (Systeemprompt - Op Thema Gebaseerd): Systeemprompts bevatten gedetailleerde beschrijvingen van negen specifieke politieke onderwerpen (bijv. vaccinmandaten, immigratie) met vooraf gedefinieerde standpunten voor elke ideologie.
Experiment 3 (Gebruikersprompt - Few-Shot): Bias werd direct in de gebruikersprompt geïnduceerd met behulp van few-shot voorbeelden. Vier vragen die de negen onderwerpen bestreken, werden gepresenteerd met "Ja/Nee"-antwoorden die waren afgestemd op een specifieke ideologie.
Validatie-experimenten:
- Validatie 1: Varieerde het aantal few-shot voorbeelden (1 tot 9) om dosis-afhankelijke effecten te beoordelen.
- Validatie 2: Keerde de zin van de vragen om (bijv. een "Ja"-antwoord gaf een conservatieve houding aan) om te testen op datalekken of format-herkenning.
Experiment 4 (Bidirectioneel & Meertalig): Een uitgebreide test die originele en omgekeerde vragen combineerde over zes talen (Engels, Spaans, Italiaans, Portugees, Frans, Duits) met uitsluitend grotere, state-of-the-art modellen.

Belangrijkste Resultaten

1. Ineffectiviteit van Systeemprompts

Experimenten 1 en 2 toonden aan dat het induceren van bias via systeemprompts grotendeels inefficiënt was.

De meeste modellen vertoonden minimale significante wijziging in hun antwoorden wanneer ze "Links" of "Rechts" rollen werden toegewezen, zelfs met gedetailleerde themabeschrijvingen.
Verschuivingen, wanneer waargenomen, waren vaak inconsistent van richting of beperkt tot specifieke assen (bijv. Mistral:7b die alleen verschuift op Persoonlijke Vrijheid).
Opmerkelijke uitzonderingen waren Gemma2:2b en GPT-5-modellen, die enige plasticiteit toonden zelfs in systeemprompts.

2. Effectiviteit van Gebruikersprompts

Experiment 3 onthulde dat gebruikersprompts zeer effectief waren in het oproepen van ideologische verschuivingen.

Het induceren van bias via few-shot voorbeelden in de gebruikersprompt resulteerde in aanzienlijke verschuivingen, met name langs de as van Economische Vrijheid.
Validatie 1 bevestigde een duidelijke monotoon progressie: naarmate het aantal few-shot voorbeelden toenam (van 1 tot 9), nam de omvang van de geïnduceerde bias toe.
Kleinere en oudere modellen vertoonden over het algemeen beperkte of instabiele plasticiteit, terwijl nieuwere frontier-modellen betrouwbare aanpasbaarheid toonden.

3. Onverwachte Omkeringseffecten

Validatie-experiment 2 leverde contra-intuïtieve resultaten op. Toen de vragen werden omgekeerd (zodat "Ja" een conservatieve houding impliceerde), vertoonde de meerderheid van de modellen grotere plasticiteit dan in de oorspronkelijke opstelling, maar in de tegenovergestelde richting van de verwachtingen.

Dit suggereert potentieel datalekken of dat modellen het "vragenlijstformaat" herkennen in plaats van oprecht aan te passen aan de ideologische framing.
Alleen Gemma- en GPT-5-modellen behielden het verwachte ideologische gedrag onder omkering.

4. Meertalige en Modelgrootte Variatie

In Experiment 4 varieerden de resultaten aanzienlijk per modelgrootte en taal:

GPT-5-modellen vertoonden consistente plasticiteit over beide assen en alle geteste talen.
Llama 3.3-70B toonde vrijwel geen plasticiteit in het Engels.
De meeste andere modellen vertoonden beperkte plasticiteit, met verschuivingen die vaak beperkt waren tot de as van Persoonlijke Vrijheid.
Subtiele maar opmerkelijke verschuivingen werden waargenomen over verschillende talen, wat aangeeft dat plasticiteit niet uniform is over linguïstische contexten.

Betekenis en Claims

Het artikel beweert dat de "neutraliteit" van LLM's niet kan worden aangenomen in politiek geladen domeinen. De studie benadrukt dat:

Plasticiteit is Model-Afhankelijk: Er is een scherp verschil in plasticiteit tussen kleine/oude modellen (beperkt/instabiel) en nieuwere frontier-modellen (betrouwbaar/verwacht).
Locatie van Prompt is Belangrijk: Interactie op gebruikersniveau (few-shot prompting) is een veel krachtiger vector voor ideologische invloed dan instructies op systeemniveau.
Methodologische Risico's: De onverwachte resultaten van omgekeerde vragen suggereren dat standaard vragenlijstgebaseerde evaluaties kunnen worden verward door format-herkenning of datalekken, wat noodzakelijkerwijs robuustere, lekbestendige methodologieën vereist.
Sociale Implicatie: Het vermogen van modellen om zich aan te passen aan gebruikersideologieën, gecombineerd met menselijk oververtrouwen in AI, vormt risico's voor de subtiele beïnvloeding van publiek discours en individueel stemgedrag.

De auteurs concluderen dat het begrijpen van de mechanismen achter deze differentiële plasticiteit cruciaal is voor de vooruitgang van het veld van LLM-ideologie en het waarborgen van de betrouwbaarheid van AI in democratische processen. Zij roepen op tot toekomstig werk om deze mechanismen te ontleden en ecologisch valide testomgevingen te ontwikkelen, zoals gesimuleerde meer-draads conversaties.