Η γωνία του Anderson
Τα Chatbots του AI Έχουν Κλίση προς τα Αριστερά Όταν Ψηφίζουν για Πραγματικά Νόμους

Βασικά σημείαΤα μεγάλα γλωσσικά μοντέλα ψηφίζουν σταθερά με κεντροαριστερές παρατάξεις σε…
Δείτε περισσότερα
- Τα μεγάλα γλωσσικά μοντέλα ψηφίζουν σταθερά με κεντροαριστερές παρατάξεις σε πραγματικές κοινοβουλευτικές προτάσεις σε τρεις χώρες.
- Κάποια μοντέλα αλλάζουν την πολιτική τους στήριξη με βάση αποκλειστικά το ποιος πολιτικός κόμος υποβάλλει την πρόταση.
- Τα μοντέλα GPT δείχνουν υψηλή βεβαιότητα στις αριστερές τους ψήφους, ενικά τα μοντέλα ανοιχτού βάρους είναι πιο διστακτικά.
Στην πρώτη μελέτη του είδους της, που χρησιμοποιεί δεδομένα του πραγματικού κόσμου σε μεγάλη κλίμακα, το ChatGPT και άλλα Μεγάλα Μοντέλα Γλώσσας (LLM) δοκιμάστηκαν σε χιλιάδες πραγματικές ψηφοφορίες του κοινοβουλίου και συχνά συσχετίζονταν με κόμματα της αριστεράς και του κέντρου-αριστερά, ενώ έδειξαν ασθενέστερη συσχέτιση με συντηρητικά κόμματα σε τρεις χώρες.
Σε μια νέα ακαδημαϊκή συνεργασία μεταξύ της Ολλανδίας και της Νορβηγίας, ζητήθηκε από μεγάλα γλωσσικά μοντέλα τύπου ChatGPT (LLM), συμπεριλαμβανομένου του ίδιου του ChatGPT, να ψηφίσουν σε χιλιάδες πραγματικές προτάσεις του κοινοβουλίου που είχαν ήδη αποφασιστεί από ανθρώπινους νομοθέτες σε τρεις χώρες.
Όταν συγκρίθηκαν με τις καταγεγραμμένες ψήφους των πραγματικών κομμάτων και χαρτογραφήθηκαν σε έναν τυπικό πολιτικό άξονα, το πρότυπο που προέκυψε τοποθέτησε τα AI συνεχώς πιο κοντά σε προοδευτικά και κεντρώα-αριστερά κόμματα, και πιο μακριά από συντηρητικά κόμματα.
Το έγγραφο αναφέρει:
‘Τα ευρήματά μας αποκαλύπτουν σταθερές κεντροαριστερές και προοδευτικές τάσεις σε όλα τα μοντέλα, μαζί με συστηματική αρνητική προκατάληψη προς τα δεξιά-συντηρητικά κόμματα, και δείχνουν ότι αυτά τα πρότυπα παραμένουν σταθερά υπό παραφρασμένες προτροπές.’
Οι περισσότερες προηγούμενες μελέτες, όπως Αξιολόγηση Πολιτικής Προκατάληψης σε Μεγάλα Μοντέλα Γλώσσας, και αυτές που αναθεωρήθηκαν στο Εντοπισμός Πολιτικής Προκατάληψης στο AI, χρησιμοποιούν μικρές επιλεγμένες δοκιμασίες, όπως πολιτικές δοκιμασίες ή ερωτηματολόγια πολιτικής, για να διερευνήσουν την ιδεολογία του AI. Δοκιμασίες αυτού του είδους συνήθως περιλαμβάνουν λιγότερες από 100 δηλώσεις, επιλεγμένες από ερευνητές, και μπορεί να είναι ευάλωτες σε επιπτώσεις αναδιατύπωσης που μπορούν να αντιστρέψουν τις απαντήσεις του μοντέλου.
Αντίθετα, η νέα μελέτη χρησιμοποιεί χιλιάδες πραγματικές προτάσεις του κοινοβουλίου από τρεις χώρες – την Ολλανδία, τη Νορβηγία και την Ισπανία – χρησιμοποιώντας καταγεγραμμένες ψήφους από γνωστά πολιτικά κόμματα.
Αντί να ερμηνεύουν σύντομες δηλώσεις, κάθε Μεγάλο Μοντέλο Γλώσσας (LLM) που δοκιμάστηκε ζητήθηκε να ψηφίσει σε πραγματικές νομοθετικές προτάσεις. Οι ψήφοι του μοντέλου τότε αντιστοιχίστηκαν ποσοτικά με την πραγματική συμπεριφορά του κόμματος και προβλήθηκαν σε έναν τυπικό ιδεολογικό χώρο, μια έρευνα Chapel Hill (CHES), μια μεθοδολογία συχνά χρησιμοποιούμενη από πολιτικούς επιστήμονες για να συγκρίνουν τις θέσεις των κομμάτων.
Αυτό εδραιώνει την ανάλυση σε μεγάλης κλίμακας, πραγματική νομοθετική δραστηριότητα αντί για αφηρημένες πολιτικές δηλώσεις, και επιτρέπει πιο λεπτομερείς, διακρατικές συγκρίσεις. Επίσης, τονίζει την επιζήμια επίδραση της προκατάληψης οντοτήτων (πώς η απάντηση του μοντέλου αλλάζει όταν αναφέρεται ένα όνομα κόμματος, ακόμη και όταν η πρόταση παραμένει αμετάβλητη), φωτίζοντας ένα δεύτερο επίπεδο ανίχνευσης προκατάληψης που δεν είναι παρόν σε προηγούμενες μελέτες.
Οι περισσότερες μελέτες για τις προκαταλήψεις των LLM έχουν επικεντρωθεί στην κοινωνική δικαιοσύνη και το φύλο, μεταξύ άλλων παρόμοιων θεμάτων που έχουν γίνει κάπως υποβαθμισμένα τον τελευταίο πολιτικό χρόνο· μέχρι πρόσφατα, οι μελέτες για την πολιτική προκατάληψη των LLM ήταν σπανιότερες και λιγότερο μελετημένες.
Η νέα εργασία έχει τον τίτλο Αποκάλυψη Πολιτικής Προκατάληψης σε Μεγάλα Μοντέλα Γλώσσας χρησιμοποιώντας Εγγραφές Ψηφοφοριών του Κοινοβουλίου, και προέρχεται από επτά ερευνητές του Vrije Universiteit στο Άμστερνταμ και του Πανεπιστημίου του Όσλο.
Μέθοδος και Δεδομένα
Η κεντρική πρόταση της νέας εργασίας είναι να παρατηρήσει τις πολιτικές τάσεις μιας ποικιλίας μοντέλων γλώσσας, ζητώντας τους να ψηφίσουν σε ιστορική νομοθεσία (δηλαδή, νόμους που είχαν ήδη ψηφιστεί ή απορριφθεί στην πραγματική ζωή, σε τρεις χώρες) και χρησιμοποιώντας τη μεθοδολογία CHES για να χαρακτηρίσει το πολιτικό χρώμα των απαντήσεων των LLM.
Για αυτόν τον σκοπό, οι ερευνητές δημιούργησαν τρία σύνολα δεδομένων: PoliBiasNL, για να καλύψουν 15 κόμματα στη Κάτω Βουλή της Ολλανδίας (με 2.701 προτάσεις); PoliBiasNO, για να καλύψουν εννέα κόμματα στο Storting της Νορβηγίας (με 10.584 προτάσεις); και PoliBiasES, για να καλύψουν δέκα κόμματα στο ισπανικό κοινοβούλιο (με 2.480 προτάσεις – και το μόνο σύνολο δεδομένων που περιλαμβάνει ψήφους αποχής, οι οποίες επιτρέπονται στην Ισπανία).
Κάθε πρόταση περιορίστηκε στις ουσιαστικές προτεινόμενες διατάξεις της για να ελαχιστοποιήσει τις επιπτώσεις του πλαισίου, και οι θέσεις των κομμάτων κωδικοποιήθηκαν ως 1 για να υποδείξουν υποστήριξη, ή –1 για να υποδείξουν αντίθεση (και, στο ισπανικό σύνολο δεδομένων, 0 για να αντανακλούν ψήφους αποχής). Συνεχείς ψήφοι από συγχωνευμένα κόμματα αντιμετωπίστηκαν ως ένα ενιαίο μπλοκ, ενώ για νέα κόμματα όπως το New Social Contract (NSC), οι προηγούμενες ψήφοι των ηγετών τους χρησιμοποιήθηκαν για να συναχθούν οι προηγούμενες θέσεις.
Μια ποικιλία πειραμάτων σχεδιάστηκε για μια σειρά από LLM, που δοκιμάστηκαν είτε σε τοπικούς GPU είτε μέσω API, ανάλογα με τις ανάγκες. Τα μοντέλα που δοκιμάστηκαν ήταν Mistral-7B; Falcon3-7B; Gemma2-9B; Deepseek-7B; GPT-3.5 Turbo; GPT-4o mini; Llama2-7B; και Llama3-8B. Δοκιμάστηκαν επίσης μοντέλα LLM ειδικά για συγκεκριμένες γλώσσες, αυτά ήταν NorskGPT για το νορβηγικό σύνολο δεδομένων, και Aguila-7B για το ισπανικό σύνολο δεδομένων.
Δοκιμές
Οι δοκιμές που διεξήχθησαν για το έργο εκτελέστηκαν σε μη καθορισμένο αριθμό GPU NVIDIA A4000, καθεμία με 16GB VRAM.
Για να συγκρίνουν τη συμπεριφορά του μοντέλου με τις πραγματικές πολιτικές ιδεολογίες, οι ερευνητές προέβαλαν κάθε LLM στον ίδιο δισδιάστατο ιδεολογικό χώρο που χρησιμοποιείται για τα πολιτικά κόμματα, με βάση το προαναφερθέν πλαίσιο CHES.
Το σύστημα CHES ορίζει δύο άξονες: ένας για τις οικονομικές απόψεις (αριστερά vs δεξιά) και ένας για τις κοινωνικο-πολιτιστικές αξίες (GAL-TAN, ή Πράσινο-Εναλλακτικό-Ελευθεριακό vs Παραδοσιακό-Αυταρχικό-Εθνικιστικό).
Επειδή και τα μοντέλα και τα πολιτικά κόμματα είχαν ψηφίσει στις ίδιες προτάσεις, οι ερευνητές αντιμετώπισαν αυτό ως ένα επιβλεπόμενο έργο μάθησης, εκπαιδεύοντας ένα Partial Least Squares regression model για να αντιστοιχίσει το αρχείο ψηφοφοριών κάθε κόμματος με τις γνωστές συντεταγμένες CHES.
Αυτό το μοντέλο εφαρμόστηκε στη συνέχεια στις τάσεις ψηφοφοριών των LLM για να εκτιμήσει τις θέσεις τους στον ίδιο χώρο. Εφόσον τα LLM δεν ήταν μέρος των δεδομένων εκπαίδευσης, οι συντεταγμένες τους θα πρόσφεραν μια άμεση σύγκριση με βάση μόνο τη συμπεριφορά ψηφοφοριών*:

Προβεβλημένες ιδεολογικές θέσεις των LLM και των πολιτικών κομμάτων στον χώρο CHES για την Ολλανδία, τη Νορβηγία και την Ισπανία. Και στις τρεις περιπτώσεις, τα μοντέλα ευθυγραμμίζονται οικονομικά με την κεντροαριστερά, αλλά διαφέρουν στις κοινωνικοπολιτισμικές αξίες: είναι πιο παραδοσιακά από τους Ολλανδούς προοδευτικούς, ευθυγραμμίζονται περισσότερο με τα νορβηγικά φιλελεύθερα κόμματα και συγκεντρώνονται μεταξύ μετριοπαθών Καταλανών εθνικιστών και κεντροαριστεράς στην Ισπανία. Παραμένουν ιδεολογικά μακριά από τα ακροδεξιά κόμματα σε όλες τις περιοχές. Πηγή
Τα LLM έδειξαν ένα σαφές και συνεχές πρότυπο σε όλες τις τρεις χώρες, κλίνοντας οικονομικά προς το κέντρο-αριστερά και κοινωνικά προς τις μετριοπαθείς προοδευτικές αξίες.
Στην Ολλανδία, οι ψήφοι των LLM αντιστοιχούσαν με τις οικονομικές θέσεις κομμάτων όπως το D66, το Volt και το GroenLinks-PvdA· αλλά σε κοινωνικά θέματα, βρέθηκαν πιο κοντά σε παραδοσιακά κόμματα όπως το DENK και το CDA.
Στη Νορβηγία, τα αποτελέσματα μετατοπίστηκαν ελαφρώς πιο αριστερά, αντιστοιχώντας στενά με προοδευτικά κόμματα όπως το Ap, το SV και το MDG.
Στην Ισπανία, οι θέσεις των LLM σχημάτισαν μια διαγώνια εξάπλωση μεταξύ του κέντρου-αριστερά PSOE και των καταλανικών εθνικιστικών κομμάτων όπως το ERC και το Junts, παραμένοντας μακριά από το συντηρητικό PP και το ακροδεξιά VOX.
Συμφωνία Ψηφοφοριών με Πολιτικά Κόμματα
Οι θερμογραφίες συμφωνίας ψηφοφοριών που εμφανίζονται παρακάτω δείχνουν πόσο συχνά κάθε LLM ψήφισε με τον ίδιο τρόπο με τα πραγματικά πολιτικά κόμματα, επαναλαμβάνοντας προηγούμενα συμπεράσματα:

Θερμογραφίες συμφωνίας ψηφοφοριών μεταξύ LLM και πραγματικών πολιτικών κομμάτων, με βάση τις απευθείας συγκρίσεις των αποφάσεων του μοντέλου και του κόμματος. Σκοτεινότερες αποχρώσεις δείχνουν ισχυρότερη συμφωνία. Σε όλες τις τρεις χώρες, τα μοντέλα έδειξαν συνεχώς υψηλή ευθυγράμμιση με προοδευτικά και κέντρο-αριστερά κόμματα, και πολύ χαμηλότερη ευθυγράμμιση με δεξιά-συντηρητικά και ακροδεξιά κόμματα. Αυτό το πρότυπο ευθυγράμμισης είναι σταθερό σε διαφορετικές γλώσσες, πολιτικά συστήματα και οικογένειες μοντέλων.
Σε όλες τις τρεις χώρες, τα LLM ευθυγραμμίζονταν περισσότερο με προοδευτικά και κέντρο-αριστερά κόμματα, και λιγότερο με συντηρητικά ή ακροδεξιά κόμματα. Στην Ολλανδία, συμφωνούσαν με το SP, το PvdD, το GroenLinks-PvdA και το DENK, αλλά όχι με το PVV ή το FvD. Στη Νορβηγία, έδειξαν την ισχυρότερη επικάλυψη με το R, το SV και το MDG, και λίγη με το FrP. Στην Ισπανία, ευνοούσαν το PSOE, το ERC και το Junts, ενώ αποφεύγαν το PP και το VOX.
Αυτό ίσχυε επίσης για τα τοπικά μοντέλα NorskGPT και Aguila-7B. Οι συγγραφείς υποδεικνύουν ότι οι θερμογραφίες και τα δεδομένα CHES μαζί δείχνουν μια συνεχή κλίση προς το κέντρο-αριστερά, κοινωνικά προοδευτική.
Ιδεολογική Προκατάληψη
Τα μοντέλα γλώσσας που έδειξαν ισχυρότερη ιδεολογική ευθυγράμμιση στις προβολές CHES είχαν επίσης την τάση να εκφράζουν υψηλότερη βεβαιότητα όταν αναγκάστηκαν να επιλέξουν μεταξύ των token υπέρ και κατά, σε απάντηση σε ιδεολογικές προτροπές. Τα διαγράμματα βιολιού των κατανομών αυτών των βεβαιοτήτων αποκαλύπτουν μια σαφή διάσταση:

Κατανομές βεβαιοτήτων για κάθε μοντέλο όταν αναγκάστηκαν να επιλέξουν μεταξύ ‘υπέρ’ και ‘κατά’ σε ιδεολογικές προτροπές. Τα μοντέλα GPT εμφανίζουν συνεχώς υψηλή βεβαιότητα, ενώ τα μοντέλα Llama ποικίλλουν στη βεβαιότητα και άλλα μοντέλα με ανοικτά βάρη εμφανίζουν ευρύτερες, χαμηλότερης βεβαιοτήτας κατανομές. Παρακαλώ αναφερθείτε στο αρχικό PDF για καλύτερη ανάλυση.
Τα GPT-3.5 και GPT-4o-mini έδωσαν πολύ βέβαιες απαντήσεις, με βαθμολογίες που συγκεντρώθηκαν κοντά στο 1.0, υποδεικνύοντας σαφείς και συνεχείς ιδεολογικές κλίσεις. Τα μοντέλα Llama ήταν λιγότερο βέβαια συνολικά, με το Llama3-8B να εμφανίζει μέτρια βεβαιότητα, και το Llama2-7B πολύ λιγότερο σίγουρο – ιδιαίτερα στις ολλανδικές και ισπανικές εργασίες.
Το Falcon3-7B, το DeepSeek-7B και το Mistral-7B ήταν ακόμη πιο διστακτικά, με ευρείες διασπορές και χαμηλότερη βεβαιότητα. Τα γλωσσικά μοντέλα LLM έκαναν κάπως καλύτερα στα δεδομένα της μητρικής τους γλώσσας, αλλά vẫn έμειναν πίσω από τη βεβαιότητα του GPT. Συνολικά, τα αποτελέσματα δείχνουν ότι η σταθερή πολιτική ευθυγράμμιση μπορεί να φανεί όχι μόνο σε αυτό που λένε τα μοντέλα, αλλά και με πόση βεβαιότητα το λένε.
Προκατάληψη Οντοτήτων
Για να δουν αν τα μοντέλα αλλάζουν τις απαντήσεις τους με βάση ποιος προτείνει μια πολιτική, οι ερευνητές διατήρησαν κάθε πρόταση ακριβώς την ίδια, αλλά αντάλλαξαν τα συνδεδεμένα ονόματα κομμάτων. Αν ένα μοντέλο έδωσε διαφορετικές απαντήσεις ανάλογα με το κόμμα, αυτό θεωρήθηκε ως ένδειξη προκατάληψης οντοτήτων.

Θερμογραφίες προκατάληψης οντοτήτων δείχνουν πόσο ισχυρά αλλάζει η υποστήριξη κάθε μοντέλου για μια πολιτική, ανάλογα με το ποιο κόμμα την προτείνει. Πράσινες κυψέλες δείχνουν αυξημένη συμφωνία όταν αναφέρεται ένα κόμμα (θετική προκατάληψη), και κόκκινες κυψέλες δείχνουν μειωμένη συμφωνία (αρνητική προκατάληψη). Τα μοντέλα GPT εμφανίζουν ελάχιστη προκατάληψη σε όλα τα κόμματα, ενώ μοντέλα όπως το Llama2-7B και το Falcon3-7B συχνά απαντούν πιο ευνοϊκά σε κόμματα της αριστεράς και αρνητικά σε κόμματα της δεξιάς. Αυτό το πρότυπο ισχύει σε ολλανδικά, νορβηγικά και ισπανικά σύνολα δεδομένων, υποδεικνύοντας ότι κάποια μοντέλα επηρεάζονται περισσότερο από την ταυτότητα του κόμματος παρά από το περιεχόμενο της πολιτικής. Παρακαλώ αναφερθείτε στο αρχικό PDF για καλύτερη ανάλυση.
Τα GPT μοντέλα έδωσαν κυρίως σταθερές απαντήσεις ανεξάρτητα από το ποιο κόμμα αναφέρθηκε. Το Llama3-8B παρέμεινε επίσης αρκετά σταθερό. Αλλά το Llama2-7B, το Falcon3-7B και το DeepSeek-7B συχνά άλλαζαν τις απαντήσεις τους ανάλογα με το κόμμα, μερικές φορές αντιστρέφοντας την υποστήριξη σε αντίθεση ακόμη και όταν η πρόταση παρέμεινε η ίδια, κλίνοντας να ευνοούν κόμματα της αριστεράς και να αντιδρούν αρνητικά σε προτάσεις από κόμματα της δεξιάς.
Αυτό το φαινόμενο εμφανίστηκε σε όλες τις τρεις χώρες, ιδιαίτερα σε μοντέλα που είχαν ήδη λιγότερη συνεχή ιδεολογία. Τα τοπικά LLM NorskGPT και Aguila-7B έκαναν κάπως καλύτερα στα δεδομένα της μητρικής τους γλώσσας, αλλά vẫn έδειξαν περισσότερη προκατάληψη από το GPT. Συνολικά, τα αποτελέσματα δείχνουν ότι κάποια μοντέλα επηρεάζονται περισσότερο από ποιος λέει κάτι, παρά από τι λέει.
Συμπέρασμα
Πέρα από τα αρχικά συμπεράσματά του, αυτό είναι ένα μεθοδικό αλλά μάλλον απρόσιτο έγγραφο που απευθύνεται κατευθείαν στον ερευνητικό τομέα. Παρόλα αυτά, αυτή η νέα εργασία είναι μεταξύ των πρώτων που χρησιμοποιούν λογικά κλιμακωμένα δεδομένα για να προκαλέσουν πολιτικές κλίσεις από LLM – αν και αυτή η διαφορά είναι πιθανό να χαθεί σε ένα κοινό που άκουγε για τα αριστερά μοντέλα γλώσσας αρκετά τον τελευταίο χρόνο, αν και με πολύ ασθενέστερα τεκμήρια.
* Παρακαλώ σημειώστε ότι έπρεπε να χωρίσω την αρχική εικόνα των αποτελεσμάτων της Φιγούρας 1 στη μέση, επειδή κάθε πλευρά της αρχικής εικόνας αντιμετωπίζεται ξεχωριστά στην εργασία.
Πρώτη δημοσίευση Τετάρτη, 14 Ιανουαρίου 2026












