HyperAIHyperAI

Command Palette

Search for a command to run...

LLM

Compas politique ou aiguille qui tourne à vide ? Vers des évaluations plus significatives des valeurs et des opinions dans les grands modèles de langage

Paul Röttger Valentin Hofmann Valentina Pyatkin Musashi Hinck Hannah Rose Kirk Hinrich Schütze Dirk Hovy

Résumé

De nombreux travaux récents cherchent à évaluer les valeurs et les opinions des grands modèles de langage (LLM) à l'aide de questionnaires à choix multiples. La plupart de ces travaux sont motivés par des préoccupations concernant les applications réelles des LLM. Par exemple, des LLM politiquement biaisés peuvent influencer subtilement la société lorsqu'ils sont utilisés par des millions de personnes. Ces préoccupations concrètes tranchent toutefois nettement avec l'artificialité des évaluations actuelles : les utilisateurs réels ne posent généralement pas de questions de type questionnaire aux LLM. Motivés par cette divergence, nous remettons en question le paradigme dominant d'évaluation sous contraintes des valeurs et des opinions dans les LLM et explorons des évaluations sans contraintes plus réalistes. À titre d'étude de cas, nous nous concentrons sur le Political Compass Test (PCT), largement utilisé. Dans une revue systématique, nous constatons que la plupart des travaux antérieurs utilisant le PCT contraignent les modèles à se conformer au format à choix multiples du PCT. Nous montrons que les modèles donnent des réponses substantiellement différentes lorsqu'ils ne sont pas contraints ; que les réponses varient selon la manière dont les modèles sont contraints ; et que les réponses manquent de robustesse aux reformulations. Nous démontrons ensuite que les modèles donnent à nouveau des réponses différentes dans un cadre de réponse ouverte, plus réaliste. Nous synthétisons ces résultats sous forme de recommandations et de défis ouverts pour l'évaluation des valeurs et des opinions dans les LLM.

One-sentence Summary

Challenging the prevailing constrained evaluation paradigm for values and opinions in LLMs, researchers from Bocconi University, Allen Institute for AI, Intel Labs, and other institutions demonstrate that answers to the Political Compass Test vary substantially across forcing methods, lack paraphrase robustness, and differ again in open-ended settings, motivating a call for more realistic evaluation approaches.

Key Contributions

  • A systematic review of Political Compass Test evaluations for LLMs finds that most prior work forces models into multiple-choice formats, with limited testing of open-ended responses, prompt robustness, model diversity, and generation settings.
  • Experiments on the 62 Political Compass Test propositions show that LLM answers change substantially when models are not forced into the test format, vary according to the forcing scheme, lack paraphrase robustness, and differ in a more realistic open-ended setting.
  • The paper provides recommendations for future value and opinion evaluations, including matching evaluations to likely user behaviours, conducting extensive robustness tests, and making local rather than global claims about values and opinions in LLMs.

Introduction

Large language models are increasingly deployed in applications where they discuss political and social topics, so understanding the values and opinions they express is important for alignment, public trust, and societal influence. Prior work often measures these values using human survey instruments such as the Political Compass Test, but these evaluations usually force models into fixed multiple-choice formats that may not reflect natural user interactions. The authors leverage a systematic review and new Political Compass Test experiments to show that constrained prompts, minor paraphrases, and open-ended evaluations can produce substantially different results. Their main contribution is evidence that current value evaluations are unstable and poorly generalizable, along with recommendations to use application-like evaluation settings, extensive robustness testing, and local rather than global claims about model values.

Dataset

  • The authors use the Political Compass Test (PCT) as a representative evaluation dataset for studying values and opinions in large language models.

  • The PCT is sourced from a political and social attitude questionnaire and contains 62 single-sentence propositions.

  • The propositions are divided into six topic groups:

    • Views on your country and the world: 7 questions
    • Economy: 14 questions
    • Personal social values: 18 questions
    • Wider society: 12 questions
    • Religion: 5 questions
    • Sex: 6 questions
  • Each proposition uses a four-choice response schema:

    • Strongly disagree
    • Disagree
    • Agree
    • Strongly agree
  • The response format has no neutral option, which constrains respondents and, in this context, models to select one side of the measured value dimension.

  • The dataset records responses that are used to place respondents along two axes:

    • Economic left to right
    • Social libertarian to authoritarian
  • The paper uses the PCT as a case study because it is widely adopted for evaluating LLM values and opinions, and because its multiple-choice format is similar to other common benchmarks.

  • No additional filtering rules, subsampling, or public train/test split are described in the provided text.

  • The processing detail relevant to dataset construction is the scoring rule: responses to the 62 propositions are combined through a weighted sum to produce positions on the two value scales.

Experiment

The experiments evaluate LLMs on the Political Compass Test by varying prompt constraints across multiple open and proprietary models, including removing or strengthening forced-choice instructions, paraphrasing prompts, and comparing multiple-choice with open-ended responses. These tests show that forced-choice prompting and minor wording changes substantially alter model answers, with many models defaulting to neutrality and yielding inconsistent or contradictory political placements. The results indicate that constrained evaluations are fragile and open-ended settings, while more realistic, still produce unstable responses, so strong conclusions about stable model values should be avoided.


Créer de l'IA avec l'IA

De l'idée au lancement — accélérez votre développement IA avec le co-codage IA gratuit, un environnement prêt à l'emploi et le meilleur prix pour les GPU.

Codage assisté par IA
GPU prêts à l’emploi
Tarifs les plus avantageux

HyperAI Newsletters

Abonnez-vous à nos dernières mises à jour
Nous vous enverrons les dernières mises à jour de la semaine dans votre boîte de réception à neuf heures chaque lundi matin
Propulsé par MailChimp