לפני שסוקרים דעת קהל עם מודלי שפה: מסגרת אבחון דיליברטיבית

חוקרים ומכוני סקרים מתחילים להשתמש בפרסונות של מודלי שפה גדולים כדי לדמות דעת קהל במהירות ובזול. השאלה הקשה אינה רק האם הפרסונה “מחזיקה” עמדה סבירה. השאלה היא האם היא משנה עמדה כמו אדם, כשמציגים לה מידע חדש.

במאמר “Before You Poll with LLMs: A Deliberative Diagnostic Framework” (arXiv:2609.15849) מציגים Ahmed Wali ו-Hassaan Tayyab מסגרת שמשווה שינויי אמונה של בני אדם ושל פרסונות מודל אחרי אותה התערבות מידעית.

פתיח

סיליקון סמפלינג (silicon sampling) מציע לדמות סקר ציבורי דרך אלפי פרסונות ממוחשבות. רוב הבדיקות הקיימות בודקות תמונת מצב סטטית: האם הפרסונה מחזיקה את העמדה “הנכונה”. אבל מחקר דעת קהל, ובעיקר סקרים דיליברטיביים, תלוי גם בנאמנות דינמית. כלומר, האם הפרסונה מעדכנת אמונות בתגובה לטיעונים חדשים, כמו אנשים בדיון.

לפי המחברים, אין עדיין מדד סטנדרטי שבודק בדיוק את זה. המסגרת שלהם נועדה לחשוף כשלים שלא נראים בבדיקה סטטית.

1. מה החוקרים עשו

הם בנו Deliberative Polling Diagnostic Framework, מסגרת שמשווה שינויי אמונה אנושיים ושל מודלים אחרי אותן התערבויות מידע. הבסיס הוא סקר דיליברטיבי, שבו משתתפים מקבלים מידע מאוזן ואז מביעים עמדה מחדש.

הם יישמו את המסגרת על חמישה מודלי קצה, עם נתונים מ-America in One Room: 526 פרסונות ו-72 שאלות. כך אפשר לבדוק לא רק מה הפרסונה “חושבת”, אלא איך היא זזה אחרי מידע.

2. כל המודלים נכשלו, כל אחד בדרך אחרת

לפי הממצאים, כל חמשת המודלים נכשלו, אבל לא באותו אופן.

GPT-5.1 הציג היפוך: אחרי מידע מאוזן, הפרסונות שלו נעשו עוינות יותר כלפי הצד השני, בעוד שבני אדם נעשו פחות עוינים. ההיפוך היה סלקטיבי: כ-80 אחוז בשאלות על הקבוצה החיצונית, לעומת כ-26 אחוז בשאלות מדיניות, והוא היה סימטרי בין זהויות מפלגתיות.

Gemini 2.0 Flash, Claude Sonnet 4.5 ו-Llama 3.3 70B הציגו חריגה לכיוון הנכון, אבל בעוצמה של פי 5 עד 7 משינוי האנושי. DeepSeek V3 הציג קשיחות, עם שינוי כמעט אפסי.

3. מה מניע את הכשל: תוכן מדיניות וזהות

בבדיקות ממוקדות מצאו המחברים שתוכן מדיניות הוא מה שמפעיל את הכשלים, ושהם תלויי זהות. GPT-5.1 היפוך בשאלות על הקבוצה החיצונית, אבל חרג לכיוון הנכון בשאלות על הקבוצה הפנימית. ל-Gemini היה דפוס הפוך.

הם מכנים את החתימה הזאת self-sycophancy: התאמה לסטראוטיפ הפנימי של המודל לגבי הפרסונה, במקום הסקה מהמידע שסופק. במילים פשוטות, המודל מתנהג כמו שהוא “מצפה” שהפרסונה תתנהג, לא כמו משתתף ששוקל טיעונים חדשים.

4. מה המחקר אינו מוכיח

זה מחקר על דינמיקת עדכון אמונות בפרסונות מודל, בהקשר אמריקאי ובמערך נתונים ספציפי. הוא אינו טוען שסקרים עם בני אדם מיותרים, וגם לא שכל שימוש בפרסונות מודל פסול. המסר הוא צר יותר: לפני שסומכים על פרסונות כדי לדמות שינוי עמדה אחרי דיון או מידע, צריך לבדוק נאמנות דינמית, לא רק התאמה סטטית לעמדות ידועות.

למה זה חשוב

בדמוקרטיה, סקרים דיליברטיביים וניסויי מידע נועדו לעזור להבין איך אזרחים מעדכנים עמדות כשהם נחשפים לטיעונים מאוזנים. אם מודלים מחליפים את השלב הזה בלי בדיקה, אפשר לקבל תמונה מעוותת של “מה הציבור יחשוב אחרי דיון”.

זה רלוונטי למכוני מחקר, לקמפיינים, לעיתונאים ולמי שמציע סימולציות דעת קהל מבוססות בינה מלאכותית. מודל שמייצר עמדות מפלגתיות משכנעות עלול עדיין לעוות את כיוון השינוי, את עוצמתו, או את שניהם. בלי אבחון דיליברטיבי, הסיכון הוא לטעות לא רק לגבי מה אנשים חושבים עכשיו, אלא גם לגבי איך הם מתעדכנים כשמציגים להם מידע.

המלצת המחברים מעשית: להריץ את האבחון הדיליברטיבי לפני שסומכים על פרסונות מודל כדי לחקות אמונות מעודכנות אחרי מידע.

קרדיט למאמר

Wali, Ahmed; and Tayyab, Hassaan. (2026). “Before You Poll with LLMs: A Deliberative Diagnostic Framework.” arXiv:2609.15849. https://arxiv.org/abs/2609.15849

הערה: הסיכום נשען על התקציר והמטא-דאטה הרשמיים ב-arXiv. זה מחקר טרם ביקורת עמיתים (preprint).

הטיית נושא במודלי שפה: מה כותבים שישה מודלים לקראת בחירות שוודיה 2026

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).

בינה מלאכותית צריכה להקל על דיון דמוקרטי בקנה מידה גדול

האם בינה מלאכותית מחלישה את הדמוקרטיה — או יכולה דווקא להרחיב את היכולת של אזרחים להתווכח, להקשיב ולהחליט יחד? מאמר עמדה חדש טוען שהשאלה המרכזית אינה האם להכניס AI לפוליטיקה, אלא איך: ככלי שמוריד חסמים לדיון משמעותי, בלי להחליף שיפוט אנושי בשיפוט מכונה.

במאמר “AI Should Facilitate Democratic Deliberation at Scale” (arXiv:2609.20059; מיועד ל־ICML 2026) כותבים José Ramón Enríquez, Jiaxin Pei ו־Alex Pentland ש־AI יכול לחזק דמוקרטיה אם ישמש לתמיכה בדיון בקנה מידה גדול — תוך טיפול בחיכוכים קוגניטיביים, חברתיים, עיצוביים ושוקיים — ובלי לוותר על סוכנות אנושית.

פתיח

בשנים האחרונות רוב הדיון הציבורי על AI ודמוקרטיה נסוב סביב סיכונים: דיסאינפורמציה, שכנוע אוטומטי, ומניפולציה. מאמר העמדה הזה מציע כיוון משלים: לא רק “איך לא להרוס דיון”, אלא “איך לבנות מערכות שעוזרות לאנשים לדון טוב יותר כשהקהילה גדולה מדי לפגישה אחת בחדר”.

1. לא דמוקרטיה נוזלית — אלא דיון בסיוע AI

המחברים מבדילים את הצעתם ממודלים כמו liquid democracy, שבהם ייצוג משונה באמצעות האצלת קולות. לטענתם, דיון בסיוע AI הוא מסלול מבטיח יותר: הוא מוריד חסמים להשתתפות משמעותית בלי להחליף בחירה אנושית בשיקול דעת של מכונה.

המסר העקרוני ברור: המטרה אינה שמערכת תחליט במקום האזרחים, אלא שתאפשר להם להשתתף בדיון מיודע ויציב יותר גם כשמספר המשתתפים עצום.

2. ארבעה עקרונות מנחים

על בסיס ראיות מפלטפורמות דיון מקוון וממחקר ניסויי, המחברים מציגים ארבעה עקרונות:

• שמירה על סוכנות ואוטונומיה — האדם נשאר מחליט.
• עידוד כבוד הדדי — תמיכה בשיח מכבד ולא רק ב“מעורבות”.
• קידום שוויון והכללה — צמצום חסמים שמוציאים קבוצות מהדיון.
• חיזוק אזרחות פעילה במקום החלפתה — AI כמגביר יכולת, לא כתחליף להשתתפות.

זו מסגרת נורמטיבית לא פחות מטכנולוגית: היא מגדירה מה נחשב הצלחה של מערכת כזו.

3. החיכוכים ש־AI אמור לפתור

המאמר מצביע על ארבעה סוגי חיכוכים שפוגעים בדיון בקנה מידה גדול: קוגניטיביים (עומס מידע, קושי לסכם ולעקוב), חברתיים (קיטוב, חוסר הקשבה), עיצוביים (מבנה פלטפורמה שמעדיף ויראליות), ושוקיים (תמריצים של פלטפורמות ומודלים שמכוונים למעורבות).

הרעיון הוא ש־AI יכול לסייע בסיכום, בניווט בין עמדות, ובהנגשת מידע — אם הוא מתוכנן סביב דיון דמוקרטי ולא סביב מדדי engagement.

4. האתגרים: יישור, חנופה, הטיות והסתמכות יתר

המחברים אינם מתעלמים מהסיכונים. הם מדגישים אתגרים מרכזיים: יישור (alignment) של המערכת למטרות דמוקרטיות; sycophancy — נטייה של מודלים להחמיא או להסכים למשתמש; הטיות אימון; והסתמכות יתר על AI שעלולה לרוקן את האזרחות הפעילה מתוכן.

במילים אחרות: אותם כלים שיכולים להקל על דיון עלולים גם לשטח אותו, אם המשתמשים מפסיקים לחשוב בעצמם או אם המערכת מכוונת ל“לשמח” במקום לאתגר.

5. קריאה לקהילת הלמידה החישובית

המאמר חותם בקריאה לקהילת ה־machine learning לפתח מערכות AI שמיועדות לדיון, ולהעריך אותן לא לפי מדדי מעורבות — אלא לפי יכולתן לאפשר שיח מיודע, ייצוגי ועמיד בפני חיכוכים.

זה שינוי קריטריון חשוב: אם מצליחים רק “להשאיר אנשים באפליקציה”, עדיין אפשר להיכשל בדמוקרטיה.

למה זה חשוב

עבור ישראל ודמוקרטיות בכלל, הדיון על AI נוטה להתמקד באיומים על בחירות ובפייק. מאמר העמדה הזה מוסיף שכבה חיונית: עיצוב מוסדי וטכנולוגי של דיון ציבורי עצמו. אם רוצים שאזרחים יוכלו להתמודד עם מדיניות מורכבת — רגולציה, ביטחון, כלכלה — צריך כלים שמקטינים עומס ומגבירים הבנה, בלי לקחת מהם את ההחלטה.

המבחן המעשי הוא פשוט יחסית לנסח וקשה לבצע: האם המערכת משאירה את הריבונות אצל בני אדם, משפרת את איכות הדיון, ומרחיבה מי יכול להשתתף — או שהיא מחליפה אזרחות באוטומציה נוחה?

קרדיט למאמר

Enríquez, José Ramón; Pei, Jiaxin; and Pentland, Alex. (2026). “AI Should Facilitate Democratic Deliberation at Scale.” arXiv:2609.20059. Position paper; ICML 2026 (PMLR 306). https://arxiv.org/abs/2609.20059

הערה: זה מאמר עמדה (position paper) המבוסס על ספרות וניסויים קיימים, לא ניסוי חדש עם מדגם בחירות. הסיכום לעיל נשען על התקציר והמטא־דאטה הרשמיים ב־arXiv.

האם צ'אטבוט יכול לשנות את הצבעתכם? עדויות משלוש מערכות בחירות לאומיות

הדיון הציבורי על בינה מלאכותית גנרטיבית ובחירות נע לרוב בין פאניקה לזלזול. מחקר שפורסם בדצמבר 2025 בכתב העת Nature מחליף את הרטוריקה הזו במשהו נדיר יותר: ניסויים רשומים מראש (pre-registered) שבודקים כמה שיחה קצרה עם סוכן AI משכנע יכולה להזיז בוחרים אמיתיים.

במאמר “Persuading voters using human–artificial intelligence dialogues” בוחנים Hause Lin, Gabriela Czarnek, Benjamin Lewis, Joshua P. White, Adam J. Berinsky, Thomas Costello, Gordon Pennycook ו-David G. Rand האם מודלי שפה גדולים יכולים לשנות העדפות מועמדים בהקשר של הבחירות לנשיאות ארצות הברית ב-2024, הבחירות הפדרליות בקנדה ב-2025 והבחירות לנשיאות פולין ב-2025. התשובה שלהם מטרידה אך ברורה: כן — והמנגנון חשוב לא פחות מגודל האפקט.

פתיח

השאלה אינה עוד האם בינה מלאכותית "עלולה" להשפיע על דעת קהל, אלא האם ניתן למדוד השפעה כזו בתנאי ניסוי שקופים, עם משתתפים שיודעים שהם מדברים עם מערכת שמנסה לשכנע אותם. המחקר של לין ועמיתיו עושה בדיוק את זה — בשלוש דמוקרטיות, בשלוש מערכות בחירות שונות — ומציע מסגרת אמפירית לדיון שעד כה נשען בעיקר על חששות והשערות.

1. מה החוקרים עשו בפועל

הצוות ערך ניסויים רשומים מראש שבהם הוקצו המשתתפים באקראי לשיחת טקסט הלוך-ושוב עם מודל בינה מלאכותית שהונחה לתמוך באחד משני המועמדים המובילים. במחקר האמריקאי ציינו 2,306 אזרחים את מידת נכונותם לתמוך בדונלד טראמפ או בקמלה האריס, ואז שוחחו עם צ'אטבוט שתוכנן לטעון לטובת אחד מהם. עיצובים מקבילים כיסו את מארק קארני מול פייר פואלייב בקנדה, ואת רפאל טשאסקובסקי מול קרול נברוצקי בפולין.

המודל הונחה להיות חיובי, מכבד ומבוסס-עובדות; להכיר בעמדות המשתתף; ולהשתמש בטיעונים משכנעים. נקודה קריטית: המשתתפים ידעו בדרך כלל שהם מדברים עם בינה מלאכותית שמנסה לשכנע אותם. בחירת עיצוב זו הופכת את התוצאות לשמרניות יותר מאשר בקמפיין השפעה סמוי — אך גם רלוונטיות יותר לשימוש אמיתי בצ'אטבוטים.

המחברים מדווחים גם על ניסוי נלווה בקרב תושבי מסצ'וסטס בנושא הצעת חוק להכשרת פסיכדליים, וגם בו נמצאו אפקטי שכנוע גדולים.

2. הממצא המרכזי: שכנוע באמצעות AI הוא אמיתי — וחזק יותר מפרסומות טיפוסיות

בניסויי הבחירות הניבו השיחות עם ה-AI שינויים מובהקים סטטיסטית בהעדפת המועמדים. המחברים מדווחים כי אפקטי הטיפול היו גדולים מאלה שנצפים בדרך כלל מפרסומות פוליטיות בווידאו מסורתיות.

האפקטים לא היו אחידים. העמדות התחזקו מעט כאשר המשתתפים שוחחו עם צ'אטבוט שהיה מיושר עם העדפתם הקיימת. התזוזה החזקה יותר התרחשה כאשר ה-AI תמך במועמד שהמשתתף התנגד לו בתחילה. במילים אחרות: הצ'אטבוט לא רק חיזק את המשוכנעים ממילא — הוא הזיז אנשים מעבר לקו ההעדפה.

סיקור משני של המאמר תיאר תזוזות אמריקאיות בסדר גודל של כמה נקודות בסולם העדפה של 100 נקודות, עם תזוזות גדולות יותר בדגימות הקנדיות והפולניות. התקציר של המאמר עצמו מדגיש מובהקות והשוואה לבנצ'מרקים של פרסום, ולא אחוז כותרת יחיד. בכל מקרה, הטענה המהותית זהה: הסברה אינטראקטיבית קצרה באמצעות AI יכולה לשנות עמדות הצבעה נמדדות.

3. איך ה-AI משכנע: עובדות, לא "אמנויות אפלות" פסיכולוגיות

תרומה מרכזית שנייה נוגעת לאופן השכנוע. החוקרים בחנו את האסטרטגיות שבהן השתמשו המודלים. הדפוס הדומיננטי לא היה מניפולציה פסיכולוגית מתוחכמת. במקום זאת, המודלים שכנעו באמצעות הצפת השיחה בעובדות ובראיות רלוונטיות — ובמיוחד בטענות הקשורות למדיניות.

לממצא הזה יש השלכה חדה. כאשר הוגבלו המודלים כך שלא יוכלו להישען על טענות עובדתיות, הם הפכו לפחות משכנעים בהרבה. נפח של ראיות הניתנות לבדיקה (או הנראות כניתנות לבדיקה), יותר מאשר מסגור חכם לבדו, נראה כמנוף מרכזי של השפעת AI שיחתית.

שיחה על אישיות המועמדים השפיעה פחות משיחה על מדיניות. אופן הפעולה היעיל ביותר של ה-AI דמה פחות להטרמה רגשית ויותר לתיק טיעונים אנרגטי וזמין תמיד לצד אחד של הוויכוח.

4. בעיית הדיוק אינה אחידה — ויש אסימטריה פוליטית

כאן הופך המחקר לחשוב במיוחד לשלמות הדמוקרטית. לא כל ה"עובדות" היו מדויקות. בשלוש המדינות, מודלי AI שתמכו במועמדים מן הימין הפוליטי ייצרו יותר טענות לא מדויקות ממודלים שתמכו במועמדים מן השמאל — גם תחת הנחיות מפורשות להישאר אמיתיים ומבוססי-עובדות.

מאמר News & Views נלווה ב-Nature, שצוטט גם בהודעת העיתונות של כתב העת, מנסח את העוקץ הנורמטיבי: שכנוע פוליטי באמצעות AI יכול לנצל חוסר איזון במה שהמודלים "יודעים", ולהפיץ אי-דיוקים בלתי אחידים גם כשאומרים להם להישאר אמיתיים.

אין כאן טענה שבוחרי ימין קלים יותר להטעיה. זו טענה על התפלגות הידע והאימון של מודלים בני-זמננו: כשדוחפים אותם לייצר שפע של ראיות תומכות למחנות שונים, שיעורי השגיאה אינם סימטריים.

5. מה המחקר אינו מוכיח

המחברים — וגם חומרי העיתונות של כתב העת — זהירים לגבי תוקף חיצוני. אלה היו ניסויים מבוקרים עם משתתפים מתוגמלים שידעו שה-AI מנסה לשכנע אותם. בחירות אמיתיות כוללות מחסור בקשב, מסרים מתחרים, היוריסטיקות של אמון, אלגוריתמי פלטפורמות ורשתות חברתיות. דיאלוג שבוי של כשש דקות אינו זהה לדיפ-פייק ויראלי או לשליח ממוקד שאינו חושף שהוא AI.

לכן המאמר אינו מדגים שצ'אטבוטים כבר הכריעו את בחירות 2024–2025. הוא מדגים משהו צר ושימושי יותר: בתנאים שקופים, דמויי-מעבדה, AI שיחתי יכול להזיז העדפות מועמדים באופן משמעותי — באמצעות דיאלוג עמוס-עובדות שאינו תמיד מדויק.

למה זה חשוב

חלק גדול מהשיח הציבורי על AI ודמוקרטיה עדיין מתייחס ל"סיכון השכנוע" כאל ספקולציה. לין ועמיתיו הופכים אותו לשאלה אמפירית עם עדויות חוצות-מדינות. שלושה לקחים בולטים לאזרחים, לקמפיינים, לפלטפורמות ולרגולטורים.

ראשית, AI אינטראקטיבי אינו עוד פורמט פרסום. דיאלוג האורז טענות מדיניות יכול לעלות על בנצ'מרקים מוכרים של פרסום בווידאו בתנאי ניסוי. הדבר מעלה את חשיבותם של כללי גילוי, עיצוב פלטפורמות ודיוני מימון קמפיינים שעדיין מניחים תוכן סטטי.

שנית, מסלול ההשפעה הוא אפיסטמי, ולא רק פסיכולוגי. אם מודלים משכנעים באמצעות הצפת משתמשים בטענות, איכות הטענות הללו הופכת לבעיה דמוקרטית מן המעלה הראשונה. ביקורת דיוק, דרישות ציטוט וסימון פלטי צ'אטבוטים פוליטיים אינם סוגיות אתיקה שוליות; הם יושבים בלב שלמות הבחירות.

שלישית, ידע לא אחיד של מודלים יכול לייצר מידע מוטעה לא אחיד — גם כששני הצדדים מקבלים אותה הנחיה "היו אמיתיים". אסימטריה זו מאתגרת כל מסגרת רגולטורית או עיתונאית שמתייחסת לדיבור פוליטי של AI ככלי ניטרלי מבחינת תוכן.

המסקנה המעשית אינה שבוחרים חסרי אונים, או שיש לאסור AI בפוליטיקה. היא שמערכות דמוקרטיות זקוקות למעקות בטיחות מבוססי-ראיות לשכנוע שיחתי: סימון ברור יותר כשהצ'אט הוא הסברה; הערכה עצמאית של שיעורי שגיאה עובדתית לפי צד מועמד ולפי נושא; ואוריינות ציבורית לגבי האופן שבו מודלים גנרטיביים יכולים להישמע בטוחים בעצמם תוך שהם שגויים באופן סלקטיבי.

בינה מלאכותית כמעט בוודאי תשחק תפקיד גדול יותר בבחירות עתידיות. המחקר הזה מראה מדוע זו אינה רק סיפור טכנולוגי. זה סיפור על האופן שבו העדפה, ראיות ושגיאה עוברות דרך דיאלוג — ועל מי מרוויח כאשר ה"עובדות" בדיאלוג הזה אינן אמינות באופן אחיד.

קרדיט למאמר

Lin, Hause; Czarnek, Gabriela; Lewis, Benjamin; White, Joshua P.; Berinsky, Adam J.; Costello, Thomas; Pennycook, Gordon; and Rand, David G. (2025). “Persuading voters using human–artificial intelligence dialogues.” Nature 648: 394–401. https://doi.org/10.1038/s41586-025-09771-9

פורסם אונליין ב-4 בדצמבר 2025; תאריך גיליון: 11 בדצמבר 2025. מאמר מחקר שעבר ביקורת עמיתים.