Talking Politics with Artificial Intelligence

Resumo Técnico: Conversando sobre Política com Inteligência Artificial

Problema e Estrutura Teórica
Este artigo investiga o papel dos Grandes Modelos de Linguagem (LLMs) na comunicação política, abordando especificamente se esses sistemas funcionam como novas arenas para a expressão política pública ou como intermediários conversacionais para a demanda política rotineira. A literatura existente trata os modelos de IA majoritariamente como objetos de avaliação (por exemplo, fontes de viés ou persuasão) ou analisa seus resultados. Este estudo desloca o foco para o "lado da demanda": os próprios comandos (prompts) do usuário. Os autores postulam duas possibilidades teóárias concorrentes:

1. Política Expressiva: Se os LLMs funcionarem como as redes sociais, o uso deve se assemelhar a dinâmicas voltadas ao público (opinião, argumento, sinalização de identidade).
2. Intermediário Cívico: Se os LLMs funcionarem como ferramentas para navegar pelo Estado, o uso deve ser prático (explicação, sumarização, redação, processamento de documentos).

O artigo argumenta que os LLMs ocupam um espaço único na comunicação política: privado, orientado a tarefas e diádico, distinto da natureza voltada para a audiência das redes sociais. A questão central de pesquisa é como o conteúdo político se manifesta neste ambiente conversacional privado e como ele responde a grandes eventos políticos.

Metodologia
O estudo utiliza um conjunto de dados de 4,30 milhões de conversas humano–IA provenientes de três corpora públicos: WildChat (interações públicas consentidas do ChatGPT com geolocalização), LMSYS-Chat (interações de plataforma de comparação de modelos) e ShareChat (links de conversas compartilhados por usuários). Os dados abrangem de 2023 a 2025.

• Estratégia de Mensuração: A unidade de análise é a mensagem do usuário. Os autores empregam um procedimento de codificação estruturado, assistido por LLM, utilizando GPT-4.1-mini e Claude-Haiku-4.5 para classificar as mensagens.
  • Conteúdo Político: Definido amplamente para incluir eleições, políticas, leis, administração pública e navegação institucional, excluindo política ficcional ou "política de escritório".
  • Casos de Uso: Categorizados em busca de informação, escrita/redação, processamento de documentos, expressão de opinião, mobilização e auxílio institucional.
  • Ideologia: Medida apenas para mensagens onde o usuário expressa explicitamente uma posição, pontuada nos eixos econômico e social esquerda-direita (−2 a +2) e intensidade afetiva (0 a 3).
• Validação: Os classificadores automatizados foram validados contra um benchmark de codificação humana de 3.000 mensagens. O classificador político/não-político alcançou 84,9% de precisão, 0,77 de precisão (precision) e 0,92 de revocação (recall). A confiabilidade entre os dois codificadores de LLM foi alta (Cohen's $\kappa = 0,80$ para classificação política).
• Desenho Causal: Para testar a responsividade da conversa de IA aos eventos políticos, os autores utilizam um desenho de Descontinuidade de Regressão no Tempo (RDiT) centrado na chamada da Associated Press (AP) para a eleição presidencial dos EUA de 2024 (6 de novembro de 2024). Este desenho compara conversas dos EUA imediatamente antes e depois da chamada do resultado, utilizando conversas fora dos EUA como um grupo de controle geográfico para isolar o efeito do resultado partidário específico da atenção geral às notícias globais.

Principais Resultados

1. Prevalência e Natureza do Uso Político:

   • O conteúdo político aparece em 3,9% das conversas no total (variando de 3,3% no WildChat a 18,7% no ShareChat).
   • O uso político é predominantemente prático. Entre os turnos políticos dos usuários, 64,7% buscam informação/explicação, 13,0% envolvem escrita/redação e 11,8% envolvem processamento de documentos. Apenas 9,4% envolvem opinião ou argumento.
   • A publicidade importa: O ShareChat (links compartilhados) mostra taxas significativamente mais altas de expressão de opinião (25,0%) em comparação com os corpora não compartilhados, sugerindo que a presença de uma audiência desloca o uso da assistência para a expressão.
   • A profundidade importa: A prevalência política aumenta monotonicamente com a extensão da conversa, subindo de ~2,6% em trocas de turno único para mais de 12% em fios (threads) mais longos, indicando que o engajamento político frequentemente exige resolução iterativa de problemas.

2. Variação Geográfica:

   • A parcela política é maior em regiões de baixa renda e politicamente restritas (ex: África Subsaariana com 5,8%) em comparação com democracias ricas como a América do Norte (2,3%). Isso sugere que a IA pode servir como um substituto para informações políticas escassas ou censuradas em ambientes restritos.

3. Expressão Ideológica:

   • A tomada de posição explícita é rara no geral (8,2% das conversas políticas no WildChat).
   • Quando a posição é assumida, as posições econômicas inclinam-se levemente à esquerda, enquanto as posições sociais inclinam-se levemente à direita. A intensidade afetiva é moderada, e a extremidade ideológica está presente, mas não é dominante.

4. Resposta a Eventos (Eleição de 2024 nos EUA):

   • Atenção vs. Expressão: A chamada do resultado da AP aumentou a prevalência da conversa política globalmente (incluindo fora dos EUA), consistente com a teoria da agenda-setting.
   • Mudança Expressiva: No entanto, o caráter da conversa mudou significamente apenas para usuários dos EUA. Pós-chamada, as conversas políticas nos EUA registraram um aumento de 8,5 pontos percentuais na tomada de posição e um aumento de 6,4 pontos na carga afetiva.
   • Especificidade Geográfica: Nenhuma mudança comparável ocorreu em conversas fora dos EUA, descartando artefatos da plataforma ou choques gerais de notícias.
   • Mecanismo: O aumento na expressão não se deveu apenas a um pico de comandos sobre o tema eleitoral; o efeito persistiu em tópicos políticos não relacionados à eleição (políticas, imigração, etc.), sugerindo que o resultado atuou como um gatilho que ativou a política expressiva em diversos domínios.

Significância e Contribuições
O artigo apresenta duas contribuições primárias:

1. Metodológica: Desenvolve e valida um procedimento para medir conteúdo político, casos de uso e expressão ideológica em grandes corpora humanos–IA multilíngues. Demonstra que esses rastros revelam uma forma de comunicação política (demanda privada, orientada a tarefas) amplamente ignorada por pesquisas e dados de redes sociais.
2. Teórica: Reposiciona os LLMs como intermediários cívicos em vez de apenas praças públicas. Os achados sugerem que os cidadãos utilizam a IA primordialmente para navegar pelas cargas administrativas e informacionais do Estado (interpretar políticas, redigir recursos, traduzir regras). No entanto, o sistema é capaz de se deslocar para dinâmicas expressivas, partidárias e afetivas quando eventos políticos de grande escala tornam os riscos explícitos para o usuário.

Os autores concluem que os LLMs absorvem a demanda cívica rotineira, mas registram os choques partidários e afetivos de eventos públicos, operando como uma interface de duplo propósito que é prática por padrão, mas expressiva sob condições políticas específicas.