Political Actor Agent: Simulating Legislative System for Roll Call Votes Prediction with Large Language Models

📄 arXiv: 2412.07144v2 📥 PDF

作者: Hao Li, Ruoyuan Gong, Hao Jiang

分类: cs.AI, cs.CL

发布日期: 2024-12-10 (更新: 2024-12-13)

备注: Accepted at AAAI 2025

💡 一句话要点

提出Political Actor Agent (PAA)，利用大语言模型预测立法投票，提升准确性和可解释性。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 政治行为建模 唱名投票预测 大型语言模型 代理建模 可解释性 角色扮演 立法系统

📋 核心要点

  1. 现有基于嵌入的方法预测立法行为，但需要手动定义特征、依赖大量数据，且缺乏可解释性。
  2. PAA利用大语言模型，通过角色扮演和模拟立法系统，提供可扩展且可解释的投票预测框架。
  3. 实验结果表明，PAA在预测美国众议院投票方面表现出色，并提供人类可理解的决策推理。

📝 摘要（中文）

本文提出了一种名为Political Actor Agent (PAA)的新型基于代理的框架，该框架利用大型语言模型来预测唱名投票，旨在克服现有方法的局限性。现有方法通常依赖手动预定义的特征、大量的训练数据，并且缺乏可解释性。PAA通过采用角色扮演架构和模拟立法系统，为预测唱名投票提供了一种可扩展且可解释的范例。该方法不仅提高了预测的准确性，还提供了多角度、人类可理解的决策推理，从而为政治行为者的行为提供了新的见解。通过使用美国众议院第117-118届会议的投票记录进行综合实验，验证了PAA的卓越性能和可解释性。这项研究不仅证明了PAA的有效性，还证明了其在政治学研究中的潜力。

🔬 方法详解

问题定义：现有方法在预测唱名投票时，面临需要手动预定义特征、依赖大量训练数据以及缺乏可解释性的问题。这些痛点限制了模型在不同场景下的泛化能力，并且难以理解模型的决策过程。

核心思路：PAA的核心思路是利用大型语言模型（LLM）的强大推理能力和知识储备，将立法者建模为智能代理，模拟立法系统的运作方式。通过角色扮演，每个代理代表一个政治行为者，根据其立场和对议题的理解进行投票决策。这种设计旨在提高预测的准确性和可解释性。

技术框架：PAA框架主要包含以下几个模块：1) 角色定义模块：为每个立法者创建角色设定，包括其政治立场、所属政党等信息。2) 议题理解模块：利用LLM理解待投票议题的内容和潜在影响。3) 投票决策模块：每个代理根据其角色设定和对议题的理解，模拟投票决策过程。4) 结果汇总模块：汇总所有代理的投票结果，形成最终的预测。

关键创新：PAA的关键创新在于将大型语言模型引入到政治行为建模中，并采用基于代理的模拟方法。与传统的基于嵌入的方法相比，PAA无需手动预定义特征，能够利用LLM的知识进行推理，并提供可解释的决策过程。

关键设计：PAA的关键设计包括：1) 使用特定的prompt工程来引导LLM进行角色扮演和决策推理。2) 设计合适的角色设定，以准确反映立法者的政治立场和行为模式。3) 采用合适的投票决策机制，例如基于相似度或概率的投票模型。具体的参数设置和损失函数等细节在论文中可能未详细描述，属于未知信息。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文使用美国众议院第117-118届会议的投票记录进行了实验，验证了PAA的有效性。实验结果表明，PAA在预测准确性和可解释性方面均优于现有方法。具体的性能数据和提升幅度在摘要中未明确给出，属于未知信息，但强调了PAA的“superior performance”。

🎯 应用场景

PAA可应用于政治科学研究，例如预测立法投票、分析政治行为者的决策过程、评估政策的影响等。此外，该方法还可以用于模拟其他社会系统，例如市场竞争、舆论传播等，具有广泛的应用前景和实际价值。未来，PAA有望成为政治分析和决策支持的重要工具。

📄 摘要（原文）

Predicting roll call votes through modeling political actors has emerged as a focus in quantitative political science and computer science. Widely used embedding-based methods generate vectors for legislators from diverse data sets to predict legislative behaviors. However, these methods often contend with challenges such as the need for manually predefined features, reliance on extensive training data, and a lack of interpretability. Achieving more interpretable predictions under flexible conditions remains an unresolved issue. This paper introduces the Political Actor Agent (PAA), a novel agent-based framework that utilizes Large Language Models to overcome these limitations. By employing role-playing architectures and simulating legislative system, PAA provides a scalable and interpretable paradigm for predicting roll-call votes. Our approach not only enhances the accuracy of predictions but also offers multi-view, human-understandable decision reasoning, providing new insights into political actor behaviors. We conducted comprehensive experiments using voting records from the 117-118th U.S. House of Representatives, validating the superior performance and interpretability of PAA. This study not only demonstrates PAA's effectiveness but also its potential in political science research.