MIT 团队推出 LLM Election Observatory，实时追踪 AI 聊天机器人如何回答 2026 中期选举问题

MIT News· Abby Abazorius | MIT News·2026-10-31 03:00· 25 分钟前AI 评分47

问答：嘿 AI，今年我该投票给谁？

AI 导读

MIT 研究人员构建了名为 LLM Election Observatory 的仪表盘，实时追踪主流 AI 聊天机器人对 2026 年美国中期选举相关问题的回答。团队每隔几天用同一组固定问题重新测试各模型，监测回答如何随选举临近、用户所在地、党派倾向和身份等因素变化。该项目旨在系统记录这一信息环境并向其他研究者和公众开放数据，关注点不止于事实准确性，还包括框架、强调重点、不确定性和引用来源的差异。

正文 · 原文

人们每天都在向人工智能聊天机器人提出大量问题，但当涉及政治和即将到来的 2026 年美国中期选举时，AI 平台究竟扮演着什么角色？AI 聊天机器人能否左右选民改变党派立场，或重新审视自己的政治信念？ 

MIT 研究人员构建了一个名为LLM Election Observatory的新仪表盘，用于实时考察主流 AI 聊天机器人如何回答有关 2026 年中期选举的问题。该仪表盘背后的团队由Adam Berinsky 教授、Chara Podimata 助理教授和Charles Stewart III 教授领导，他们在研究投票与选举管理、AI 与错误信息，以及 AI 系统如何影响人类决策方面拥有丰富经验。为了更好地理解 AI 如何塑造选举，他们设计了这个仪表盘，以模拟全国各地的个人如何与聊天机器人交流。 

团队追踪不同 AI 系统如何回答同一组固定问题，这些问题涵盖一系列主题，包括选举认证、热点议题、结果预测、新闻报道等。每隔几天，LLM Election Observatory 团队就会再次让聊天机器人回答这些问题，监测随着选举临近，它们的回答如何因用户所在地、政党归属、身份及其他因素而变化。这项工作的目标不仅是了解 AI 系统如何传播信息，还要更好地理解它们如何塑造政治话语，以及全国选民对政治议题的理解。 

MIT News 与 Podimata 和 Berinsky 进行了交谈，讨论了他们在 LLM Election Observatory 上的工作、AI 可能如何影响中期选举，以及选民在与聊天机器人互动时应牢记什么。Podimata 是 1942 届职业发展教授、MIT 斯隆管理学院运筹学与统计学助理教授，也是信息与决策系统实验室成员；Berinsky 是三井教授、政治学系教授。

问：这个项目的灵感来自哪里？你希望通过 LLM Election Observatory 了解什么？

Podimata：人们越来越多地使用 AI 聊天机器人来查找和理解政治与选举相关信息。这使得了解这些系统实际提供什么信息变得很重要，不仅是在某一时刻，而是在整个选举周期中。这尤其具有挑战性，因为模型本身在不断更新，可供它们使用的政治信息输入本身也在变化，而且它们的回答可能取决于用户如何提问，或用户提供了关于自己的哪些信息。

一个基本问题在于，我们目前对这一信息环境缺乏良好的历史记录。如果一个人工智能系统今天对某场选举给出某个特定答案，几周后却给出不同的答案，事后就很难重建选民在每一个时间点会看到什么。我们项目的一个重要目标，就是随着这一环境的发展对其进行系统性的记录，并将所得数据提供给其他研究者和公众。

归根结底，事实准确性只是第一道前沿。我们绝对需要了解聊天机器人是否提供准确的政治信息，但我们也需要同样关注它们可能塑造人们对政治议题理解的更微妙方式。框架、强调重点、不确定性以及引用来源上的差异可能至关重要，即使并不存在彻头彻尾的错误信息。  

问：Podimata 教授，您研究了大型语言模型在 2024 年选举期间如何塑造政治话语和信息。那项研究的主要结论是什么，这些发现又如何影响了这个新项目？

Podimata：LLM 选举观察站建立在我此前在 2024 年总统选举期间的工作之上，那项工作发现了证据，表明 AI 模型的回答会随时间推移和提示框架的不同而出现有意义的差异，模型在描述候选人以及隐含预判选举结果的方式上也存在差异。 

2026 年中期选举给了我们大幅扩展这项工作的机会。中期选举尤其有趣，因为有许多州和地方选举同时展开，并与更广泛的国家政治叙事并存。因此，我们新的审计调查既会询问关于美国众议院和参议院候选人的具体选情问题，也会询问关于投票信息以及选举信息环境其他方面的更广泛问题。

问：您为什么认为研究聊天机器人如何针对不同用户群体回应政治查询如此重要？

Podimata：我们都通过与聊天机器人的互动构建自己的“微观世界”。然而，我们缺乏系统性的方法来理解这些个性化的信息环境如何因我们是谁而被塑造，或者随着我们和信息环境的变化，它们如何随时间演变。 

例如，人们可能没有意识到，他们最喜欢的聊天机器人就某个政治议题告诉他们的内容，可能与朋友最喜欢的聊天机器人就完全相同的议题告诉朋友的内容大相径庭。重要的是，即使所提供的信息在事实上是正确的，这些差异也很重要。即使不同用户提出完全相同的查询，聊天机器人也可能以不同方式框定相同的事实、强调议题的不同方面、表达不同程度的不确定性，或引用完全不同的来源。结果，两个用户可能对相同的底层事实形成截然不同的认知，却从未意识到各自的体验有所不同。 

在某些方面，这重新引发了我们在社交媒体背景下（作为研究者和社会）所面临的许多担忧。在社交媒体上，用户和研究者至少在一定程度上能够观察到在不同Facebook群组、Instagram账户或TikTok社区中传播的信息。而对于聊天机器人，这些信息环境对个人对话之外的任何人来说基本上是不可见的。我们无法轻易观察到不同用户被告知了什么，更不用说系统地比较这些回应或追踪它们如何随时间变化。这正是像LLM Election Observatory这样的项目如此重要的原因：通过系统地收集并公开分享聊天机器人的回应，我们可以开始让这些原本不可见的差异变得可观察并接受审视。

问：你通过仪表盘追踪哪些类型的问题和AI回应？

Podimata：我们最终希望这个数据集能帮助我们研究几个问题。例如：不同模型对相同问题是否提供系统性的不同信息？它们的回应在竞选过程中会发生变化吗？特定模型给出的答案是否会因用户提问的方式或自我描述的方式而改变（例如，如果模型被告知用户是民主党人或共和党人，答案会改变吗）？最后，模型在回答选举相关问题时从哪些来源获取信息？

我们的公开仪表盘是该项目的重要组成部分。我们希望学术界内外的人都能在选举进行过程中看到我们正在收集的数据，而不是几个月后只在学术论文中看到结果。因此，仪表盘呈现了底层数据和一些初步的描述性分析，我们还计划将数据集提供给其他研究者研究。我们预计仪表盘将随着数据和我们方法的演进而发展。

通过这个仪表盘，我们希望在我们2024年开发的科学方法论基础上进一步发展，同时在选举实际进行期间使研究对公众更加可及和有用。不仅如此，团队中加入MIT政治学专家的意义怎么强调都不为过；Adam和Charles确实帮助扩展了我们在审计中提出的问题。

问：在搜索选举信息方面，你希望全国选民了解AI聊天机器人的哪些方面？

Berinsky：人们应该务必记住，聊天机器人听起来自信并不意味着它准确。AI系统被设计为以权威的口吻回答人们提出的问题，即使它们是错误的、不完整的或依赖薄弱来源。这些答案是一个合理的起点，但选民不应止步于此。

问：到目前为止你们有哪些发现？

Podimata：我们尚未完成完整的纵向分析，所以这里只谈一些大的方面，但从2026年的数据中似乎可以看出几个大致模式。在我们呈现的不同用户身份中，我们看到答案的呈现方式、模型引用的来源以及语气上存在差异——有时甚至是在底层事实相同的情况下。我们目前还无法说明这些差异有多稳定、它们在选举过程中如何变化，或者一个真实的人会如何解读和反应。我们未来的分析将着手研究这一点。这也凸显了为什么我们正在持续收集的回复记录，比你在选举前后几天可能看到的任何单一快照都更重要。

Q：Berinsky教授，您的研究还表明，在某些情况下，AI聊天机器人可以被用来帮助驳斥错误信息。您能谈谈这一点吗？

Berinsky：在我关于信息与社交媒体的本科课程中，我一直都在讲AI如何具有两面性。一方面，这些工具可以以前所未有的规模在文本、图片和视频中生成误导性说法。基本上，AI可以帮助恶意行为者用错误信息“淹没这个领域”。另一方面，一些最有前景的近期研究表明，与聊天机器人进行基于证据的对话，可以持久地降低人们对阴谋论以及其他不被现有公开证据总体所支持的信念的相信程度。 

AI有潜力大规模地进行这种辟谣——这是我们长期以来一直难以做到的事情。数十年来错误信息研究的教训是，任何技术（无论是早期的印刷、广播还是电视）在促进真相方面都不是天生就好或坏的。关键在于它如何被构建和部署的细节。像这个项目这样的独立审计可以帮助我们评估此类技术的最终影响。

Q：您能谈谈这项研究的总体目标吗？ 

Podimata：AI是一项变革性技术，人们对它对社会整体的意义有着非常不同的期望（和感受），这是可以理解的。我们所有人的生活中，都有人对AI过于热情，也有人深感担忧，还有更多人介于两者之间，试图理解这项技术能做什么、不能做什么。我们的目标并不是从AI对选举是好还是坏的假设出发。相反，我们希望为这一转变的一个方面带来一些启示：随着选举的展开，主要AI系统实际上在向人们提供关于选举的什么信息。

来源：MIT News · news.mit.edu