arXiv cs.CL· Donggyu Lee, Hyeok Yun, Jungwon Kim, Junsik Min, Sungwon Park, Sangyoon Park, Jihee Kim·· 3 天前AI 评分41
LLM 在经济因果推理中的意识形态偏见
Ideological Bias in LLMs' Economic Causal Reasoning
AI 导读
研究将 EconCausal 基准扩展至意识形态争议案例，从 10,490 个因果三元组中识别出 1,056 个争议实例，评测 20 个 SOTA LLM 预测实证支持的因果方向。结果显示争议项准确率一致更低，且 20 个模型中有 17 个在因果符号符合干预导向（亲政府）预期时准确率系统性高于市场导向（亲市场）预期；模型出错时预测也过度偏向干预导向，一次性上下文提示无法消除这一方向性偏斜。
正文 · AI 翻译
摘要：大型语言模型（LLM）在对经济因果关系进行推理时，是否表现出系统性的意识形态偏见？随着 LLM 越来越多地用于政策分析和经济报道——在这些场景中，方向正确的因果判断至关重要——这一问题具有直接的实际意义。我们通过扩展 EconCausal 基准，加入意识形态争议案例——即干预导向（亲政府）与市场导向（亲市场）视角会预测出不同因果符号的情形——进行了一项系统性评估。从源自顶级经济学与金融学期刊的 10,490 个因果三元组（经实证验证效应方向的干预-结果对）中，我们识别出 1,056 个意识形态争议实例，并评估了 20 个最先进的 LLM 预测经实证支持的因果方向的能力。我们发现，意识形态争议条目始终比非争议条目更难，并且在 20 个模型中的 17 个里，当经实证验证的因果符号与干预导向预期一致时，准确率系统性地高于与市场导向预期一致时。此外，当模型出错时，其错误预测不成比例地偏向干预导向，而这种方向性偏斜并不能通过一次性上下文提示消除。这些结果表明，LLM 不仅在意识形态争议的经济问题上准确率较低，而且在某一意识形态方向上系统性地比另一方向更不可靠，凸显了在高风险经济与政策场景中进行方向感知评估的必要性。
| Comments: | Accepted at COLM 2026 |
| Subjects: | 人工智能（cs.AI）；计算工程、金融与科学（cs.CE）；计算与语言（cs.CL）；机器学习（cs.LG）；一般经济学（econ.GN） |
| Cite as: | arXiv:2604.21334 [cs.AI] |
| （或 arXiv:2604.21334v3 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2604.21334 arXiv 颁发的 DOI，通过 DataCite |
提交历史
来自：Donggyu Lee [查看邮箱]
[v1]
2026年4月23日星期四 06:45:36 UTC（703 KB）
[v2]
2026年7月12日星期日 10:06:56 UTC（703 KB）
[v3]
2026年10月14日星期三 09:00:41 UTC（665 KB）
来源：arXiv cs.CL · arxiv.org