VoteGEO-Bench: Measuring the Impact of Generative Engine Optimization on Electoral Visibility
作者: Shiqi Zhang, Xiaokui Xiao
分类: cs.IR, cs.CL, cs.CY
发布日期: 2026-10-15
💡 一句话要点
提出VoteGEO-Bench以评估生成引擎优化对选举信息可见性的影响
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 生成引擎优化 选举信息 语言模型 信息可见性 重写策略 选民角色 VoteGEO-Bench
📋 核心要点
- 现有研究对生成引擎如何影响选举信息的可见性缺乏深入分析，尤其是在不同选民角色下的表现。
- 本文提出VoteGEO-Bench基准，结合选举查询和历史网页，评估生成引擎优化的效果与风险。
- 实验结果表明，目标指定的重写策略显著提高了信息曝光率，且某些策略在不同选民角色中表现一致。
📝 摘要（中文）
大型语言模型（LLMs）在选举信息中应用日益广泛，但外部网页内容如何影响其呈现的政治信息尚不明确。生成引擎优化（GEO）通过重写网页内容来提升其在生成响应中的可见性。为研究其在投票场景中的潜在风险，本文引入VoteGEO-Bench基准，涵盖2024年美国总统选举和2026年日本众议院选举，结合选举相关查询、历史网页和选民角色。研究发现，生成引擎引用的许多来源来自低成本的自有和开放平台，且部分网页在多天内保持可见。通过评估11种重写策略，发现目标指定的重写更能提高目标曝光率，而改善页面组织或通过论证增强立场的策略效果更佳。
🔬 方法详解
问题定义：本文旨在解决生成引擎优化对选举信息可见性影响的评估问题，现有方法未能充分考虑外部网页内容的作用和不同选民角色的影响。
核心思路：通过构建VoteGEO-Bench基准，结合选举相关查询和历史网页，系统评估不同重写策略的效果，特别关注目标指定的重写对信息曝光的影响。
技术框架：整体架构包括数据收集、重写策略评估和效果分析三个主要模块。数据收集阶段获取选举相关的查询和历史网页，重写策略评估阶段测试11种策略，效果分析阶段则评估曝光率和选民角色的影响。
关键创新：最重要的创新在于引入了VoteGEO-Bench基准，系统性地分析了生成引擎优化在选举场景中的应用，尤其是针对不同选民角色的影响。
关键设计：在重写策略中，目标指定的重写被证明更有效，且通过改善页面组织和增强论证来提升信息曝光率的策略表现优于单纯的证据支持或措辞变化。
🖼️ 关键图片
📊 实验亮点
实验结果显示，目标指定的重写策略显著提高了信息曝光率，尤其在美国选民角色中，某些策略的曝光提升幅度超过了30%。此外，显性党派身份可能导致的基线曝光差距大于单网页重写带来的增益，提示了党派因素在信息传播中的重要性。
🎯 应用场景
该研究为选举信息的生成与传播提供了新的视角，尤其是在如何优化生成引擎以提高信息可见性方面。未来可应用于政治传播、选民教育及相关政策制定，帮助提升选民获取信息的效率与准确性。
📄 摘要（原文）
Large language models (LLMs) are increasingly used for election information, yet little is known about how external web content shapes the political information they present. Generative engine optimization (GEO) rewrites web content to improve its visibility in generated responses. To investigate its potential risks in voting scenarios (VoteGEO), we introduce VoteGEO-Bench, a benchmark covering the 2024 U.S. presidential election and the 2026 Japanese House of Representatives election, combining election-related queries, historical webpages, and voter personas. We first analyze sources cited by generative engines and find that many citations come from lower-cost owned and open-platform sources, while some webpages remain visible across days. We then evaluate 11 rewriting strategies in 4 categories, examining target specification, effectiveness across engines and elections, and the role of voter personas. Rewriting without specifying a target rarely increases target exposure, whereas target-specified rewriting more often does. Strategies that improve page organization or strengthen a position through argumentation yield greater gains than adding supporting evidence or changing wording. For the two strongest strategies, gains remain broadly positive across evaluated U.S. personas, but persona conditioning shows no consistent effect on these gains. Explicit partisan identities can create baseline exposure gaps larger than the gain from rewriting one webpage. When partisanship is implicit in the voter profile, baseline shifts depend on how strongly the engine responds to that signal.