大型語言模型中的政治說服與背書
arXiv - Computers and SocietyAlessia Antelmi, Alessia Galdeman, Lucio La Cava, Arianna Pera, Giovanni Da San Martino
研究顯示，LLM在無政治調節時不易背書說服訊息，政治人格提示會加劇偏見。
AI 幫你先抓重點
AI 重點 1
LLM在政治敏感領域的背書行為易被人格提示極化，需謹慎部署。
滑鼠懸停看 AI 判斷理由
此洞察揭示即使是中立設定，LLM仍可能因外部提示而產生偏見，對於教育科技中的自動化輔助工具設計與倫理審查具有直接影響，提醒開發者需加入人格檢測與偏見緩解機制。
AI 重點 2
說服技巧與主題的交互效應顯示LLM對不同說服策略的敏感度差異，提示研究者在設計模擬或評估時需細緻標註內容。
滑鼠懸停看 AI 判斷理由
了解這種差異有助於在使用LLM作為人類政治認知模擬時，避免因訊息結構而產生誤導，對課程設計與評估工具的內容選擇提供參考。
核心研究發現
- 1
在未進行政治人格提示的情況下，六種LLM普遍不會背書含說服技巧的訊息，僅有模型層級差異。
- 2
政治人格提示（左、右傾）會顯著提升LLM對說服訊息的背書率，並加劇左右極化。
- 3
背書率因說服技巧類型與主題不同而呈現變異，顯示LLM對不同說服策略的敏感度不一。
對教育工作者的啟發
教育科技開發者在設計自動化輔助工具時，應加入人格提示檢測與偏見緩解機制，避免左/右傾提示造成極化背書。研究者使用LLM模擬政治認知時，需評估模型對不同說服技巧的敏感度，選擇合適文本並設置對照組檢驗人格提示效應。政策制定者可依此研究制定機器人倫理指引，限制LLM在政治敏感領域的自主背書功能。
原始文獻資訊
- 英文標題：
- Political Persuasion and Endorsement in Large Language Models
- 作者：
- Alessia Antelmi, Alessia Galdeman, Lucio La Cava, Arianna Pera, Giovanni Da San Martino
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。