面向数字民主的 AI 对齐：应对 LLM 偏差，实现更公平的选民代表性

AI 代理正逐渐应用于数字民主，辅助选民模拟与决策。大语言模型（LLMs）的行为会因模型、提示上下文及其接收到的选民信息而异，对某些群体的模拟比其他群体更准确，这可能导致模拟对某些群体不公平。我们研究了 LLM 模拟选民群体中的人口统计偏差：LLMs 能多准确地模拟个体投票，是否对某些选民群体的模拟比其他群体更准确，以及 AI 对齐能否在不牺牲整体准确率的前提下缩小这些差距。基于三次美国总统选举，我们比较了一个闭源 LLM 和一个开源 LLM 在不同选民人口统计特征上的表现，并测试了旨在实现更公平选民代表性的 AI 对齐策略。从选民画像中移除性别信息，可使模型的最大群体误差降低 22%–42%；移除教育程度信息可使其降低 64%；而移除选民自报的种族信息，则会使平均群体误差增加 40% 以上。这些变化均未降低准确率。重复查询或公平性指令等常见对齐策略无法减少这些误差，反而可能使其翻倍。