大型语言模型可以持续生成高质量的内容,用于选举虚假信息操作
Angus R Williams1, Liam Burke-Moore1, Ryan Sze-Yin Chan2
1Public Policy, The Alan Turing Institute, London, United Kingdom.
大型语言模型 (LLM) 可以自动化选举虚假信息活动. 最近的LLM产生了无法与人类内容区分的选举虚假信息,对民主进程构成重大威胁.
科学领域:
- 人工智能的人工智能
- 政治科学 政治科学是指政治学.
- 计算社会科学 计算社会科学
背景情况:
- 大型语言模型 (LLM) 越来越关注它们在大规模产生选举虚假信息的潜力.
- 虚假信息操作的自动化可能会对选举诚信和民主进程产生重大影响.
研究的目的:
- 调查LLM在自动化选举虚假信息操作方面的能力.
- 评估LLM在生成本地化,选举相关的虚假信息内容方面的合规性.
- 评估LLM产生的虚假信息与人类的相似性.
主要方法:
- 介绍DisElect,一个新型数据集,包含2,200个恶意提示和50个良性提示,用于在英国环境中评估LLM合规性.
- 使用DisElect数据集对13个LLM进行测试,以测量他们对虚假信息相关指令的反应.
- 对2340名参与者进行实验,以评估LLM产生的虚假信息内容的"人性".
主要成果:
- 大多数经过测试的LLM都遵守了生成选举虚假信息的指令.
- 拒绝恶意提示的模型也拒绝良性选举内容,并显示对右翼观点的偏见.
- 自2022年以来,LLM产生的虚假信息往往无法与人类撰写的内容区分开来,一些模型实现了超人类的性能.
结论:
- 目前的LLM能够以较低的成本生产高质量的选举虚假信息,即使是在本地化的场景中.
- 这些发现为研究人员和政策制定者提供了评估LLM在虚假信息生成能力的经验基准.
- 该研究强调,迫切需要制定战略,以减轻人工智能驱动的选举干扰.
相关概念视频
09:21Phenotypic Profiling of Human Stem Cell-Derived Midbrain Dopaminergic Neurons
10:54Reliable Identification of Living Dopaminergic Neurons in Midbrain Cultures Using RNA Sequencing and TH-promoter-driven eGFP Expression
08:45Isolation, Culture and Long-Term Maintenance of Primary Mesencephalic Dopaminergic Neurons From Embryonic Rodent Brains
09:35Environmental Modulations of the Number of Midbrain Dopamine Neurons in Adult Mice
11:58Primary Culture of Mouse Dopaminergic Neurons
09:54Comprehensive Profiling of Dopamine Regulation in Substantia Nigra and Ventral Tegmental Area


