Ein internationales Forschungsteam unter Leitung der Universität Bayreuth und der Ludwig-Maximilians-Universität München hat erstmals die internen Verarbeitungsmechanismen großer Sprachmodelle bei der Prognose politischer Wahlentscheidungen untersucht. Die Ergebnisse wurden auf dem International Conference on Machine Learning (ICML 2026) in Seoul vorgestellt und vorab auf dem Preprint-Server arXiv publiziert. Mit der neu entwickelten Analysemethode lässt sich das Black-Box-Phänomen auflösen, indem sichtbar gemacht wird, welche Informationen die Modelle während der Berechnung tatsächlich verarbeiten, noch bevor sie eine finale Ausgabe generieren. Bisherige Studien konzentrierten sich primär auf die endgültigen Antworten von Large Language Models, nicht jedoch auf deren interne Rechenpfade. Das neue Verfahren analysiert über 24 Millionen Konfigurationen, die aus spezifischen Sprachmodellen, demografischen Merkmalen, Parteikonstellationen und Prompt-Strukturen bestehen. Untersucht wurden sieben verschiedene Sprachmodelle und sechs nationale Wahlen. Dabei wird kartiert, welche neuronalen Regionen der Modelle aktiviert werden und wie politische Präferenzen mit spezifischen Nutzerprofilen verknüpft sind. Die Analysen zeigen, dass Sprachmodelle im Verborgenen erheblich mehr über zugrunde liegende Muster lernen, als es die finale Wahlempfehlung ausweist. Ein System kann etwa eine Stimme für Partei X vorhersagen, gleichzeitig jedoch im internen Zustand starke Verbindungen zu Partei Y verarbeiten. Die Aktivierung dieser versteckten Repräsentationen durch die neue Methode ermöglicht präzisere Prognosen, erhöht die Transparenz der KI-gestützten Meinungsforschung und erleichtert die frühzeitige Identifikation von Verzerrungen sowie Prognosefehlern. Professor Dr. Niklas Kühl von der Universität Bayreuth betont, dass die Methode insbesondere für die Verbesserung der Vorhersagegüte wertvolle zusätzliche Einblicke liefert. Simeon Allmendinger, Erstautor und Doktorand am Lehrstuhl für Informationssysteme und Human-Centered AI, vergleicht den Ansatz mit dem Beobachten des Denkprozesses einer KI. Er unterstreicht jedoch ausdrücklich, dass die Technik kein Ersatz für traditionelle Wahlumfragen darstellt, deren praktische Durchführung und statistische Repräsentativität unverzichtbar bleiben. Die Zusammenarbeit umfasste zudem das Munich Center for Machine Learning (MCML), das Fraunhofer-Institut für angewandte Informationstechnologie FIT und die University of Maryland. Da KI-gestützte Prognosen zunehmend in der akademischen Marktforschung sowie der politischen Beratung eingesetzt werden, schafft die neu entwickelte Analysemethode eine verlässlichere Grundlage für datenbasierte Entscheidungsfindungen. Sie markiert einen entscheidenden Schritt hin zu transparenten, nachvollziehbaren und fehlerresistenteren KI-Systemen in sensiblen Anwendungsfeldern der Politikwissenschaft und Sozialforschung.