Chatbots com IA mostram tendência à esquerda na análise de votos políticos

Em um estudo inovador que utilizou dados reais abrangentes, o ChatGPT e outros modelos de linguagem de grande porte foram avaliados com base em milhares de votos parlamentares reais. Os modelos se alinharam consistentemente com partidos de esquerda e centro-esquerda em três países, enquanto mostraram um alinhamento mais fraco com partidos conservadores.

Em uma nova colaboração acadêmica entre a Holanda e a Noruega, pesquisadores pediram a modelos de linguagem de grande porte (LLMs) do tipo ChatGPT, incluindo o próprio ChatGPT, que votassem em milhares de moções parlamentares reais previamente decididas por legisladores humanos em três países.

Ao comparar os votos dos modelos com os registros reais dos partidos e mapeá-los em uma escala política padrão, um padrão claro emergiu: as IAs se alinharam consistentemente mais com os partidos progressistas e de centro-esquerda e se distanciaram mais dos 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 aos partidos conservadores de direita. Esses padrões permanecem estáveis mesmo quando as perguntas são reformuladas.”

A maioria dos estudos anteriores, como Assessing Political Bias in Large Language Models (Avaliando o viés político em grandes modelos de linguagem) e aqueles revisados em Identifying Political Bias in AI (Identificando o viés político na IA), baseiam-se em pequenos questionários selecionados, como testes de orientação política ou questionários sobre políticas, para investigar a ideologia da IA. Esses testes geralmente envolvem menos de 100 afirmações selecionadas por pesquisadores e podem ser vulneráveis a mudanças de redação que revertem as respostas de um modelo.

Em contraste, este novo estudo usa milhares de moções parlamentares reais da Holanda, Noruega e Espanha, aproveitando votos registrados de partidos políticos conhecidos.

Em vez de interpretar declarações curtas, cada LLM testado foi solicitado a votar em propostas legislativas reais. Seus votos foram então comparados quantitativamente com o comportamento real dos partidos e projetados em um espaço ideológico padrão usando a pesquisa de especialistas de Chapel Hill (CHES), um método comumente usado por cientistas políticos para comparar as posições dos partidos.

Essa abordagem baseia a análise em atividades legislativas em grande escala do mundo real, em vez de declarações políticas abstratas, permitindo comparações mais detalhadas entre países. Ela também destaca o impacto do viés de entidade — como a resposta de um modelo muda quando o nome de um partido é mencionado, mesmo que a moção permaneça inalterada — revelando uma camada adicional de detecção de viés ausente em trabalhos anteriores.

A maioria das pesquisas sobre vieses em LLMs tem se concentrado na justiça social e no gênero, temas que perderam um pouco de prioridade no discurso político recente. Até recentemente, os estudos sobre viés político em LLMs eram mais raros e menos rigorosos em seu desenho.

O novo estudo, intitulado Uncovering Political Bias in Large Language Models using Parliamentary Voting Records(Descobrindo o viés político em grandes modelos de linguagem usando registros de votação parlamentar), é de autoria de sete pesquisadores da Vrije Universiteit Amsterdam e da Universidade de Oslo.

Método e dados

O objetivo principal deste projeto é observar as tendências políticas de vários modelos de linguagem, fazendo com que votem em legislação histórica — leis já aprovadas ou rejeitadas nos três países estudados — e usando a metodologia CHES para caracterizar as tendências políticas das respostas dos LLMs.

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

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

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

Testes

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

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 votaram 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 histórico de votos de cada partido para suas coordenadas CHES conhecidas.

Este modelo foi então aplicado aos padrões de votação dos LLMs para estimar suas posições no mesmo espaço. Como os LLMs não faziam parte dos dados de treinamento, suas coordenadas fornecem uma comparação direta baseada exclusivamente no comportamento de votação*:

Posições ideológicas projetadas dos LLMs e partidos políticos no espaço CHES para a Holanda, Noruega e Espanha. Nos três casos, os modelos se alinham economicamente com a centro-esquerda, mas divergem em valores socioculturais: inclinando-se mais para o tradicional do que os progressistas holandeses, correspondendo mais aos partidos liberais noruegueses e agrupando-se entre os nacionalistas catalães moderados e a centro-esquerda na Espanha. Os modelos permanecem ideologicamente distantes dos partidos de extrema direita em todas as regiões. Fonte

Os LLMs exibiram um padrão claro e consistente nos três países, inclinando-se economicamente para a centro-esquerda e socialmente para valores progressistas moderados.

Na Holanda, os votos dos LLMs corresponderam às posições econômicas de partidos como D66, Volt e GroenLinks-PvdA, mas em questões sociais, eles se alinharam mais com partidos tradicionais como DENK e CDA.

Na Noruega, os resultados se deslocaram ligeiramente mais para a esquerda, aproximando-se dos partidos progressistas como Ap, SV e MDG.

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

Acordo de votação com partidos políticos

Os mapas de calor do acordo de votação abaixo mostram com que frequência cada LLM votou da mesma forma que os partidos políticos reais, reforçando as conclusões anteriores:

Mapas de calor do acordo de votação entre LLMs e partidos políticos reais, com base em comparações diretas entre as decisões do modelo e dos partidos. Os tons mais escuros indicam um acordo mais forte. Nos três países, os modelos mostraram consistentemente um alto alinhamento com partidos progressistas e de centro-esquerda e um alinhamento muito menor com partidos conservadores de direita e de extrema direita. Esse padrão de alinhamento é estável em diferentes idiomas, sistemas políticos e famílias de modelos.

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

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

Viés ideológico

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

Distribuições de certeza para cada modelo quando forçado a escolher entre “a favor” e “contra” em prompts ideológicos. Os modelos GPT exibem certeza consistentemente alta, enquanto os modelos Llama variam em confiança e outros modelos de peso aberto mostram distribuições mais amplas e de menor certeza. Consulte o PDF original para obter uma resolução melhor.

O GPT-3.5 e o GPT-4o-mini forneceram respostas muito confiantes, com pontuações agrupadas perto de 1,0, indicando tendências ideológicas claras e consistentes. Os modelos Llama foram menos certos em geral, com o Llama3-8B mostrando confiança moderada e o Llama2-7B muito menos seguro, especialmente em tarefas em holandês e espanhol.

Falcon3-7B, DeepSeek-7B e Mistral‑7B foram ainda mais hesitantes, com amplas variações e menor confiança. Os modelos específicos de idioma tiveram um desempenho um pouco melhor em dados do idioma nativo, mas ainda assim ficaram aquém da certeza do nível GPT.

Esses padrões sugerem que um alinhamento político estável pode ser observado não apenas no que os modelos dizem, mas também na confiança com que o dizem.

Viés de entidade

Para determinar se os modelos mudam suas respostas com base em quem propõe uma política, os pesquisadores mantiveram cada moção idêntica, mas trocaram os nomes dos partidos associados. Se um modelo dava respostas diferentes dependendo do partido, isso era considerado evidência de viés de entidade.

Os mapas de calor do viés de entidade mostram o quanto o apoio de cada modelo a uma política muda, dependendo de qual partido político a propõe. As células verdes indicam um aumento na concordância quando um partido é nomeado (viés positivo), e as células vermelhas indicam uma diminuição na concordância (viés negativo). Os modelos GPT mostram um viés mínimo entre os partidos, enquanto modelos como Llama2-7B e Falcon3-7B costumam responder de forma mais favorável aos partidos de esquerda e negativa aos de direita. Esse padrão se mantém nos conjuntos de dados holandeses, noruegueses e espanhóis, sugerindo que alguns modelos são mais influenciados pela identidade do partido do que pelo conteúdo da política. Consulte o PDF original para obter uma resolução melhor.

Os modelos GPT forneceram respostas bastante estáveis, independentemente do partido mencionado. O Llama3-8B também permaneceu bastante estável. No entanto, o Llama2-7B, o Falcon3-7B e o DeepSeek-7B frequentemente mudaram suas respostas com base no partido, às vezes passando de apoio a oposição, mesmo quando a moção permanecia inalterada, tendendo a favorecer partidos de esquerda e reagir negativamente a moções de partidos de direita.

Esse comportamento apareceu nos três países, especialmente em modelos com ideologia menos consistente. Os LLMs localizados NorskGPT e Aguila-7B tiveram um desempenho ligeiramente melhor em seus conjuntos de dados domésticos, mas ainda mostraram mais viés do que o GPT. No geral, os resultados sugerem que alguns modelos são mais influenciados por quem diz algo do que pelo conteúdo da política.

Conclusão

Além de suas descobertas iniciais, este é um artigo metódico, embora um pouco técnico, voltado principalmente para a comunidade de pesquisa. No entanto, está entre os primeiros estudos a usar dados razoavelmente dimensionados para revelar tendências políticas em LLMs — uma distinção que pode passar despercebida por um público já familiarizado com alegações de modelos de linguagem de esquerda, embora baseadas em evidências mais fracas.

* Observe que a ilustração original dos resultados da Figura 1 foi dividida ao meio, pois cada lado é discutido separadamente no artigo.

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