arXiv cs.CY· Shiqi Zhang, Xiaokui Xiao·· 2 天前AI 评分34
VoteGEO-Bench：衡量生成引擎优化对选举信息可见度的影响
VoteGEO-Bench: Measuring the Impact of Generative Engine Optimization on Electoral Visibility
AI 导读
研究者提出 VoteGEO-Bench 基准，覆盖 2024 年美国大选与 2026 年日本众议院选举，结合选举查询、历史网页和选民画像，评估生成引擎优化（GEO）对选举信息可见度的影响。
正文 · AI 翻译
摘要：大型语言模型（LLM）越来越多地被用于选举信息，但外部网页内容如何塑造其呈现的政治信息，目前知之甚少。生成引擎优化（GEO）通过改写网页内容来提升其在生成式回答中的可见度。为探究其在投票场景中的潜在风险（VoteGEO），我们提出了 VoteGEO-Bench，一个涵盖 2024 年美国总统选举和 2026 年日本众议院选举的基准，结合了选举相关查询、历史网页和选民画像。我们首先分析生成引擎引用的来源，发现许多引用来自成本较低的自有平台和开放平台来源，而一些网页则能持续多日保持可见。随后，我们评估了 4 个类别中的 11 种改写策略，考察目标指定、跨引擎和跨选举的有效性，以及选民画像的作用。未指定目标的改写很少能提升目标曝光度，而指定目标的改写则更常能做到。改善页面组织或通过论证强化某一立场的策略，比添加支持性证据或改变措辞带来更大的收益。对于两种最强的策略，其收益在评估的美国选民画像中总体保持正向，但画像条件作用对这些收益没有一致影响。明确的党派身份可能造成比改写单个网页所获收益更大的基线曝光差距。当党派倾向隐含在选民档案中时，基线变化取决于引擎对该信号的响应强度。
| 主题： | 信息检索（cs.IR）；计算与语言（cs.CL）；计算机与社会（cs.CY） |
| 引用为： | arXiv:2610.21330 [cs.IR] |
| （或 arXiv:2610.21330v1 [cs.IR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.21330 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Shiqi Zhang [查看电子邮件]
[v1]
2026年10月15日星期四 06:18:55 UTC（106 KB）
来源：arXiv cs.CY · arxiv.org