FlockVote: LLM-basierte Agentenmodellierung simuliert US-Präsidentschaftswahlen

In der Welt der computergestützten Sozialforschung ist die Modellierung komplexer menschlicher Entscheidungen, wie etwa der Wahlverhalten bei Nationalwahlen, seit langem eine Herausforderung. Traditionelle Agentenbasierte Modelle (ABMs) greifen oft auf stark vereinfachte Regeln zurück, während große statistische Modelle häufig an Interpretierbarkeit verlieren. Mit dem neuen Framework FlockVote wird diese Lücke geschlossen.

FlockVote nutzt Large Language Models (LLMs), um ein „computational laboratory“ aus LLM-Agenten zu schaffen, die politische Simulationen durchführen können. Jeder Agent erhält ein hochpräzises demografisches Profil sowie dynamische Kontextinformationen – etwa die politischen Positionen der Kandidaten. Dadurch kann er differenziert und generativ über seine Wahlentscheidung nachdenken, was bisher bei klassischen ABMs nicht möglich war.

Die Entwickler haben FlockVote bereits auf die US-Präsidentschaftswahl 2024 angewendet und dabei sieben entscheidende Swing-States simuliert. Die aggregierten Ergebnisse der Simulationen stimmen exakt mit den realen Wahlergebnissen überein, was die hohe Genauigkeit des virtuellen „Gesellschaftsmodells“ unterstreicht. Doch der eigentliche Mehrwert liegt nicht nur in der Vorhersage, sondern in der Transparenz: Forscher können die Entscheidungswege einzelner Agenten nachvollziehen und die Stabilität sowie Sensitivität der LLM-gesteuerten Simulationen analysieren.

FlockVote bietet damit ein neues, interpretierbares Werkzeug für die politische Forschung, das die Grenzen von Black-Box-Modellen überwindet und gleichzeitig die Komplexität menschlichen Wahlverhaltens realistisch abbildet.