🤖 machine learning

Large Language Models as Implicit Sociological Models: Reconstructing Voting Behaviour from Sociodemographic Profiles

本文提出了一种将大语言模型视为隐性社会学工具的方法论框架，用于从社会人口统计特征中重构聚合投票行为，证明了其在准确复制现实世界选举结果和政治结构方面的能力，同时突显了其作为计算社会科学探索性工具的效用。

原作者： Roman Neruda, Martin Bakoš, Josef Šlerka, Vít Tuček, Petra Vidnerová, Gabriela Kadlecová

发布于 2026-08-18

📖 1 分钟阅读☕ 轻松阅读

原作者： Roman Neruda, Martin Bakoš, Josef Šlerka, Vít Tuček, Petra Vidnerová, Gabriela Kadlecová

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

在研究人们如何投票的过程中，政治学家长期以来一直依赖于一个简单的真理：你的身份往往预示了你的投票倾向。一个人的年龄、受教育程度、收入以及居住地，构成了一个与他们的政治选择密切相关的统计特征。几十年来，研究人员通过调查问卷来绘制这些联系，询问成千上万的人关于他们的生活和选票的问题，以寻找塑造选举的模式。但随着数字时代的到来，一个新问题出现了：一个经过训练的计算机程序，通过阅读互联网上浩如烟海的人类文字，是否在从未向任何人提问的情况下，就已经掌握了这些模式？大型语言模型——即现代聊天机器人背后的强大人工智能系统——是通过阅读数十亿份文档构建而成的。在此过程中，它们吸收了人类文化的统计规律，包括个人背景与政治倾向之间那些不言而喻的联系。这提出了一个迷人的可能性：这些模型是否可以作为社会的压缩镜像，仅仅因为它们阅读了大量相关内容，就持有一个关于人口统计特征如何转化为选票的隐藏地图？

来自捷克共和国的一个研究小组决定利用 2021 年捷克议会选举作为实验室，来测试这一想法。他们并没有要求人工智能预测选举的获胜者，也没有让它解释为什么某个特定的人选择了某个政党。相反，他们将这些模型视为一种社会学工具，一种从底层重建国家集体行为的方式。研究人员获取了一份包含近 4,000 名捷克公民的真实调查数据，每位公民都有详细的年龄、性别、受教育程度、收入甚至对政治兴趣的资料。他们将这些描述逐一输入到四个不同版本的语言模型中。对于每一个人，模型都被问及一个简单的问题：基于这个特定的生活故事，你会投给谁？模型不仅仅是选择一个政党；它还计算了投票给每个主要政党的概率，以及该人完全不投票的可能性。

随后，研究人员将这些成千上万次的个人猜测组合成一张单一的国家图景。他们使用了一种将每个概率视为“部分选票”的方法，使最终结果能够从许多微小的确定性中浮现，而不是通过单一的强制选择得出。当他们将这种模拟选举与实际官方结果进行对比时，匹配度惊人地接近。模型重现最终得票率的平均误差仅为 2.5 个百分点左右，这一准确度足以媲美专业机构进行的优质选前民调。更重要的是，这次模拟不仅得到了正确的数字，还捕捉到了捷克政治的隐藏结构。模型正确地识别出某些政党自然地聚集在一起，形成了两个截然不同的政治阵营，这反映了该国现实世界中的盟友关系与竞争关系。它们还重现了选民在政党之间流动的特定方式，表明人工智能在未被告知的情况下，理解了为何某一联盟的选民经常转向另一方，而对立阵营的选民则很少跨越分歧。

研究表明，模型的规模至关重要。更大、更强大的人工智能版本能够更好地区分不同类型的选民，捕捉到年轻受教育者与年长低受教育者在投票方式上的细微差别。较小的模型则倾向于预测所有人的平均值，从而忽略了人口统计景观中的细微差别。然而，即使是较小的模型也成功恢复了政治版图的大致轮廓。研究人员还检查了模型在获得具体个人细节之前的知识储备。他们发现，模型已经具备了对选举结果的强大内置知识，这很可能是因为选举结果在它们接受训练的文本中被频繁讨论。然而，这项实验的真正价值不在于这种预先存在的知识，而在于分解这种知识的能力。通过输入个人资料，研究人员可以观察模型如何将这些知识分布到不同的地区和社会群体中，有效地将一个静态的事实转化为了一个动态的、具有结构的社会地图。

至关重要的一点是，作者强调这并不是一个预测未来或取代人类调查的工具。这些模型并不理解人们为什么这样投票；它们没有关于人类决策过程的因果理解。它们仅仅是在反映它们在训练文本中所看到的模式。如果互联网上充满了将教育程度与特定政党联系起来的文章，模型就会学习这种联系。这项工作的价值在于其作为一种诊断工具的能力，允许科学家去审视模型吸收了哪些人类文化。它表明，尽管这些系统主要是在英语数据上进行训练的，但它们已经内化了非英语母语、多党制民主国家的社会学规律。研究人员总结道，虽然这些模型并非现实的完美镜像，但它们足以重建一个社会政治行为的骨架，为探索“我们是谁”与“我们如何投票”之间的隐藏联系提供了一种新的途径。

技术摘要：作为隐性社会学模型的语言大模型

问题陈述

政治学早已确立了社会人口统计特征（如受教育程度、收入、年龄）与投票行为之间存在强相关性。然而，对这些关系进行建模通常需要显式的统计框架（如多层回归结合后分层法，MRP）或大规模调查数据。语言大模型（LLMs）在海量互联网语料库上进行训练，隐性地编码了关于社会身份和政治态度的统计规律。核心研究问题在于，这些潜在表征是否具有足够的结构性，能够仅凭个人层面的社会人口统计特征来重建聚合的投票行为，特别是在训练数据可能稀疏或存在偏差的复杂、非英语、多党制背景下。

研究方法

作者提出了一个将 LLM 视为“隐性社会学模型”而非预测智能体的框架。该方法包含三个核心组件：

1. 数据与条件设定

来源数据： 本研究利用了“不信任社会”（Society of Distrust）调查数据（ $N=3,880$ ），这是一个包含捷克成年人口社会人口统计变量及 2021 年捷克议会选举自报投票行为的代表性数据集。
输入特征： 模拟过程基于 10 个变量进行条件化：性别、年龄、受教育程度、地区、区划、市镇规模、就业状态、家庭收入、主观生活标准以及对政治的兴趣。值得注意的是，为了测试仅靠一般人口统计特征是否足够，研究排除了特定的政治立场（如对北约的看法）。
提示词工程： 每个受访者的特征被转换为捷克语的自然语言提示词。模型被要求估算投票率以及特定政党（如 ANO、SPOLU、PirSTAN、SPD 等）的条件概率。
评估的模型： 测试了四种 OpenAI 模型：GPT-4o-mini、GPT-4o、GPT-4.1-nano 和 GPT-4.1。所有查询均使用温度系数 0，并采用结构化 JSON 输出以确保可重复性。

2. 软投票聚合

为了应对 LLM 预测中已知的噪声和偏差，作者采用了软投票程序，而非硬投票（离散选择）。

对于每个受访者 $i$ 和政党 $p$ ，计算其投票权重 $w_{i,p}$ 为预测的投票参与概率与条件政党概率之积： $w_{i,p} = P(\text{投票}|i) \times P(p|\text{投票}, i)$ 。
聚合得出的得票率是通过在所有受访者和政党之间对这些权重进行归一化处理得到的。这种方法保留了不确定性，并允许个体层面的误差在人口层面相互抵消。

3. 验证策略

该框架通过三个不同的目标进行验证：

官方结果： 捷克统计局的实际选举结果。
自报行为： 调查受访者声称的投票行为。
结构基准：
- 民调机构： 与 STEM、Median 和 Kantar CZ 的选前民调进行比较。
- 意识形态几何： 使用基于多维尺度分析（MDS）的政党位置进行 Procrustes 分析，与查佩尔希尔专家调查（CHES）进行对齐。
- 选民流向： 将模拟的政党间关系相关性与来自 PAQ Research 的经验选民转移数据进行对比。

关键结果

聚合准确度

表现最好的模型（GPT-4o 和 GPT-4.1）相对于官方选举结果实现了约 2.5 个百分点的平均绝对误差（MAE）。这一准确度与高质量的选前民调机构相当。
较小的模型（如 GPT-4.1-nano）表现出更高的误差率，并呈现向人口平均值回归的趋势，通常会对相当一部分受访者分配绝对零概率的投票参与度（GPT-4.1-nano 为 61.37%）。

结构恢复

政治阵营： 尽管无法获取选举统计数据，模型仍成功恢复了捷克体制中两个主要的政治阵营：SPOLU–PirSTAN 同盟和 ANO–SPD–KSČM 集群。
相关矩阵： 模拟的得票率展现出了镜像现实世界选民流向的相关结构。例如，在 SPOLU 和 PirSTAN 之间发现了强正相关（0.76），反映了记录在案的反对 Babiš 选民的战略性整合；而在 ANO 与 PirSTAN 之间则存在强负相关（-0.81）。
意识形态对齐： Procrustes 分析显示，模型（特别是 GPT-4o）所暗示的政党几何排列与来自 CHES 的专家编码位置高度一致，仅在 SPOLU 联盟方面存在轻微偏差。

输入敏感性

多变量方差分析（MANOVA）证实，模型系统性地利用了输入变量。受教育程度和年龄在所有模型中表现出最大的效应，这与既有的社会学文献一致。
模型对态度变量（如政治兴趣）表现出敏感性，表明它们编码了态度在人口统计特征与政党偏好之间的中介作用。

意义与主张

作者明确将这项工作界定为方法论贡献，而非预测性的突破。

LLM 作为压缩的社会现实： 研究表明，LLM 起到了“高维压缩器”的作用，压缩了社会政治的规律性。它们并不“了解”因果机制，但吸收了训练数据中存在的关于人口统计特征与投票模式之间的统计关联。
探索性工具： 该框架作为一个工具，可供计算社会科学系统地审视模型编码了哪些社会政治结构。它允许生成假设并测试结构对应关系，而无需新的调查数据。
与预测的区别： 作者警告说，其价值在于结构而非准确度。虽然模型可以重构聚合结果，但个体层面的预测是充满噪声且存在偏差的。该框架并非旨在取代调查或预测未来选举，而是旨在绘制嵌入在语言模型中的“潜在社会知识”。
认识论与伦理限制： 论文承认这些模型反映了其训练数据的论述（可能向自由派、高收入、高教育程度视角倾斜），并且不是因果智能体。此外，作者强调了此类人口统计到政治映射能力的伦理风险，即可能被误用于精准投放广告，并倡导透明度和负责任的使用。

总之，本文验证了当代语言大模型在通过人口统计特征进行条件化并通过软投票进行聚合时，能够重构一个复杂的、非英语多党制的聚合投票行为和政治几何结构，从而为探索编码的社会现实规律提供了一种新颖的工具。