11月11日消息，美国普林斯顿大学信息科技政策中心（CITP）旗下Algorithms+Elections Project（算法与选举项目）在 11 月 9 日发布一项实地审计研究。

研究针对美国 2026 中期选举周期，发现开启 ChatGPT 记忆功能后，AI 给出的选举相关回答会产生微妙党派倾斜，回答倾向贴合提问用户自身的政党偏好，该偏差不是直白的投票建议，更多体现在信息叙事侧重点上。

当下越来越多美国民众通过 AI 聊天机器人获取选举资讯，Pew Research 数据显示约 8% 美国成年人会借助 AI 查询选举信息；另有调研该比例可达 40%；同时 65% 美国人会在搜索中接触 AI 生成政治摘要。

过往绝大多数 AI 政治偏见审计，均使用 API 接口做批量测试，很少基于普通用户真实账号、记忆开启的真实使用场景开展实验，而 API 环境与面向消费者的 ChatGPT 产品行为存在明显差异。

实验设计：160 名真实用户，开关记忆对照测试

研究招募了得克萨斯、俄亥俄、密歇根、爱荷华、缅因五个存在激烈参议院竞选州的 160 位普通 ChatGPT 用户，时间窗口为 10 月 31 日‑11 月 3 日中期选举前夕。

每位受试者在自己日常 ChatGPT 账号完成四组提问：两次开启记忆、两次关闭记忆；问题覆盖参议员政策立场、现政府政策评价、投票参考建议、地方选举集会新闻。研究人员并不会把用户填写的党派身份直接提交给 ChatGPT，模型的推断全部来自用户历史对话。

研究采用来自 Anthropic 与 OpenAI 两套独立大模型作为 “评判员”，对全部 576 条回答做党派倾向打分，分数区间‑3（偏向民主党）~+3（偏向共和党），打分过程对记忆开关状态完全盲测。同时统计回答长度、引用来源、候选人提及顺序、情感语调等客观指标。该报告目前为初步分析版本，后续会发布完整报告，数据结论可能随方法优化调整。

核心实验发现：记忆带来微妙的立场趋同

1. 记忆功能引入额外党派偏差：开启记忆后回答的党派倾向差异，比关闭记忆条件下回答之间的正常波动高出 0.12 个标准差，新闻类问题偏差最大，达到 0.24 标准差。针对地方选举新闻，38% 的案例中开关记忆会带来至少 1 分的倾向变动，关闭记忆的对照组该比例仅 24%。

2. 回答向用户所属政党靠拢：记忆开启时，输出立场平均向用户自身政党偏移 0.10 个标准差；民主党用户回答向民主党侧偏移，共和党用户回答向共和党侧偏移。民主党用户的偏移集中在投票建议类问题；共和党用户偏移主要体现在地方选举新闻问题。

3. 几乎不会直接给出投票指令，偏见藏在叙事侧重：576 条投票建议回答中，仅有 2 次出现明确候选人推荐，且全部发生在记忆开启场景。偏差很少来自引用来源、语气褒贬，主要体现在叙事侧重点、候选人出场先后顺序等隐性细节上。民主党用户开启记忆后，回答中将共和党候选人放在首位的比例从 56% 下降至 48%。

研究指出，绝对的政治中立很难在规范性政治议题中实现，但本次结果提出更低一层的标准：针对同一个政治问题，AI 输出不应该随提问者身份而发生偏移。传统 API 方式审计无法复现真实用户账号记忆带来的个性化效应，会低估产品实际风险。

报告并未全盘否定记忆功能，而是呼吁行业监管与学术审计需要贴合普通用户真实使用环境，不能仅依赖 API 自动化评测。随着 AI 逐步成为政治信息重要渠道，记忆、用户画像等个性化机制对公共信息输出的影响需要被纳入评估范围。