一个新的基准VoteGEO-Bench已被开发出来,用于评估生成引擎优化(GEO)如何影响大型语言模型中的选举可见性。该基准涵盖了2024年美国总统大选和2026年日本众议院选举,使用了选举查询、历史网页和选民角色。研究表明,有针对性的改写策略比不明确的策略更有效,页面组织或论证的改进比添加证据或改述能带来更大的收益。研究还发现,明确的党派身份会造成显著的曝光差距,虽然角色条件化在收益方面没有显示出一致的影响,但选民档案中的隐含党派关系影响了基线变化。 AI
影响 强调了AI在塑造选举信息方面潜在的风险,并提供了衡量和缓解这些风险的工具。
排序理由 该集群描述了一个新的学术基准和在arXiv上发表的研究成果。
在 arXiv cs.IR (Information Retrieval) 阅读 →
- 2026 Japanese House of Representatives election
- arXiv
- generative engine optimization
- Hugging Face
- Japan
- U.S.
- VoteGEO-Bench
- alphaXiv
- arXivLabs
- large language models
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →