用户属性与政治意识形态影响 LLM 在在线政治辩论中的接受倾向

随着用户调用 LLM 来评估有争议的主张、仲裁争端并回应对立观点，在线政治讨论越来越多地涉及 AI 介导的参与。当这些系统成为在线交流的参与者时，它们可能改变讨论中哪些发言者和论证策略获得认可。我们将 Debate.org 上的 5,376 场辩论重构为 LLM 对话，并开展近 150,000 场受控多轮对话，改变用户的政治倾向、专业水平、修辞策略和所捍卫的立场，其中包括存在相互竞争用户的对话，以研究这一互动维度。在自然情境和受控辩论中，我们发现，LLM 对左倾用户的接受程度系统性地高于右倾用户。当不同政治倾向的用户捍卫相同立场时，以及当对立用户出现在同一对话中时，这种不对称性依然存在，表明它无法完全由立场一致或对当前发言者的简单迎合来解释。反复互动会提高接受程度，但不会消除这种排序；专业水平也有影响，而修辞差异的影响较小。这一模式出现在多个模型中，但并非固定不变：基于不同政治语料库进行微调，可以在很大程度上消除甚至逆转这一模式。这些结果表明，LLM 可能对同一场政治辩论中的参与者作出系统性不同的回应，因此，此类互动中的不对称性对于理解它们在在线公共话语中逐渐形成的角色十分重要。