🧒 初中生也能看懂的版本
① 研究背景（为什么要做？）
大模型现在常被请来扮演普通人，组成一个合成社会，用来推演舆论怎样形成、怎样转向。
研究者通常默认一件事：智能体说什么，完全由给它的那段人设提示词决定，所以换哪个模型都一样。
可已有研究发现，模型自带立场偏好，会顺着人说话，也会把仿真带偏。本文把电动车补贴这个有争议的政策议题当作试验场：一端主张补贴浪费、电动车该自负盈亏，另一端主张补贴紧迫且正当。
由此引出真正的问题：讨论中立场松动，究竟来自同伴影响，还是模型自己在漂移。
② 研究问题（要回答什么？）
这篇论文要回答的是：同一套人设与讨论规则，换一个模型，舆论走向会不会不同。
具体分两层。第一，同一个人设、同一套讨论规则，换不同的大模型，最后得到的舆论走向会不会不一样。
第二，如果不一样，这种差别能不能被经典舆论动力学模型刻画出来，而且参数也各不相同。
作者把它拆成两个可检验的假设：大模型的讨论轨迹应当落在经典模型家族之内，但参数随模型而变；最终走向共识、维持分化还是极化，取决于底层模型，而不只取决于实验规则。
换句话说，他们要检验“模型可以互换”这个默认前提。一旦这个前提站不住，过去所有只用一个模型跑出来的仿真结论，都得重新掂量。
③ 研究方法（怎么做的？）
作者搭了一个基于智能体的舆论仿真：十个智能体，每个人设一句话，初始立场落在负一到正一之间，名册上均匀铺开。
讨论共二十轮，每轮先同时发言，再各自填一份六题问卷；问卷三题正向、三题反向，合成一个立场分数，这套测量不依赖任何舆论模型。
六种大模型各跑五遍。除了所有人听所有人，还设了两种变化：只听取自己点名认可的同伴，以及加入群体身份标签。
关键对照是不讨论组：人设、问卷、轮数都一样，只是听不到别人说话，用来分清哪些变化是同伴带来的。
最后用最小二乘拟合持续不变、平均、有界信任等经典模型，按信息准则挑出最合适的那个。
④ 结果（发现了什么？）
二十轮全员讨论之后，六种模型的立场分散度落在零点零八到零点三六之间，差距很大。
带强阵营人设时，差别更清楚：gpt-4.1 和 gemini-3.7-flash 保住两个分开的阵营，claude-sonnet-5 只保住一半，gpt-5.6-sol 和 claude-opus-5 基本放弃原立场。
不讨论的对照组里，五个模型的所有智能体都守住原阵营，说明立场丢失是讨论带来的，作者称之为对齐漂移。
只看自己认可的同伴时，只有 gpt-4.1 明显偏爱同立场声音，把两个阵营稳稳撑住。
换到四天工作制议题、把规模翻倍，排序和轮廓基本不变。
⑤ 讨论（这些发现说明什么？）
作者认为，这说明大模型不是中性白纸，它带着自己的行为倾向进入仿真。
同一个议题、同一套规则，换一个模型就可能从共识变成分裂；只用一个模型做政策推演，结论里就混进了模型自身的性格。
对公共管理和计算传播来说，这直接关系到用合成公众预测政策舆论是否可信：模型选择应当像样本构成一样被交代，最好多模型并行。
局限也很实在：立场被压成一根轴，只测了两个经济政策议题，每个社会只用一种模型，重复次数只有三到五次，而且商用模型会更新。
⑥ 结论（最终结论 + 启示）
舆论仿真里的模型选择不是技术细节，而是效度问题。
作者给出的做法很朴素：报告用了哪个模型、哪个版本，条件允许就换模型重跑，看结论是否稳得住。
他们还把测量和模型分开：先用固定问卷量立场，再用经典模型去解释轨迹，这样“模型拟合得好”才有意义；如果测量本身掺进了模型假设，拟合出来的只是自说自话。
对做政策仿真的人，这是一记提醒：合成公众可以帮忙，但不能假装它没有脾气。模型换一个，结论就可能换一副面孔，写报告时得把这件事摆在明面上。
🎓 专业 IRMaD 结构解读
I. Introduction（引言）
大语言模型智能体正被广泛用作合成受访者与合成公众：给一段人设，它们便能争论、说服并更新立场，使大规模舆论仿真成为可能。既有文献记录了它们自带政治倾向、顺从用户、产生仿真偏差，也会在群体中收敛、形成回音室、放大同质性。但证据多为定性描述：只有 He 等（2026）把形式化舆论模型拟合到 LLM 轨迹，尚无研究在匹配协议下同时改变底层 LLM 并做跨模型选择，而这正是把仿真动态归因于模型而非实验设置的前提。
本文的三点贡献：其一，测量与理论分离，用固定心理测量量表给出立场，暴露环节从不引用立场数值，使拟合可被证伪；其二，在匹配条件下对六种 LLM 做经典模型族的选择，证明对齐漂移具有模型特异性；其三，用不讨论对照把社会性变化与模型自身漂移分开，并在人群规模、时间跨度、暴露方式、群体身份与第二个议题上检验稳健性。
I. Theoretical Framework & Hypotheses（理论框架与假设）
框架分三层：讨论协议、无理论测量、对齐与漂移定义。
测量层用六题七级 Likert（三题反向），按固定权重合成为立场坐标：x = clip[-1,1]( Σ w_k s_k (q_k − (L+1)/2) / ((L−1)/2 · Σ w_k) )，其中 q_k 为 1 到 7 的作答，s_k 为极性，w_k 为固定权重；反向题迫使内部一致，全部同意时得分为零。测量路径不引入任何舆论动力学模型，暴露也不按立场距离设门槛。
测量完成后才拟合模型族（见表一），以 BIC 选择，并用总体离散度 s(t)（各智能体立场的横截面标准差）与同质性指数概括结果；同质性指数为被剔除同伴与保留同伴的平均立场距离之差，正值表示立场同质性注意。
对齐漂移用平均绝对位移 D 与符号保留率 S 度量，并以不讨论对照估计无社会输入时的位移；锚定平均框架下，对齐强度即个体保留自身立场的权重。
| 模型 | 机制 | 关键参数 |
|---|---|---|
| 持续不变 | 立场不随时间改变，作为零模型 | 无 |
| DeGroot 平均 | 向群体均值线性靠拢 | 影响权重 |
| Friedkin–Johnsen | 自身立场与他人影响加权平均，保留锚定 | β 自身权重、λ 敏感度 |
| 有界信任 | 只受立场距离在半径内者影响 | 半径 r |
| 共同漂移吸引子 | 向共同吸引点漂移 | 漂移强度 c |
| 极化模型 | 向两极方向拉扯 | 极化强度 a |
| 假设 | 内容 | 检验结果 |
|---|---|---|
| H1 | LLM 讨论轨迹由经典模型家族成员描述，但参数随模型而异 | 弱成立：每个模型都能选出家族成员，类别本身随模型改变 |
| H2 | 共识、持续分化或极化的定性结局取决于底层 LLM，而非仅由协议决定 | 成立：跨模型排序在第二议题与加倍规模下保持 |
M. Materials & Methods（材料与方法）
仿真类型为基于智能体的舆论动力学模型（ABM），不是系统动力学或离散事件仿真。每轮包含同步发言与问卷两个阶段：发言只依赖上一轮，问卷独立于任何动力学模型。
设计参数见表二。智能体数 n=10，每人设一句话；初始立场取于 [-1,1]，混合名册在 [-0.8,0.8] 上均匀铺开，初始离散度 0.47；承诺名册为五强正、五强反，初始绝对值不超过 0.7；中性名册全部置于 0，用于自发极化控制。
六种模型为 gpt-4.1、gpt-5.6-sol、gemini-3.7-flash、claude-sonnet-5、claude-opus-5、claude-sonnet-4-5，主实验各重复 5 次，部分条件 3 次。条件包括全员暴露、选择性注意（智能体仅凭文字点名愿意听取的同伴）、群体身份（标签、口头化群体立场、内群加权、标签迁移）以及锚定框架（强锚定、弱锚定、可说服）。
标定方面，本文未用外部民调或选举数据校准，初始分布由名册人工设定；作者报告模型族可在合成数据上回收已知生成模型与参数，故 BIC 边际反映数据而非估计器伪影。正文未说明具体仿真实现框架，也未给出代码仓库地址。
| 要素 | 设定 |
|---|---|
| 仿真类型 | ABM，LLM 智能体同步讨论 |
| 智能体数 | n=10（稳健性 n=20） |
| 轮次 | T=20（稳健性 T=40；中性起点 T=30） |
| 重复 | R=5（部分条件 3） |
| 议题 | 电动车补贴；四天工作制 |
| 测量工具 | 六题七级 Likert，三题反向，加权合成后截断到 [-1,1] |
| 拟合与选择 | 一步最小二乘，BIC 选择模型族成员 |
R. Results（结果）
全员讨论下，六模型的最终离散度 s(T) 从 0.08 到 0.36 不等：gpt-4.1、gpt-5.6-sol、claude-opus-5 的 BIC 最优模型为 Friedkin–Johnsen（均 5/5），gemini-3.7-flash 为共同漂移吸引子（4/5），claude-sonnet-5 为极化模型（5/5），claude-sonnet-4-5 无法判定。H1 仅在弱意义上成立。
不讨论对照显示混合名册本身不稳定：无同伴时 gpt-4.1 从 0.47 发散到 0.60，claude-opus-5 塌缩到 0.14；讨论相对该基线使两者离散度下降 0.26 与 0.16，却使 claude-sonnet-5 上升 0.09。承诺名册下五个模型在不讨论时的符号保留率均为 1.00，讨论使 claude-opus-5 降到 0.60（表四）。
| 模型 | 全员 s(T) | 选择性注意 s(T) | 同质性指数 | 身份条件 s(T) | BIC 最优模型（频次） |
|---|---|---|---|---|---|
| gpt-4.1 | 0.34 | 0.44 | +0.49 | 0.58±0.04 | FJ（5/5） |
| claude-sonnet-5 | 0.36 | 0.31 | +0.33 | 0.47±0.02 | 极化（5/5） |
| gemini-3.7-flash | 0.21 | 0.27 | +0.17 | 0.23±0.05 | 吸引子（4/5） |
| claude-opus-5 | 0.16 | 0.17 | +0.00 | 0.26±0.05 | FJ（5/5） |
| gpt-5.6-sol | 0.12 | 0.14 | -0.04 | 0.19±0.03 | FJ（5/5） |
| claude-sonnet-4-5 | 0.08 | 0.12 | -0.01 | 0.14±0.02 | 无法判定 |
| 模型 | 承诺名册 s(T) 讨论 | s(T) 不讨论 | 位移 D 讨论 | 位移 D 不讨论 | 符号保留 S 讨论 |
|---|---|---|---|---|---|
| gpt-4.1 | 0.75 | 0.85 | 0.16 | 0.19 | 1.00 |
| gemini-3.7-flash | 0.71 | 0.67 | 0.17 | 0.11 | 1.00 |
| claude-sonnet-5 | 0.50 | 0.59 | 0.24 | 0.08 | 0.97 |
| gpt-5.6-sol | 0.39 | 0.58 | 0.33 | 0.16 | 0.90 |
| claude-opus-5 | 0.18 | 0.41 | 0.51 | 0.26 | 0.60 |
选择性注意下仅 gpt-4.1（+0.485±0.032）与较弱的 claude-sonnet-5（+0.327±0.024）表现出立场同质性注意，前者把两个阵营撑在 0.44；gpt-5.6-sol 为 -0.039，方向相反。群体身份是最强杠杆，gpt-4.1 由 0.47 极化到 0.58±0.04。
四天工作制议题保持跨模型排序（Spearman ρ=0.83，Pearson r=0.95），平均类模型仍为 Friedkin–Johnsen，但两个模型的 BIC 标签互换；n=20、T=40 时定性轮廓保持。问卷 Cronbach α 为 0.88 到 0.97，正反向相关 -0.83 到 -0.95，直线作答 1% 到 1.5%。
a / D. Discussion & Conclusion（讨论与结论）
作者的核心论点是：LLM 不是可互换的中性工具，而是带着自身对齐轮廓进入仿真的行动者；同一协议在不同模型上产生共识、持续分化甚至极化，拟合把差异转成锚定强度、同质性注意与极化拉力等可解释参数。
对公共管理，电动车补贴与四天工作制都是典型政策争议；若用 LLM 合成公众预演政策辩论、评估说服策略或预测极化风险，模型选择会直接改变政策结论，因此应作为一级效度变量报告，并尽量多模型并行。对计算传播，选择性注意与同质性指数给出了回音室形成的微观机制：只有部分模型会主动偏向同立场信息源，说明“回音室”可能部分是模型属性而非传播环境属性。
局限包括：立场被压缩为单一轴，仅覆盖两个经济政策议题；每个社会只使用一种模型，人口同质；英文提示、商用闭源模型、重复仅 3 到 5 次；模型快照会变化；不讨论对照同时移除了同伴输入与发言撰写，不能单独分离同伴暴露；极化需要承诺人设或群体身份才能出现，故结论只涉及维持与放大分歧，不涉及制造分歧。
🧠 IRMaD 思维导图
mindmap
root((测出模型专有的对齐漂移))
I 引言
合成公众兴起
默认提示词决定
模型自带倾向
R 问题
换模型会否变
共识还是分裂
能否被经典模型刻画
M 方法
十个智能体
二十轮讨论
六题问卷测立场
六模型各五遍
不讨论对照组
R 结果
分散度差距大
两派守两派丢
漂移由互动引发
只有一家偏爱同类
a 讨论
模型成效度变量
单模型混淆结论
政策仿真需报告
D 结论
测量与模型分离
多模型并行复跑
局限在单轴两议题
图：本研究的 IRMaD 思维导图。蓝色 I 引言；橙色 R 研究问题；绿色 M 方法； 橙色 R 结果；紫色 a 讨论；红色 D 结论。