人工智能聊天机器人在政治投票分析中显现左倾偏见

一项开创性研究利用海量真实世界数据，对ChatGPT及其他大型语言模型进行了评估，分析对象涵盖数千次实际议会投票。研究发现，这些模型在三个国家中始终与左翼及中左翼政党立场一致，而与保守派政党的立场契合度则明显较弱。

在荷兰与挪威的新学术合作中，研究人员要求ChatGPT式大型语言模型（包括ChatGPT本身）对三国议会中数千项由人类议员已决议的议案进行投票。

将模型投票结果与实际政党记录比对，并映射至标准政治光谱后，清晰的模式浮现：人工智能始终与进步派及中左翼政党立场更趋近，而与保守派政党则存在显著距离。

论文指出：

"我们的发现揭示了模型普遍存在的中左翼与进步倾向，以及对右翼保守政党的系统性负面偏见。即使重构提示语，这些模式依然保持稳定。"

此前多数研究（如《评估大型语言模型的政治偏见》及《识别人工智能的政治偏见》综述的研究）依赖政治指南针测试或政策问卷等精心设计的简短测验来探究AI意识形态。此类测试通常包含不到100条研究者选定的陈述，且易受措辞变化影响导致模型响应逆转。

与此不同，本研究采用荷兰、挪威和西班牙数千份真实议会动议，结合已知政党的投票记录。

研究要求受测大型语言模型（LLM）对真实立法提案进行投票表决，而非解读简短陈述。其投票结果经定量比对真实政党行为后，通过政治学界常用的教堂山专家调查（CHES）方法映射至标准意识形态空间——该方法可精准比较政党立场。

这种方法使分析立足于大规模真实立法活动而非抽象政策声明，实现了更精细的跨国比较。它还突显了实体偏见的影响——即当提及政党名称时，即使动议内容不变，模型的响应也会发生变化——揭示了早期研究中缺失的偏见检测新维度。

关于大型语言模型偏见的多数研究聚焦于社会公平与性别议题，这些主题在近期政治话语中已逐渐退居次要地位。直至近期，针对大型语言模型政治偏见的研究仍较为稀缺且设计不够严谨。

这项题为《利用议会投票记录揭示大型语言模型的政治偏见》的新研究，由阿姆斯特丹自由大学和奥斯陆大学的七位研究人员共同完成。

方法与数据

该项目核心目标是通过让语言模型对历史立法（即研究中三国已通过或否决的法律）进行投票，并运用CHES方法学解析模型响应的政治倾向，从而观察各类语言模型的政治倾向。

为此，研究人员创建了三个数据集：PoliBiasNL（涵盖荷兰参议院15个政党，共2,701项动议）；PoliBiasNO：涵盖挪威议会九个政党（含10,584项动议）；PoliBiasES：涵盖西班牙议会十个政党（含2,480项动议——该数据集为唯一包含弃权票的样本，因西班牙允许弃权投票）。

为最小化框架效应，每项动议均精简为执行条款，政党立场编码为支持=1、反对=-1（西班牙数据集弃权票记为0）。合并政党的统一投票视为单一集团，而对于新社会契约党（NSC）等新兴政党，则通过其领导人过往投票记录推断早期立场。

针对多种大型语言模型设计了多样化实验，根据需要在本地GPU或通过API进行测试。 测试模型包括：Mistral-7B、Falcon3-7B、Gemma2-9B、Deepseek-7B、GPT-3.5 Turbo、GPT-4o mini、Llama2-7B及Llama3-8B。同时测试了特定语言模型，如挪威语数据集使用的NorskGPT和西班牙语数据集使用的Aguila-7B。

测试

项目实验在数量未公开的NVIDIA A4000 GPU上运行，每块GPU配备16GB显存。

为将模型行为与现实政治意识形态进行对比，研究人员基于CHES框架，将每个大型语言模型映射至与政党相同的二维意识形态空间。

CHES系统定义了两个维度：经济立场维度（左派 vs 右派）和社会文化价值维度（GAL-TAN维度，即绿色-另类-自由主义vs传统-威权-民族主义）。

由于模型与政党针对相同议案进行投票，研究人员将其视为监督学习任务，训练了偏最小二乘回归模型，将各政党的投票记录映射至其已知的CHES坐标。

该模型随后被应用于大型语言模型的投票模式，以估算其在同一空间中的位置。由于大型语言模型未包含在训练数据中，其坐标提供了仅基于投票行为的直接比较*：

荷兰、挪威和西班牙三国LLM与政党的CHES空间意识形态投影。三国案例中，模型在经济立场上均与中左翼趋同，但在社会文化价值观上存在分歧：相较荷兰进步派更倾向传统立场，与挪威自由派政党更为接近，在西班牙则介于温和加泰罗尼亚民族主义者与中左翼之间。所有地区模型均与极右翼政党存在显著意识形态差异。来源

大型语言模型在三国展现出清晰一致的模式：经济立场倾向中左翼，社会立场则趋向温和进步价值观。

在荷兰，LLM的投票倾向与D66、Volt、GroenLinks-PvdA等政党的经济立场一致，但在社会议题上更接近DENK和CDA等传统政党。

挪威地区结果略向左倾，与工党、社会党、绿色民主运动等进步政党立场高度吻合。

在西班牙，LLM立场形成从中间偏左的PSOE到加泰罗尼亚民族主义政党如ERC和Junts的对角线分布，与保守派PP和极右翼VOX保持明显差异。

政党投票一致性分析

下图的投票一致性热力图显示了每个LLM模型与真实政党的投票一致频率，印证了先前结论：

基于模型与政党决策直接对比的LLM与真实政党投票一致性热力图。深色区域表示更高一致性。在三国中，模型始终与进步派及中左翼政党高度一致，而与右翼保守派及极右翼政党的一致性显著较低。这种一致性模式在不同语言、政治体系及模型家族中均保持稳定。

在三国范围内，LLM与进步派及中左翼政党的立场最趋近，与保守派或极右翼政党的立场最疏离。 在荷兰，模型与SP、PvdD、GroenLinks-PvdA及DENK立场一致，但与PVV或FvD存在分歧。在挪威，模型与R、SV及MDG立场高度重合，与FrP则鲜有交集。在西班牙，模型倾向于PSOE、ERC及Junts，同时回避PP和VOX。

这一趋势同样适用于本地化模型如NorskGPT和Aguila-7B。作者指出，热力图与CHES数据共同表明了模型具有一致的中左翼、社会进步倾向。

意识形态偏向

在CHES预测中展现更强意识形态一致性的语言模型，当被迫在意识形态提示下选择"支持"或"反对"表述时，往往表现出更高确定性。其置信度分布的提琴图呈现明显分化：

各模型在意识形态提示下被迫选择"支持"与"反对"时的确定性分布。GPT模型始终保持高确定性，Llama模型信心度存在波动，其他开源模型则呈现更宽泛且确定性较低的分布。请参阅源PDF获取更高分辨率。

GPT-3.5与GPT-4o-mini给出极具信心的答案，得分集中在1.0附近，表明其具有明确且一致的意识形态倾向。Llama模型整体信心不足，其中Llama3-8B表现中等，Llama2-7B则明显缺乏信心——尤其在荷兰语和西班牙语任务中。

Falcon3-7B、DeepSeek-7B和Mistral-7B表现更为犹豫，分布范围更广且置信度更低。语言专用模型在母语数据上表现稍佳，但仍未达到GPT级别的确定性。

这些模式表明，稳定的政治立场不仅体现在模型表述的内容上，也体现在其表述的自信程度中。

实体偏见

为验证模型是否因政策提案方而改变答案，研究人员在保持动议内容不变的前提下，替换了相关政党名称。若模型因政党不同给出相异答案，则视为存在实体偏见。

实体偏见热力图显示了各模型对政策支持度的变化强度，取决于提案政党的不同。绿色单元格表示政党命名后支持度提升（正向偏见），红色单元格表示支持度下降（负向偏见）。 GPT模型对各党派表现出极小偏差，而Llama2-7B和Falcon3-7B等模型常对左翼政党持更积极态度，对右翼政党则持消极态度。该模式在荷兰、挪威和西班牙数据集中均成立，表明某些模型受政党身份影响大于政策内容。更高分辨率请参阅源PDF文件。

GPT模型对不同政党名称的回应基本稳定，Llama3-8B表现亦较为平稳。但Llama2-7B、Falcon3-7B和DeepSeek-7B常根据政党身份改变回应，有时在议案内容不变的情况下立场从支持转向反对，普遍倾向支持左翼政党，对右翼政党议案反应消极。

此现象在三国均有体现，尤其见于意识形态一致性较弱的模型。本土化大语言模型NorskGPT和Aguila-7B在其母语数据集上表现略优，但仍比GPT模型更具偏见。总体而言，结果表明某些模型受发言者身份的影响大于政策内容本身。

结论

除初步发现外，本文是一篇方法严谨但技术性较强的论文，主要面向学术界。然而，这是首批利用合理规模数据揭示大型语言模型政治倾向的研究之一——尽管公众已熟悉基于更薄弱证据的"左倾语言模型"论断，但此项研究的独特价值可能尚未被充分认知。

*注：原文图1结果示意图已按中间线分割，因论文中两侧内容分别讨论。

首次发布于2026年1月14日星期三