LLM姓名人口分类准确率优势源于选择性标注

Christian Pipal、Morgan Wack 与 Eva-Maria Vogel 发表研究，用 1 万个中文姓名、19,998 名自报种族的北卡罗来纳州选民和 300 名政治学作者的人工编码，比较 3 个大语言模型与 7 种传统工具在姓名性别、种族、族裔推断上的表现。 研究发现，LLM 的准确率优势部分来自选择性标注：Claude Haiku 只对约一半选民给出标注，而传统工具仅取置信度最高的一半样本时反而更准。研究还将选民样本与政党登记和年龄数据关联，考察分类误差对下游估计的影响。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。