Chatbots de IA Tendem para a Esquerda ao Votar em Leis Reais

No primeiro estudo do tipo que utiliza dados do mundo real em grande escala, ChatGPT e outros Grandes Modelos de Linguagem foram testados em milhares de votos parlamentares reais, e se alinharam repetidamente com partidos de esquerda e centro-esquerda, enquanto mostraram uma alinhamento mais fraco com partidos conservadores em três países.

Em uma nova colaboração acadêmica entre a Holanda e a Noruega, modelos de linguagem do tipo ChatGPT – incluindo o próprio ChatGPT – foram solicitados a votar em milhares de moções parlamentares reais que já haviam sido decididas por legisladores humanos em três países.

Quando comparados aos votos registrados de partidos reais, e mapeados em uma escala política padrão, o padrão que surgiu colocou os AIs consistentemente mais próximos de partidos progressistas e de centro-esquerda, e mais distantes de partidos conservadores.

O artigo afirma:

‘Nossas descobertas revelam tendências consistentes de centro-esquerda e progressistas em todos os modelos, juntamente com um viés negativo sistemático em relação a partidos de direita-conservadores, e mostram que esses padrões permanecem estáveis sob prompts reescritos.’

A maioria dos estudos anteriores, como Avaliando o Viés Político em Grandes Modelos de Linguagem, e aqueles revisados em Identificando o Viés Político em IA, usam pequenos questionários curados, como testes de bússola política, ou questionários de política, para sondar a ideologia de uma IA. Testes desse tipo geralmente envolvem menos de 100 declarações, selecionadas por pesquisadores, e podem ser vulneráveis a efeitos de reescrita que podem reverter as respostas de um modelo.

Em contraste, o novo estudo usa milhares de moções parlamentares reais de três países – Holanda, Noruega e Espanha – usando votos registrados de partidos políticos conhecidos.

Ao invés de interpretar declarações curtas, cada Grande Modelo de Linguagem (LLM) testado foi solicitado a votar em propostas legislativas reais. Seus votos foram então comparados quantitativamente com o comportamento de partido no mundo real, e projetados em um espaço ideológico padrão, uma pesquisa de especialistas de Chapel Hill (CHES), uma metodologia frequentemente usada por cientistas políticos para comparar posições de partido.

Isso fundamenta a análise em atividade legislativa do mundo real em grande escala, em vez de declarações de política abstratas, e permite comparações mais detalhadas e transnacionais. Também enfatiza o efeito prejudicial do viés de entidade (como a resposta do modelo muda quando um nome de partido é mencionado, mesmo quando a moção permanece inalterada), iluminando uma segunda camada de detecção de viés não presente em trabalhos anteriores.

A maioria dos estudos sobre vieses em LLMs se concentrou na justiça social e gênero, entre outros tópicos semelhantes que se tornaram um pouco menos prioritários ao longo do último ano político; até recentemente, estudos sobre viés político em LLMs foram mais raros e menos meticulosamente concebidos.

O novo trabalho é intitulado Descobrindo o Viés Político em Grandes Modelos de Linguagem usando Registros de Votação Parlamentar, e vem de sete pesquisadores de universidades da Holanda e Noruega.

Método e Dados

A proposição central do novo projeto é observar as tendências políticas de uma variedade de modelos de linguagem, solicitando que votem em legislação histórica (ou seja, leis que já foram aprovadas ou rejeitadas na vida real, nos três países estudados), e usando a metodologia CHES para caracterizar a cor política das respostas dos LLMs.

Para isso, os pesquisadores criaram três conjuntos de dados: PoliBiasNL, para cobrir 15 partidos na câmara baixa holandesa (com 2.701 moções); PoliBiasNO, para cobrir nove partidos no Storting norueguês (com 10.584 moções); e PoliBiasES, para cobrir dez partidos no parlamento espanhol (com 2.480 moções – e o único conjunto de dados a incluir votos de abstenção, que são permitidos na Espanha).

Cada moção foi reduzida às suas cláusulas operativas para minimizar efeitos de enquadramento, e as posições de partido foram codificadas como 1 para indicar apoio, ou –1 para indicar oposição (e, no conjunto de dados espanhol, 0 para refletir abstenções). Votos consistentes de partidos fundidos foram tratados como um único bloco, enquanto para novos partidos, como o Novo Contrato Social (NCS), votos anteriores de seus líderes foram usados para inferir posições anteriores.

Uma variedade de experimentos foi projetada para uma série de LLMs, testados em GPUs locais ou via API, conforme necessário. Os modelos testados foram Mistral-7B; Falcon3-7B; Gemma2-9B; Deepseek-7B; GPT-3.5 Turbo; GPT-4o mini; Llama2-7B; e Llama3-8B. Modelos de linguagem específicos também foram testados, sendo NorskGPT para o conjunto de dados norueguês, e Aguila-7B para a coleção espanhola.

Testes

Os experimentos realizados para o projeto foram executados em um número não especificado de GPUs NVIDIA A4000, cada uma com 16GB de VRAM.

Para comparar o comportamento do modelo com ideologias políticas do mundo real, os pesquisadores projetaram cada LLM no mesmo espaço ideológico bidimensional usado para partidos políticos, com base na estrutura CHES mencionada anteriormente.

O sistema CHES define dois eixos: um para visões econômicas (esquerda vs direita) e outro para valores socioculturais (GAL-TAN, ou Verde-Alternativo-Libertário vs Tradicional-Autoritário-Nacionalista).

Como os modelos e os partidos políticos haviam votado nas mesmas moções, os pesquisadores trataram isso como uma tarefa de aprendizado supervisionado, treinando um modelo de regressão de Mínimos Quadrados Parciais para mapear o registro de votação de cada partido para suas coordenadas CHES conhecidas.

Esse modelo foi então aplicado aos padrões de votação dos LLMs para estimar suas posições no mesmo espaço. Como os LLMs nunca fizeram parte dos dados de treinamento, suas coordenadas ofereceriam uma comparação direta com base apenas no comportamento de votação*:

Posições ideológicas projetadas de LLMs e partidos políticos no espaço CHES para a Holanda, Noruega e Espanha. Em todos os três casos, os modelos se alinham economicamente com o centro-esquerda, mas divergem em valores socioculturais: inclinando-se mais para a tradição do que os progressistas holandeses, coincidindo mais de perto com os partidos liberais noruegueses e agrupando-se entre os nacionalistas catalães moderados e o centro-esquerda na Espanha. Os modelos permanecem ideologicamente distantes de partidos de extrema-direita em todas as regiões. Fonte – https://arxiv.org/pdf/2601.08785

Os LLMs mostraram um padrão claro e consistente em todos os três países, inclinando-se economicamente para o centro-esquerda e socialmente para valores progressistas moderados.

Na Holanda, os votos dos LLMs coincidiram com as posições econômicas de partidos como D66, Volt e GroenLinks-PvdA; mas em questões sociais, ficaram mais próximos de partidos mais tradicionais, como DENK e CDA.

Na Noruega, os resultados se deslocaram ligeiramente mais para a esquerda, mapeando-se mais de perto com partidos progressistas, como Ap, SV e MDG.

Na Espanha, as posições dos LLMs formaram uma dispersão diagonal entre o centro-esquerda PSOE e os partidos nacionalistas catalães, como ERC e Junts, mantendo-se bem distantes do conservador PP e da extrema-direita VOX.

Acordo de Votação com Partidos Políticos

Os mapas de calor de acordo de votação mostrados abaixo indicam com que frequência cada LLM votou da mesma maneira que partidos políticos reais, reiterando conclusões anteriores:

Mapas de calor de acordo de votação entre LLMs e partidos políticos reais, com base em comparações diretas de decisões de modelo e partido. Sombras mais escuras indicam acordo mais forte. Em todos os três países, os modelos mostraram consistentemente alto alinhamento com partidos progressistas e de centro-esquerda, e muito menor alinhamento com partidos de direita-conservadores e de extrema-direita. Esse padrão de alinhamento é estável em diferentes idiomas, sistemas políticos e famílias de modelos.

Em todos os três países, os LLMs se alinharam mais com partidos progressistas e de centro-esquerda, e menos com partidos conservadores ou de extrema-direita. Na Holanda, eles concordaram com SP, PvdD, GroenLinks-PvdA e DENK, mas não com PVV ou FvD. Na Noruega, mostraram sobreposição mais forte com R, SV e MDG, e pouca com FrP. Na Espanha, favoreceram PSOE, ERC e Junts, enquanto evitavam PP e VOX.

Isso também se manteve para modelos localizados, como NorskGPT e Aguila-7B. Os autores sugerem que os mapas de calor e os dados CHES juntos indicam uma inclinação consistente para o centro-esquerda, socialmente progressista.

Viés de Ideologia

Modelos de linguagem que mostraram alinhamento ideológico mais forte nas projeções CHES também tenderam a expressar maior confiança quando forçados a escolher entre os tokens a favor e contra, em resposta a prompts ideológicos. Gráficos de violino dessas distribuições de confiança revelam uma clara divisão:

Distribuições de confiança para cada modelo quando forçados a escolher entre ‘a favor’ e ‘contra’ em prompts ideológicos. Modelos GPT exibem confiança consistentemente alta, enquanto modelos Llama variam em confiança e outros modelos de peso aberto mostram distribuições mais amplas e de menor confiança. Por favor, consulte o PDF da fonte para melhor resolução.

Os modelos GPT-3.5 e GPT-4o-mini deram respostas muito confiantes, com pontuações agrupadas perto de 1,0, sugerindo inclinações ideológicas claras e consistentes. Os modelos Llama mostraram menos confiança overall, com o Llama3-8B mostrando confiança moderada, e o Llama2-7B muito menos seguro – especialmente em tarefas holandesas e espanholas.

O Falcon3-7B, DeepSeek-7B e Mistral-7B foram ainda mais hesitantes, com distribuições amplas e confiança mais baixa. Modelos de linguagem específicos fizeram um pouco melhor em seus conjuntos de dados nativos, mas ainda ficaram aquém da confiança do nível GPT.

Esses padrões, observam os autores, sugerem que o alinhamento político estável pode ser visto não apenas no que os modelos dizem, mas como eles o dizem.

Viés de Entidade

Para ver se os modelos mudam suas respostas com base em quem propõe uma política, os pesquisadores mantiveram cada moção exatamente a mesma, mas trocaram os nomes de partido associados. Se um modelo deu respostas diferentes dependendo do partido, isso foi considerado um sinal de viés de entidade.

Mapas de calor de viés de entidade mostram como fortemente cada modelo muda seu apoio a uma política, dependendo de qual partido a propõe. Células verdes indicam aumento de acordo quando um partido é nomeado (viés positivo), e células vermelhas indicam diminuição de acordo (viés negativo). Modelos GPT mostram viés mínimo em todos os partidos, enquanto modelos como Llama2-7B e Falcon3-7B frequentemente respondem mais favoravelmente a partidos de esquerda e negativamente a partidos de direita. Esse padrão se mantém em conjuntos de dados holandeses, noruegueses e espanhóis, sugerindo que alguns modelos são mais influenciados pela identidade do partido do que pelo conteúdo da política. Por favor, consulte o PDF da fonte para melhor resolução.

Os modelos GPT deram respostas principalmente estáveis, independentemente de qual partido foi nomeado. O Llama3-8B também permaneceu bastante estável. Mas o Llama2-7B, Falcon3-7B e DeepSeek-7B frequentemente mudaram suas respostas dependendo do partido, às vezes mudando de apoio para oposição, mesmo quando a moção permaneceu a mesma, tendendo a favorecer partidos de esquerda e reagir negativamente a moções de partidos de direita.

Esse comportamento se manifestou em todos os três países, especialmente em modelos que já tinham ideologia menos consistente. Os modelos de linguagem localizados NorskGPT e Aguila-7B fizeram um pouco melhor em seus conjuntos de dados nativos, mas ainda mostraram mais viés do que os modelos GPT. Em geral, os resultados sugerem que alguns modelos são mais influenciados por quem diz algo do que pelo que é dito.

Conclusão

Além de suas conclusões iniciais, este é um artigo metodicamente elaborado, mas um pouco inacessível, direcionado principalmente ao setor de pesquisa. No entanto, este novo trabalho está entre os primeiros a usar dados razoavelmente escalonados para provocar inclinações políticas em LLMs – embora essa distinção provavelmente seja perdida para o público que ouviu falar de modelos de linguagem de esquerda um pouco ao longo do último ano, embora com evidências um pouco mais tênues.

* Por favor, note que tive que dividir a ilustração original dos resultados da Figura 1 do artigo ao meio, desde que cada lado da figura original é tratado separadamente no trabalho.

Publicado pela primeira vez na quarta-feira, 14 de janeiro de 2026