历史数据锚定LLM提升民调与选举预测精度
原始标题 / Matching-LLM: Historically Anchored Synthetic Prediction of Public Opinion and Elections
该研究提出Matching-LLM，将LLM生成的合成回答与历史人类行为数据加权结合，以改善公众意见和选举预测；其新意在于用历史数据校准LLM输出，并在多国调查和2024年美国大选中验证有效性。
01 摘要
研究提出Matching-LLM加权框架，融合LLM回答与历史人类行为数据，用于重建调查回答和预测选举结果。实验显示，该方法在多数未参与校准的调查问题上优于纯LLM，但未稳定超越纯历史数据方法；在2024年美国大选中预测共和党获310张选举人票，接近实际312张。作者认为历史数据有潜力改善LLM预测，但强调需按任务验证。
02 关键点
- Matching-LLM在12个未参与校准的调查问题中有11个优于纯LLM方法。
- 该方法未一致超越仅使用历史数据的基准，显示历史信息本身贡献显著。
- 2024年美国大选预测共和党获310张选举人票，实际为312张，优于两个单源基准。
回到一手来源
阅读原文 ↗AI GENERATED SUMMARY / DISCOVERED BY ARXIV Q-FIN