论文发现移除性别或教育可降低LLM模拟选民的群体误差。
资讯摘要
论文研究数字民主中LLM模拟选民的人口统计偏差，基于三届美国总统选举，对比闭源与开源模型在不同选民人口特征下的表现，并测试AI对齐策略能否在不牺牲整体准确率的前提下缩小群体间差异。作者报告：从选民档案中移除性别可使模型最大群体误差降低22%–42%，移除教育程度可降低64%，而移除自报种族会使平均群体误差上升超过40%，且均未降低准确率；重复查询、公平性指令等常见对齐策略未能减少误差，甚至可能使其翻倍。
要点速读
- 论文基于三届美国总统选举，比较闭源与开源LLM在选民人口特征上的模拟准确性。
- 作者报告移除性别使最大群体误差降低22%–42%，移除教育程度降低64%，移除自报种族使平均群体误差上升超40%，均未降低准确率。
- 重复查询、公平性指令等常见对齐策略未减少误差，甚至可能使其翻倍。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/27 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。