🤖 AI

Large language models accurately predict public perceptions of support for climate action worldwide

这项预注册研究表明，大型语言模型（尤其是 Claude）能够利用国家级指标准确预测全球公众对气候行动的支持程度及相关的感知差距，在提供一种快速且具有成本效益的传统调查替代方案的同时，也揭示了社会投影中存在的系统性向下偏差。

原作者： Nattavudh Powdthavee, Sandra J. Geiger

发布于 2026-01-29

📖 1 分钟阅读☕ 轻松阅读

原作者： Nattavudh Powdthavee, Sandra J. Geiger

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

大问题：“沉默的大多数”

想象一场盛大的派对，几乎每个人都想把现场的混乱清理干净。实际上，大约 89% 的人希望政府在应对气候变化方面采取更多行动，且 69% 的人愿意出一点钱来帮忙。

但问题在于：没人知道这件事。

大多数人走进派对时，心里想的是：“噢，其他人大概只会坐在沙发上无所事事吧。”这就是所谓的多元无知（pluralistic ignorance）。因为每个人都认为其他人并不关心，所以没有人站出来发声或做出贡献。他们都在等待别人先开始，从而形成了一个沉默与停滞的循环。

新工具：“超级先知”

长期以来，想要了解人们真正在想什么（以及他们认为别人在想什么）的唯一方法，就是向全球每个国家的成千上万的人发放昂贵的调查问卷。这就像雇佣一支侦探团队去采访派对上的每一位宾客。这既耗时又极其昂贵。

这篇论文的作者提出了一个新问题：人工智能（特别是大语言模型，即 LLM）能否充当一个“超级先知”，在不发送任何调查问卷的情况下，就猜出这些感受？

他们测试了四种著名的 AI 模型（GPT-4o mini、Claude 3.5 Haiku、Gemini 2.5 Flash 和 Llama 4 Maverick），看看它们是否能预测 125 个不同国家的人们在多大程度上低估了彼此的互助意愿。

结果：AI 做对了（大部分时候）

研究人员将 AI 视为一名正在参加考试的学生。他们向 AI 提供来自 125 个国家的真实数据（如 GDP、互联网使用率以及实际的调查结果），并要求它猜出“感知差距”（即人们认为他人会做什么，与他人实际会做什么之间的差异）。

明星选手： 其中一个模型 Claude 表现得异常精准。它对感知差距大小的预测误差仅为 5 个百分点左右。它的表现与传统的统计计算机模型一样出色。
亚军： Llama 也做得很好。
挣扎者： 其他两个模型（GPT 和 Gemini）准确性较低，经常低估了实际存在的差距。

类比： 想象一下，你要猜测你的邻居们愿意为新建公园支付多少钱。表现最好的 AI 模型观察了该社区的收入和人口特征，然后说：“他们认为邻居们不会付太多钱，但实际上，他们是非常愿意付钱的。”它们把数学题做对了。

AI 是如何做到的？（“魔法” vs. “推理”）

研究人员担心 AI 可能是在作弊。由于这些模型是在互联网海量的文本数据上训练出来的，它们可能只是“背诵”了最近发表的一项特定调查的答案。

为了测试这一点，他们玩了一个“找不同”的游戏：

“名称替换”测试： 他们告诉 AI：“这是法国，但这里是尼日利亚的经济统计数据。”如果 AI 只是死记硬背“法国 = X”，它就会猜 X。但 AI 根据尼日利亚的统计数据进行了判断和预测。这证明了它是在进行推理，而不是在背诵剧本。
“缺失信息”测试： 他们删除了某些特定事实（如收入水平），以观察 AI 是否仍能做出预测。表现最好的模型（Claude 和 Llama）意识到，最重要的线索仅仅是：“人们在多大程度上愿意帮助自己？” 如果人们愿意帮助自己，他们也会假设他人也是如此。这是一个被称为**社会投射（social projection）**的心理学概念。

结论： AI 不仅仅是一个查字典的工具，它更像是一位聪明的心理学家，利用逻辑来理解人类是如何看待其他人类的。

AI 在哪里表现最好？

AI 的表现并非在所有地方都一样。

“高科技”区： 在富裕且互联网使用率高的国家（如欧洲和北美），AI 非常准确。这就像一位拥有关于这些特定地区海量书籍资料的侦探。
“低科技”区： 在较贫穷或互联网接入较少的国家，AI 的准确性较低。这是因为 AI 主要是在来自富裕、联网国家的资料上进行训练的。这就像一位从未去过偏远村庄的侦探，只能根据刻板印象进行猜测。

这意味着什么？

论文得出结论，AI 可以作为一个快速、廉价的**“温度计”**，用来测量全球范围内的这些感知差距。

在富裕国家，它可以取代昂贵的调查。
在较贫穷的国家，它可以提供一个“粗略估计”，告诉我们问题最严重的区域在哪里，以便我们知道稍后在哪里开展真正的实地调查。

至关重要的是，这篇论文并非声称 AI 可以解决气候变化问题，也不是建议我们停止进行真实的调查。它仅仅是说，AI 是一个强大的新工具，可以帮助我们看到“无形”的差距——即我们所想与事实真相之间的鸿沟——从而帮助我们知道从哪里开始对话。

技术摘要：大语言模型能够准确预测全球范围内对气候行动支持度的公众感知

问题陈述

应对气候变化需要个人行为与系统性政策的协同转变。尽管全球民意调查显示人们对气候行动有着广泛的支持（例如，69% 的人愿意贡献 1% 的收入），但实际的减缓措施仍然不足。多学科研究确定的一个主要障碍是多元无知（pluralistic ignorance）：个人系统性地低估了同伴支持和行动意愿的程度。这些误解（二阶信念）通过有条件的合作机制抑制了表达出的支持与行动，从而形成了一个自我维持的不作为螺旋。

纠正这些差距需要及时、全球性的感知差异图谱。然而，生成此类数据在物流上具有挑战性且成本高昂，因为它需要从不同国家的代表性样本中获取个人态度与感知态度的配对测量数据。本研究调查了**大语言模型（LLMs）**是否可以作为一种可扩展、具有成本效益的替代方案或补充手段，用于绘制全球范围内的感知差距。

研究方法

数据与地面真值（Ground Truth）

本研究利用了全球气候变化调查（属于 2021/22 年盖洛普世界调查的一部分）的数据，涵盖 125 个国家，约有 129,902 名受访者。

结果变量： “感知差距”，定义为国家层面的“个人”对向气候行动进行经济贡献的意愿（一阶信念）与“感知到的”他人意愿（二阶信念）之间的差异。
协变量： 来自世界银行和盖洛普数据的国家级社会人口统计（年龄、受教育程度、宗教信仰）、宏观经济（人均 GDP、不平等程度、人类发展指数 HDI）和气候相关（平均气温）指标进行了聚合。

实验设计

作者进行了一项预注册实验（OSF: ez4ur），将四种最先进的 LLM 与统计基准模型进行对比：

评估的模型： GPT-4o mini、Claude 3.5 Haiku、Gemini 2.5 Flash 和 Llama 4 Maverick (17B)。
提示协议： 模型在八个连续的信息阶段（阶段 1 到阶段 8）下进行查询，范围从仅提供国家名称到提供全套社会人口、经济、气候和一阶意愿数据。
任务： 模型被指示根据提供的上下文数据，估算给定国家中认为“他人”愿意为气候行动贡献 1% 收入的受访者百分比。
基准测试： LLM 的性能与以下模型进行了比较：
- 地面真值： 实际由调查得出的感知差距。
- 统计模型： 在 80% 的国家上训练并在 20% 的留出集上进行评估的普通最小二乘法（OLS）回归和 Lasso 回归。

诊断与机制测试

为了区分结构化推理与记忆训练数据，作者采用了几种诊断测试：

特征消融（Feature Ablation）： 系统性地移除特定的输入变量（例如，移除个人意愿、GDP 或人口统计数据）以衡量对预测误差的影响。
反事实扰动（Counterfactual Perturbations）：
- 意愿翻转（Willingness Flip）： 在不同国家之间交换高/低个人意愿值。
- 名称不匹配（Name Mismatch）： 将一个国家的名称分配给其数据特征不同的另一个国家。
- GDP 翻转（GDP Flip）： 倒置各国的 GDP 值。
稳健性检查： 测试了不同的提示格式（项目符号式 vs. 句子式），并推广到 24 个替代的美国气候政策感知差距。

关键结果

预测准确性

表现最优者： Claude 3.5 Haiku 和 Llama 4 Maverick 展示了最高的准确性。
- Claude： 实现了 4.60 个百分点 (p.p.) 的平均绝对误差 (MAE)，并与地面真值具有 0.77 的相关性 ( $r$ )，其表现与 OLS (MAE 4.79) 和 Lasso (MAE 4.66) 模型相当。
- Llama： 表现相似，MAE 为 7.00 p.p.， $r = 0.67$ 。
表现较差者： GPT-4o mini 和 Gemini 2.5 Flash 表现出显著更高的误差（MAE 分别 > 13 p.p. 和 14 p.p.）以及较低的相关性。Gemini 的表现尤其糟糕（ $r = 0.15$ ），这可能是由于安全过滤或模型特定的局限性造成的。
全球模式： 所有模型都捕捉到了感知差距的广泛空间结构，其中拉丁美洲、西非和南亚的低估最为严重，而西欧的低估相对较小。

准确性的结构性预测因子

预测准确性并非均匀分布；它与信息可用性的结构性指标强相关：

互联网普及率与 GDP： 模型在互联网普及率和人均 GDP 较高的国家表现显著更好（ $R^2$ 范围为 0.08–0.27）。
偏差： 这表明存在训练数据中的代表性偏差，即 LLM 在资源丰富、数字化程度高的国家更可靠，而在贫困或连接性较低的地区准确性较低。

机制洞察

社会投射（Social Projection）： 表现最好的模型（Claude, Llama）正确识别出个人意愿（一阶信念）是感知意愿（二阶信念）的最强预测因子，这反映了人类心理过程中的社会投射。
推理 vs. 记忆：
- 消融测试： 移除个人意愿数据使 Claude 和 Llama 的误差增加了约 1.5–2.2 p.p.，证实了其对该特征的依赖。
- 反事实测试： 交换国家名称或 GDP 值对顶尖模型的影响微乎其微，表明它们依赖于所提供特征的结构化推理，而非检索记忆中的特定国家统计数据。
- 训练数据暴露： 尽管某些模型是在调查数据发布后训练的，但误差模式（随信息环境变化而非统一分布）以及表现最优秀的最新训练模型（Gemini）并未表现出最佳性能，这证明了并非纯粹的记忆检索。

意义与主张

论文声称，LLM（尤其是 Claude 和 Llama）提供了一个快速、具有成本效益的工具，用于评估全球范围内关于气候行动的感知差距。研究发现的意义如下：

可扩展性： LLM 可以绘制 125 个国家的感知差距图谱，其准确性与传统统计模型相当，为昂贵且物流困难的大规模调查提供了可行的替代方案。
针对性干预： 通过识别感知差距最大的地区（例如非洲和亚洲的特定区域），LLM 可以帮助政府和非政府组织优先处理最迫切需要且最可能有效的误解纠正工作。
互补作用： 作者谦逊地将 LLM 定位为并非完全取代调查，而是一种互补机制。它们可以在信息丰富的环境中实现成本效益高的追踪，并在资源匮乏的环境中提供初步信号，从而指导直接测量资源的部署。
机制有效性： 研究表明，LLM 能够进行复杂的二阶推理（“我认为你认为...”），并能捕捉到带有系统性向下偏差的社会投射心理机制，前提是它们基于相关的结构性和态度数据进行调节。

作者总结道，尽管在子国别粒度和在低连接度地区表现等方面存在局限性，但基于 LLM 的感知映射代表了计算社会科学在气候政策设计领域的重要进展。