本文是LLM系列文章,针对《Large Language Models (LLMs) as Agents for Augmented Democracy》的翻译。
@[TOC](大型语言模型 (LLM) 作为增强民主的推动者)
摘要
我们探索了一个建立在现成的LLM基础上的增强民主系统,该系统经过微调,可以增强从巴西 2022 年总统选举两位主要候选人的政府计划中提取的公民偏好数据。我们使用训练测试交叉验证设置来估计LLM预测的准确性:受试者的个人政治选择和完整参与者样本的总体偏好。在个人层面上,我们发现LLM比“捆绑规则”更准确地预测样本偏好,“捆绑规则”假设公民总是投票支持符合他们自我报告的政治倾向的候选人的提案。在总体水平上,我们表明,与单独的非增强概率样本相比,LLM增强的概率样本可以更准确地估计总体偏好。总之,这些结果表明,使用LLM增强的政策偏好数据可以捕捉超越政党界限的细微差别,并代表了数据增强研究的一个有前途的途径。