バイロイト大学とミュンヘン大学を筆頭とする国際研究チームは、大規模言語モデルを用いた政治投票予測の内部動作を初めて詳細に分析し、精度と透明性を高める新手法を開発した。同研究はソウルで開催される国際機械学習会議ICML 2026で発表され、学術プレプリントサーバーarXivにも掲載されている。 AIを活用した世論調査や投票予測は広く導入されているが、その予測根拠の黒箱化が課題となっていた。本研究では最終出力だけでなくモデルの処理過程にある内部表現に焦点を当てた。研究チームは7種の言語モデルと6カ国の選挙データを対象に、モデルの種類、人口統計属性、政党構成、プロンプトなど2400万超の構成要素を解析。内部ネットワークの活性化パターンや、年齢・学歴などの情報がどのように処理されるかを追跡した。 その結果、言語モデルは最終回答に表れない隠れた政治的連関やバイアスを内部に保持していることが判明した。例えば特定政党を支持する予測を出しつつも、内部データには別政党への同程度強い関連性が記憶されているケースが確認された。新手法はこの隠れ情報を可視化し、予測精度の向上と誤差原因の特定を可能にする。 本研究はミュンヘン機械学習センター、フ라운ホーファー応用情報技術研究所、メリーランド大学と共同で実施した。チームは本手法を伝統的世論調査の補完的ツールと位置づけ、過小代表層の把握には実地調査が依然として不可欠だと強調している。AI予測の意思決定統合が進む中、内部表現の解明はモデルの透明性確保とガバナンス実装に寄与すると期待されている。