論文の概要: AI Alignment for Digital Democracy: Fairer Voters Representation against LLM Biases

• arxiv url: http://arxiv.org/abs/2610.32780v1
• Date: Fri, 23 Oct 2026 15:27:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.593327
• Title: AI Alignment for Digital Democracy: Fairer Voters Representation against LLM Biases
• Title（参考訳）: デジタル民主主義のためのAIアライメント - LLMバイアスに対する公正な投票者表現
• Abstract要約: 大規模言語モデル(LLM)は、モデル、プロンプトコンテキスト、受信した有権者情報によって異なる振る舞いをする。 LLMをエミュレートした選挙人の人口統計バイアスを3回のアメリカ合衆国大統領選挙で調査した。 投票者プロファイルから性別を除去することで、モデルの最大のグループエラーを22～42%削減し、教育の除去により64%削減する一方、自己申告されたレースの削除は平均グループエラーを40%以上増加させる。
• 参考スコア（独自算出の注目度）: 1.7728238726806496
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI representation is emerging in digital democracy, assisting in voter emulation and decision-making. Large language models (LLMs) behave differently depending on the model, the prompt context, and the voter information they receive, representing some groups more accurately than others and potentially making the emulation unfair to certain groups. We investigate demographic biases in LLM-emulated electorates: how accurately LLMs represent individual votes, whether some voter groups are represented more accurately than others, and whether AI alignment can reduce these disparities without sacrificing overall accuracy. Using three U.S. presidential elections, we compare a closed-source and an open-source LLM across voters' demographic features and test AI alignment strategies toward fairer voter representation. Removing gender from the voter profile reduces the largest group error of the models by 22-42%, and removing education reduces it by 64%, whereas removing self-reported race increases the mean group error by over 40%, all without lowering accuracy. Common alignment strategies, such as repeated queries or fairness instructions, do not reduce these errors and can double them.
• Abstract（参考訳）: AI表現はデジタル民主主義において登場し、有権者のエミュレーションと意思決定を支援する。 大規模言語モデル(LLM)は、モデル、プロンプトコンテキスト、そして彼らが受け取った投票者情報によって異なる振る舞いをし、あるグループを他のグループよりも正確に表現し、あるグループに対してエミュレーションを不公平にする可能性がある。 LLMをエミュレートした選挙人における人口統計バイアスについて検討し,投票者集団が他の投票者よりも正確に表現されているかどうか,AIアライメントが全体精度を犠牲にすることなくこれらの格差を低減できるかどうかを検討した。 3つのアメリカ合衆国大統領選挙を用いて、有権者の人口動態をクローズドソースとオープンソースLLMで比較し、より公平な投票者表現に向けたAIアライメント戦略をテストする。 投票者プロファイルから性別を除去することは、モデルの最大のグループエラーを22～42%削減し、教育の除去は64%削減する一方、自己申告されたレースの削除は平均グループエラーを40%以上増加させる。 繰り返しクエリやフェアネス命令のような一般的なアライメント戦略は、これらのエラーを低減せず、それらを2倍にすることができる。

関連論文リスト

• Overwhelmed by Choice: Studying LLM Decision Making at Scale [70.45144023754595]
  候補数の増加に伴い,複数選択および候補選択の評価を体系的に評価した。 タスク間での相当な精度劣化、戦略の推進、モデルスケールが見られます。 階層分割と置換に基づく推論は、HotpotQAとMIMICで約20パーセントの精度をN=160$で向上する。
  論文  参考訳（メタデータ） (2026-09-26T17:33:04Z)
• Sublinear Risk-Limiting Audits from Direct Ballot Selection and Statistical Ballot Manifests [47.94589114324381]
  リスクリミット監査(リスクリミット監査、RLA)は、不正な選挙結果が検出されない特定の最大確率を厳格に保証する、選挙後の監査手続きである。 典型的な選挙手続きはバッチサイズに対して自動的に大まかな見積もりを提供するが、わずかに不正確な場合でさえ従来のRLAを無効にする。 信頼できない集計によって報告されるバッチサイズが、事実、正確なマニフェストであり、直接投票選択と呼ばれる新しいRAAのクラスであることを保証する統計的メカニズムを提案する。
  論文  参考訳（メタデータ） (2026-05-18T17:12:11Z)
• Mitigating Subgroup Disparities in Multi-Label Speech Emotion Recognition: A Pseudo-Labeling and Unsupervised Learning Approach [53.824673312331626]
  Implicit Demography Inference (IDI)モジュールは、k平均クラスタリングを用いて、音声感情認識(SER)におけるバイアスを軽減する 実験により、擬似ラベルIDIはサブグループの格差を減らし、フェアネスの指標を28%以上改善することが示された。 教師なしのIDIは、SERのパフォーマンスが3.6%未満のフェアネス指標を4.6%以上改善する。
  論文  参考訳（メタデータ） (2025-05-20T14:50:44Z)
• Representation Bias in Political Sample Simulations with Large Language Models [54.48283690603358]
  本研究は,大規模言語モデルを用いた政治サンプルのシミュレーションにおけるバイアスの同定と定量化を目的とする。 GPT-3.5-Turboモデルを用いて、米国選挙研究、ドイツ縦割り選挙研究、ズオビアオデータセット、中国家族パネル研究のデータを活用する。
  論文  参考訳（メタデータ） (2024-07-16T05:52:26Z)
• Generative AI Voting: Fair Collective Choice is Resilient to LLM Biases and Inconsistencies [21.444936180683147]
  複雑な選好投票形式は、より単純な大政党選挙と比較して大きな矛盾を示す。 しかし、実世界で初めて直接民主主義における有権者の比例表現を示すことによって、平等な株式のような公正な投票集約手法が勝利であることも証明できる。
  論文  参考訳（メタデータ） (2024-05-31T01:41:48Z)
• LLM Voting: Human Choices and AI Collective Decision Making [0.0]
  本稿では,大規模言語モデル (LLM) の投票行動,特に GPT-4 と LLaMA-2 について検討する。 投票方法の選択と提示順序がLLM投票結果に影響を及ぼすことがわかった。 さまざまな人格がこれらのバイアスの一部を減らし、人間の選択との整合性を高めることができることがわかった。
  論文  参考訳（メタデータ） (2024-01-31T14:52:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。