近日，由德国拜罗伊特大学与慕尼黑大学等机构联合组建的国际研究团队在国际机器学习会议（ICML 2026，首尔）上发布了一项突破性成果。该团队首次深入解析了大型语言模型在政治选举预测中的内在工作机制，为AI黑箱提供了全新透视视角。 传统AI民意调查多聚焦于模型最终输出的答案，犹如仅看计算器结果而忽视运算过程。为此，研究团队提出新方法，系统分析涵盖七个主流语言模型与六场国民选举的超两千四百万种参数配置。研究人员通过追踪模型内部的神经激活区域，精准捕捉了人口统计学特征、党派关联及提示词输入对预测过程的实质影响。 研究发现，语言模型在内部推理阶段往往储存了超出最终结论的隐藏偏好信息。例如，模型在判定某选民倾向于某一政党时，内部表征可能同时存在与其他政党强关联的隐性信号。这种对内在状态的可视化提取，显著增强了选举预测的透明度与准确性，有助于快速定位预测偏差并识别潜在算法偏见。 课题组负责人强调，该方法旨在作为传统问卷调查的补充工具，尤其在覆盖代表性不足群体方面具备独特优势，但不可替代实地民调。随着AI决策深度融入政治咨询与市场研究，此类可解释性技术的突破将推动下一代民意分析向更精准、更稳健的方向演进。