idw – Informationsdienst Wissenschaft
Nachrichten, Termine, Experten
Nachrichten, Termine, Experten
Ein Forschungsteam mit Beteiligung der Universität Bayreuth hat erstmals das „Innenleben“ von KI-Sprachmodellen bei der Vorhersage von politischen Wahlentscheidungen analysiert. Dafür haben die Forschenden sechs nationale Wahlen und KI-basierte Wahlprognosen untersucht und eine neue Methode der präzisen Vorhersage entwickelt. Über ihre Erkenntnisse berichteten sie auf einer der weltweit führenden KI-Konferenzen, der International Conference on Machine Learning (ICML‘26) in Seoul, Südkorea.
---
What for?
KI-gestützte Meinungsforschung wird bereits in Wissenschaft, Marktforschung und Politikberatung eingesetzt. Je stärker solche Prognosen in Entscheidungsprozesse eingebunden werden, desto wichtiger wird die Frage, auf welcher Grundlage ihre Vorhersagen entstehen. Die Untersuchung interner Modellrepräsentationen hilft dabei, die „Black Box“ KI besser zu verstehen und nachzuvollziehen, welche Informationen tatsächlich in den Modellen gespeichert sind und wie diese genutzt werden. Das macht KI-Prognosen transparenter und genauer, erleichtert das Erkennen von Fehlprognosen und macht Verzerrungen sichtbar.
---
Große Sprachmodelle (engl.: Large Language Models (LLM)) werden zunehmend genutzt, um Einstellungen, Konsumverhalten oder politische Präferenzen zu analysieren und künftige Entwicklungen abzuschätzen. Bisherige Analysen solcher Präferenzprognosen haben sich bislang jedoch auf die ausgegebene Antwort der LLMs fokussiert, nicht auf den Weg zur Antwort. Dieses Problems hat sich ein Forschungsteam der Ludwig-Maximilians-Universität München und der Universität Bayreuth angenommen.
„Der bisherige Forschungsansatz der reinen Analyse der KI-Antwort ist, als würde man nur das Ergebnis eines Taschenrechners betrachten, ohne zu verstehen, wie er gerechnet hat. Wir haben in unserer Studie der KI praktisch beim Denken über die Schulter geschaut“, sagt Simeon Allmendinger, Doktorand an der Professur für Wirtschaftsinformatik und humanzentrische Künstliche Intelligenz der Universität Bayreuth. In der Studie haben die Forschenden über 24 Millionen Kombinationen diverser Faktoren wie konkretes Sprachmodell, Personenmerkmale, Parteienkonstellation und Prompt (sogenannte Konfigurationen) mit insgesamt sieben Sprachmodellen für sechs nationale Wahlen betrachtet. Innerhalb der unterschiedlichen Konfigurationen haben die Forschenden untersucht, welche internen Bereiche der LLM aktiviert werden, welche politischen Parteien im Modell mit bestimmten Eigenschaften verknüpft werden und wie das jeweilige Modell Informationen wie Alter und Bildung verarbeitet.
„Wir haben festgestellt, dass im ‚Innenleben‘ der Sprachmodelle oft zusätzliche Informationen enthalten sind, die in der endgültigen Antwort nicht vollständig sichtbar sind. Macht man diese Informationen mit unserer neuen Methode sichtbar, können sie zusätzliche Hinweise liefern und die Prognose verbessern“, sagt Prof. Dr. Niklas Kühl, Inhaber der Professur für Wirtschaftsinformatik und humanzentrische Künstliche Intelligenz der Universität Bayreuth.
Soll ein Sprachmodell beispielsweise vorhersagen, welche Partei eine Person wählen würde, und lautet die Antwort „Partei X“, können im Inneren des Modells Hinweise darauf enthalten sein, dass die Person eine ähnlich starke Verbindung zu Partei Y hat. „Unsere Ergebnisse machen ersichtlich, dass die Modelle mehr über die Zusammenhänge erlernen, als sie im finalen Output preisgeben“, so Kühl.
„Wichtig ist uns, dass die Methode ein ergänzendes Werkzeug ist und keinen Ersatz für klassische Umfragen darstellt. Gerade für unterrepräsentierte Gruppen bleiben echte Befragungen statt KI-Befragungen unverzichtbar“, betont Allmendinger.
Die Studie ist in Zusammenarbeit mit dem Munich Center for Machine Learning (MCML), dem Fraunhofer-Institut für Angewandte Informationstechnik FIT und der University of Maryland entstanden.
Prof. Dr. Niklas Kühl
Wirtschaftsinformatik und humanzentrische Künstliche Intelligenz
Universität Bayreuth
Tel.: +49 (0)921 / 55-4756
E-Mail: kuehl@uni-bayreuth.de
Sarah Ball, Simeon Allmendinger, Frauke Kreuter, Niklas Kühl. Reading Between the Tokens: Improving Preference Predictions through Mechanistic Forecasting. ICML (2026)
DOI: https://doi.org/10.48550/arXiv.2602.02882
Merkmale dieser Pressemitteilung:
Journalisten, Wissenschaftler
Informationstechnik, Politik
überregional
Forschungsergebnisse, Wissenschaftliche Publikationen
Deutsch
Sie können Suchbegriffe mit und, oder und / oder nicht verknüpfen, z. B. Philo nicht logie.
Verknüpfungen können Sie mit Klammern voneinander trennen, z. B. (Philo nicht logie) oder (Psycho und logie).
Zusammenhängende Worte werden als Wortgruppe gesucht, wenn Sie sie in Anführungsstriche setzen, z. B. „Bundesrepublik Deutschland“.
Die Erweiterte Suche können Sie auch nutzen, ohne Suchbegriffe einzugeben. Sie orientiert sich dann an den Kriterien, die Sie ausgewählt haben (z. B. nach dem Land oder dem Sachgebiet).
Haben Sie in einer Kategorie kein Kriterium ausgewählt, wird die gesamte Kategorie durchsucht (z.B. alle Sachgebiete oder alle Länder).
