בוחרים משתמשים יותר ויותר בעוזרי כתיבה מבוססי בינה מלאכותית לפני בחירות. השאלה אינה רק האם הכלים האלה משכנעים, אלא גם אילו עמדות הם מציעים כברירת מחדל כשמבקשים מהם טקסט על סוגיות מדיניות.
במאמר “Issue Bias in Generative AI Writing Assistance: Political Issues and LLMs in the Swedish 2026 Election” (arXiv:2609.15207) בוחנים Bastiaan Bruinsma, Annika Fredén, Paul Röttger, Moa Johansson ו-Asad Sayeed את העמדות ששישה מודלי שפה גדולים מספקים במשימות כתיבה בשוודית, לקראת הבחירות הפרלמנטריות בשוודיה ב-2026.
פתיח
המחקר אינו בודק שכנוע של משתתפים אנושיים בניסוי. הוא בודק משהו קודם: איזה תוכן פוליטי המודלים עצמם מייצרים כשמבקשים מהם לכתוב על הצעות מדיניות. זו נקודת מבט חשובה, כי עוזרי כתיבה נכנסים לחיי היום יום של בוחרים עוד לפני שהם נחשפים לקמפיין ממוקד.
1. מה החוקרים עשו
הצוות חצה 107 הצעות מדיניות עם 77 תבניות כתיבה, ועם מסגור ניטרלי, חיובי ושלילי בפרומפט. כך נוצרו 24,717 פרומפטים לכל מודל, ו-148,302 תשובות בסך הכל, מששת המודלים שנבדקו.
הם בחנו את נטיית העמדה כברירת מחדל של כל מודל, השוו בין תגובות למודלים על סוגיות דומות, והשוו את תשובות המודלים לעמדות של שמונת המפלגות בפרלמנט השוודי באותן סוגיות.
2. פרופילים דומים, עם כמה חריגים
Claude, DeepSeek, Gemini ו-Mistral הציגו פרופילים דומים זה לזה. ChatGPT סיפק לעתים קרובות יותר טקסט ניטרלי או אמביוולנטי. Grok נבדל ביותר בנושאים כמו הגירה, פשיעה ומגדר.
המסר כאן אינו שכל המודלים זהים. יש דמיון רחב, אבל גם הבדלים ממוקדים בנושאים רגישים פוליטית. לבוחר שמבקש עזרה בכתיבה על אותם נושאים, הבחירה במודל עשויה לשנות את הטון והתוכן שהוא מקבל.
3. קרבה למפלגות: הממצא הזהיר
בהשוואה למפלגות, הסוציאלדמוקרטים היו הקרובים ביותר לכל ששת המודלים. עם זאת, אחרי תיקון להשוואות מרובות, אף אחד מההבדלים בתוך מודל במרחקים מהמפלגות לא נותר מובהק סטטיסטית.
במילים אחרות: יש דפוס כיווני שכדאי לשים לב אליו, אבל המחברים אינם טוענים להעדפה מפלגתית יציבה ומובהקת של מודל מסוים אחרי תיקון סטטיסטי. המסקנה הכללית שלהם זהירה: אין למודל העדפה ברורה, וגם לא העדפה ברורה למפלגה אחת. התשובה תלויה בסוגיה הספציפית ובמשימה שהמשתמש מבקש.
4. מה המחקר אינו מוכיח
זה מחקר על פלטי מודלים במשימות כתיבה מבוקרות, לא על השפעה ישירה על כוונות הצבעה. הוא גם ממוקם בהקשר שוודי ובשפה השוודית. לא ניתן להסיק ממנו אוטומטית את אותו דפוס לכל מדינה או לכל בחירות.
עדיין, עצם העובדה שניתן למפות עמדות מודל מול מפה מפלגתית מראה כמה חשוב לבדוק עוזרי כתיבה לפני בחירות, ולא רק פרסומות או בוטים שכנוע מפורשים.
למה זה חשוב
חלק גדול מהשיח על בינה מלאכותית ודמוקרטיה מתמקד בדיסאינפורמציה ובשכנוע מכוון. המחקר הזה מוסיף שכבה שקטה יותר: הטיית נושא (issue bias) בתוך כלי כתיבה שגרתיים. גם בלי קמפיין מניפולטיבי, בוחרים עלולים לקבל ניסוחים שמציגים סוגיה באופן עקבי לכיוון מסוים, או באופן ניטרלי יותר, לפי המודל והמשימה.
לרגולטורים, לעיתונאים ולאזרחים יש כאן לקח מעשי. שקיפות לגבי איזה מודל משמש בעוזר כתיבה פוליטי חשובה. כך גם בדיקות עצמאיות של עמדות לפי נושא, לא רק לפי מפלגה. והכי חשוב: אין להניח שמודל “ניטרלי” בכלל הסוגיות רק כי הוא לא נצמד למפלגה אחת באופן מובהק.
לקראת בחירות, כשעוזרי כתיבה הופכים לשכבת מידע יומיומית, השאלה הדמוקרטית אינה רק מי משכנע את מי. היא גם אילו עמדות נכנסות לטיוטה הראשונה של הטקסט שהבוחר קורא, עורך או שולח הלאה.
קרדיט למאמר
Bruinsma, Bastiaan; Fredén, Annika; Röttger, Paul; Johansson, Moa; and Sayeed, Asad. (2026). “Issue Bias in Generative AI Writing Assistance: Political Issues and LLMs in the Swedish 2026 Election.” arXiv:2609.15207. https://arxiv.org/abs/2609.15207
הערה: הסיכום נשען על התקציר והמטא-דאטה הרשמיים ב-arXiv. זה מחקר טרם ביקורת עמיתים (preprint).