✨ 要点🔬 技术摘要
想象一下，你口袋里住着一个全新的、极其聪明的数字助手。多年来，我们一直在思考：这个助手是一个人们大声发表意见的“城镇广场”，还是一个人们去处理事务的“安静图书馆”？
这篇名为《与人工智能谈论政治》（Talking Politics with Artificial Intelligence）的论文对人类与人工智能（如 ChatGPT）之间的 430 万场真实对话进行了大规模研究，旨在回答这个问题。以下是研究人员的发现，通过简单易懂的方式进行了解释：
1. “图书馆” vs. “城镇广场”
研究发现，对于大多数人来说，与 AI 讨论政治并不像 在社交媒体上发帖。它更像是去找一位图书管理员寻求帮助。
城镇广场（社交媒体）： 人们去那里是为了表演、争论、展示身份以及集结群众。图书馆（AI）： 人们去那里是为了询问：“这项法律意味着什么？”、“你能帮我给市议会起草一封信吗？”或者“帮我总结一下这份 50 页长的政府表格。”
重大发现： 约 90% 的政治相关 AI 对话都是实用型 的。用户是在寻求信息、起草文件，或是翻译晦涩难懂的政府术语。只有极小的一部分（不到 10%）的对话是人们在进行争论或表达个人政治观点。
2. “隐秘的”政治生活
论文指出，AI 正在扮演一种政治中介 的角色。可以把它想象成连接普通公民与复杂政府世界的“翻译官”。
就像现实生活中的翻译协助你在异国他乡穿行一样，AI 帮助人们应对税务、福利、法院判决和移民表格。
这种互动主要发生在私密空间内。这是一种“一对一”的对话，而非广播。用户并不是为了说服观众，而是为了解决问题。
3. “选举日”的意外发现
研究人员想要观察重大的政治事件是否会改变人们使用 AI 的方式。他们观察了 2024 年美国总统选举。
在获胜者宣布之前： 人们主要将 AI 用于实用事务，和之前一样。在获胜者确定的一瞬间： 当新闻传出唐纳德·特朗普赢得选举的消息时，情况发生了变化——专门针对美国用户 。
突然之间，美国用户开始更频繁地使用 AI 来表达观点 。
他们的语言变得更具情绪化（愤怒、兴奋或“我们 vs 他们”）。
他们的观点也变得更加极端。
至关重要的一点是： 这种变化仅 发生在美方用户身上。其他国家的民众虽然在同一天也在关注新闻，但他们并没有改变使用 AI 的方式。他们继续询问实用的问题。这证明了这种转变不仅仅是因为“发生了新闻事件”；而是因为选举结果对美国人产生了直接的情绪冲击。
4. 这些对话发生在哪里？
研究还调查了这些对话发生的场所：
私密对话（WildChat/LMSYS）： 这些对话大多是实用的。人们是在为履行公民义务而做功课。共享对话（ShareChat）： 当人们选择将 AI 对话公开（例如分享链接）时，对话性质发生了变化。它变得更像一个“城镇广场”，出现了更多的观点和争论。全球差异： 在那些获取可靠新闻渠道较少，或者政府表格非常复杂的国家，人们使用 AI 进行政治相关活动的比率比在富裕国家更高 。在这些地方，AI 充当了获取难以获得的各种基础信息的“生命线”。
核心结论
论文得出结论，AI 并未 取代公共广场。相反，它已成为一种公民效用工具 。
在大多数时间里： 它是一个用于处理公民工作中那些安静、枯燥但必不可少的事务（填写表格、理解规则）的工具。在重大时刻： 当重大事件发生时（如选举结果公布），它会短暂地转化为一个进行情绪表达和党派身份认同的场所，但仅限于那些直接受该事件影响的人群。
简而言之：我们大多使用 AI 来执行 政治（把事情办成），而偶尔才使用它来感受 政治（争论和表达）。
技术摘要：与人工智能谈论政治
问题与理论框架
表达性政治（Expressive Politics）： 如果 LLM 的功能类似于社交媒体，其使用模式应类似于面向公众的动态（观点、论辩、身份信号传递）。公民中介（Civic Intermediary）： 如果 LLM 的功能是作为应对国家的工具，其使用模式应是务实的（解释、总结、起草、文档处理）。
文章认为，LLM 占据了政治传播中一个独特的空间：它是私密的、以任务为导向的且双向互动的，这与社交媒体面向受众的性质截然不同。核心研究问题是，政治内容如何在这一私密、对话式的环境中呈现，以及它如何响应重大政治事件。
研究方法 WildChat （带有地理位置信息的经用户同意的 ChatGPT 公开交互）、LMSYS-Chat （模型对比平台交互）以及 ShareChat （用户分享的对话链接）。数据跨度为 2023 年至 2025 年。
测量策略： 分析单位为用户消息。作者采用了一种结构化的、由 LLM 辅助的编码程序，使用 GPT-4.1-mini 和 Claude-Haiku-4.5 对消息进行分类。
政治内容： 定义较为广泛，包括选举、政策、法律、公共行政和制度性导航，但不包括虚构或“办公室政治”。使用场景： 分类为信息寻求、写作/起草、文档处理、观点表达、动员和制度性协助。意识形态： 仅针对用户明确表达立场的留言进行测量，在经济和社会的左右轴上进行评分（−2 到 +2），并测量情感强度（0 到 3）。
验证： 自动化分类器通过与 3,000 条消息的人工编码基准进行了验证。政治/非政治分类器的准确率为 84.9%，精确率为 0.77，召回率为 0.92。两个 LLM 编码器之间的可靠性很高（政治分类的 Cohen's κ = 0.80 \kappa = 0.80 κ = 0.80 因果设计： 为了测试 AI 对话对政治事件的响应性，作者采用了以美联社（AP）宣布 2024 年美国总统选举结果（2024 年 11 月 6 日）为中心的回归不连续时间设计（RDiT） 。该设计通过比较美国选举结果宣布前后的美国对话，并使用美国以外的对话作为地理控制组，以将特定党派结果的影响从普遍的全球新闻关注中分离出来。
关键结果
政治使用的普遍性与性质：
政治内容在整体对话中占 3.9% （在 WildChat 中为 3.3%，在 ShareChat 中高达 18.7%）。
政治使用主要是务实的 。在政治相关的用户轮次中，64.7% 属于寻求信息/解释，13.0% 涉及写作/起草，11.8% 涉及文档处理。只有 9.4% 涉及观点或论辩。公共性至关重要： 与非分享语料库相比，ShareChat（分享链接）显示出显著更高的观点表达率（25.0%），这表明受众的存在会将使用模式从“协助”转向“表达”。深度至关重要： 政治内容的普遍性随对话长度的增加而单调递增，从单轮对话的约 2.6% 上升到长对话线程中的 12% 以上，这表明政治参与通常需要迭代式的问题解决过程。
地理差异：
在低收入和政治受限地区（如撒哈拉以南非洲，占比 5.8%），政治分享率高于北美等富裕民主国家（占比 2.3%）。这表明在受限环境下，AI 可能作为稀缺或受限政治信息的替代品。
意识形态表达：
明确的立场表达较为罕见（WildChat 中仅占政治对话的 8.2%）。
当采取立场时，经济立场略微偏左，而社会立场略微偏右。情感强度适中，意识形态极端化现象存在但并不占主导地位。
事件响应（2024 年美国大选）：
注意力 vs. 表达： 美联社的结果宣布增加了全球范围内的政治对话普遍性（包括美国以外地区），这符合议程设置理论。表达性转变： 然而，只有美国用户经历了显著的对话特征变化。在结果宣布后，美国政治对话中的立场表达增加了 8.5 个百分点 ，情感强度增加了 6.4 个百分点 。地理特异性： 非美国对话并未出现类似的转变，从而排除了平台级的人为因素或普遍的新闻冲击。机制： 这种表达性的增加并非仅仅由于选举主题提示词的激增；该效应在非选举相关的政治话题（政策、移民等）中依然存在，这表明选举结果作为一个信号，激活了跨领域的表达性政治。
意义与贡献
方法论层面： 开发并验证了一套程序，用于测量大规模、多语言人类—AI 语料库中的政治内容、使用场景和意识形态表达。它证明了这些痕迹揭示了一种政治传播形式（私密的、以任务为导向的需求），而这种形式在调查研究和社会媒体数据中很大程度上被忽视了。理论层面： 将 LLM 重新定位为公民中介 ，而非仅仅是公共广场。研究结果表明，公民主要使用 AI 来应对国家的行政和信息负担（解释政策、起草申诉、翻译规则）。然而，当重大政治事件使利益相关性变得明确时，系统能够转向表达性、党派性和情感性的动态。
作者得出结论：LLM 吸收了常规的公民需求，但也记录了公共事件带来的党派和情感冲击，其作为一个双重用途的界面运行——默认情况下是务实的，但在特定的政治条件下则具有表达性。
每周获取最佳 quantitative finance 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。