Hỏi - Đáp: AI, nên bỏ phiếu cho ai trong năm nay?

Hằng ngày, người dân liên tục đặt nhiều câu hỏi cho các chatbot trí tuệ nhân tạo (AI). Tuy nhiên, trong lĩnh vực chính trị và trước thềm cuộc bầu cử giữa nhiệm kỳ năm 2026 tại Mỹ, các nền tảng AI đang đóng vai trò như thế nào? Liệu một chatbot AI có thể tác động khiến cử tri thay đổi đảng phái hoặc xem xét lại quan điểm chính trị của mình? Các nhà nghiên cứu thuộc Viện Công nghệ Massachusetts (MIT) đã xây dựng một bảng theo dõi mới mang tên LLM Election Observatory (Đài quan sát Bầu cử LLM), nhằm đánh giá theo thời gian thực phương thức các chatbot AI phổ biến phản hồi những câu hỏi liên quan đến cuộc bầu cử giữa nhiệm kỳ năm 2026. Nhóm nghiên cứu đứng sau dự án này — do Giáo sư Adam Berinsky, Trợ lý Giáo sư Chara Podimata và Giáo sư Charles Stewart III phụ trách — có nhiều kinh nghiệm nghiên cứu về hoạt động bỏ phiếu và quản trị bầu cử, AI và thông tin sai lệch, cũng như tác động của các hệ thống AI đối với quá trình ra quyết định của con người. Nhằm hiểu rõ hơn cách thức AI định hình cuộc bầu cử, nhóm nghiên cứu đã thiết kế bảng theo dõi để mô phỏng phương thức người dân trên khắp nước Mỹ tương tác với các chatbot. Nhóm nghiên cứu theo dõi cách các hệ thống AI khác nhau phản hồi cùng một bộ câu hỏi cố định về nhiều chủ đề, bao gồm chứng nhận kết quả bầu cử, các vấn đề nổi cộm, dự đoán kết quả, tin tức báo chí và nhiều nội dung khác. Định kỳ vài ngày một lần, nhóm LLM Election Observatory lại đưa bộ câu hỏi này vào các chatbot để kiểm tra, qua đó theo dõi sự thay đổi trong các phản hồi khi thời điểm bầu cử đến gần, căn cứ theo vị trí của người dùng, xu hướng đảng phái chính trị, danh tính và các yếu tố khác. Mục tiêu của công trình này không chỉ nhằm hiểu rõ cách thức các hệ thống AI phát tán thông tin, mà còn nắm bắt phương thức công nghệ này định hình diễn ngôn chính trị và nhận thức của cử tri về các vấn đề chính trị trên phạm vi toàn quốc. MIT News đã có cuộc trao đổi với bà Podimata, Giáo sư Phát triển Sự nghiệp Khóa 1942, Trợ lý Giáo sư về nghiên cứu vận hành và thống kê tại Trường Quản lý MIT Sloan, thành viên Phòng thí nghiệm Các hệ thống Thông tin và Ra quyết định; cùng ông Berinsky, Giáo sư Mitsui thuộc Khoa Khoa học Chính trị, về công trình nghiên cứu LLM Election Observatory, tác động tiềm tàng của AI đối với cuộc bầu cử giữa nhiệm kỳ và những vấn đề cử tri cần lưu ý khi tương tác với các chatbot. Hỏi: Động lực nào đã thôi thúc dự án này và các nhà nghiên cứu kỳ vọng tìm hiểu được điều gì thông qua LLM Election Observatory? Podimata: Người dân ngày càng sử dụng chatbot AI nhiều hơn để tìm kiếm và nắm bắt thông tin chính trị cũng như bầu cử. Do đó, việc nắm rõ những thông tin mà các hệ thống này thực tế cung cấp là điều rất quan trọng, không chỉ tại một thời điểm nhất định mà trong suốt cả chu kỳ bầu cử. Đây là một thách thức lớn, bởi bản thân các mô hình liên tục được cập nhật, dữ liệu đầu vào về thông tin chính trị cũng không ngừng thay đổi, và câu trả lời của hệ thống có thể phụ thuộc vào cách người dùng đặt câu hỏi hoặc thông tin người dùng tự cung cấp. Một vấn đề cơ bản là hiện nay chúng ta chưa có kho lưu trữ đầy đủ về môi trường thông tin này. Nếu một hệ thống AI đưa ra một câu trả lời cụ thể về bầu cử trong ngày hôm nay nhưng lại đưa ra câu trả lời khác sau vài tuần, việc xác định lại những gì cử tri đã tiếp cận tại từng thời điểm sẽ rất khó khăn. Một mục tiêu quan trọng của dự án là ghi chép có hệ thống môi trường thông tin này trong quá trình diễn tiến, đồng thời cung cấp các dữ liệu thu thập được cho giới nghiên cứu và công chúng. Xét cho cùng, độ chính xác về mặt dữ liệu mới chỉ là bước đầu. Chúng ta nhất thiết phải nắm rõ liệu chatbot có cung cấp thông tin chính trị chính xác hay không, nhưng đồng thời cũng cần quan tâm thích đáng đến những phương thức tinh vi hơn mà qua đó ...cách thức các mô hình này có thể định hình nhận thức của công chúng về các vấn đề chính trị. Sự khác biệt trong cách thức định hình vấn đề, mức độ nhấn mạnh, tính bất định và các nguồn tài liệu được trích dẫn có thể tạo ra tác động rất lớn, ngay cả khi không có thông tin sai lệch rõ ràng. Hỏi: Thưa Giáo sư Podimata, bà đã nghiên cứu cách thức các mô hình LLM định hình thông tin và diễn ngôn chính trị trong cuộc bầu cử năm 2024. Những kết luận chính từ nghiên cứu đó là gì và những phát hiện này định hướng cho dự án mới như thế nào? Giáo sư Podimata: Dự án Đài quan sát Bầu cử LLM (LLM Election Observatory) được phát triển dựa trên công trình nghiên cứu trước đây của tôi trong cuộc bầu cử tổng thống năm 2024. Nghiên cứu đó đã tìm thấy bằng chứng về sự biến thiên đáng kể trong câu trả lời của các mô hình AI theo thời gian và theo cách đặt câu lệnh (prompt), cũng như sự khác biệt trong cách các mô hình mô tả ứng cử viên và dự đoán ngầm về kết quả bầu cử. Cuộc bầu cử giữa nhiệm kỳ năm 2026 mở ra cơ hội mở rộng đáng kể nghiên cứu này. Bầu cử giữa nhiệm kỳ có tính chất đặc biệt đáng chú ý vì diễn ra đồng thời nhiều cuộc tranh cử ở cấp tiểu bang và địa phương, song hành cùng các diễn ngôn chính trị quy mô toàn quốc. Do đó, khảo sát kiểm toán mới của nhóm nghiên cứu không chỉ đưa ra các câu hỏi cụ thể liên quan các ứng cử viên Hạ viện và Thượng viện Mỹ, mà còn mở rộng sang các câu hỏi về thông tin bỏ phiếu và những khía cạnh khác của môi trường thông tin bầu cử. Hỏi: Vì sao việc nghiên cứu cách thức các chatbot phản hồi những câu hỏi chính trị từ các nhóm người dùng khác nhau lại mang ý nghĩa đặc biệt quan trọng? Giáo sư Podimata: Mỗi cá nhân đều tự xây dựng một “tiểu vũ trụ” thông tin riêng thông qua quá trình tương tác với chatbot. Tuy nhiên, hiện vẫn còn thiếu các phương pháp mang tính hệ thống để hiểu được cách thức các môi trường thông tin cá nhân hóa này được định hình dựa trên danh tính người dùng, cũng như tiến trình biến đổi của chúng theo thời gian khi người dùng và môi trường thông tin thay đổi. Đơn cử, người dùng có thể không nhận thức được rằng câu trả lời của một chatbot về một vấn đề chính trị có thể rất khác biệt so với phản hồi từ một chatbot khác gửi tới người dùng khác về chính vấn đề đó. Đáng chú ý, những khác biệt này vẫn có ảnh hưởng lớn ngay cả khi thông tin được cung cấp hoàn toàn chính xác về mặt dữ liệu. Các chatbot có thể diễn giải cùng một sự thật theo các góc độ khác nhau, nhấn mạnh những khía cạnh khác nhau, thể hiện mức độ không chắc chắn khác nhau hoặc khai thác từ các nguồn hoàn toàn khác nhau, dù nhận cùng một câu hỏi từ những người dùng khác nhau. Hệ quả là hai người dùng có thể tiếp nhận những nhận thức rất khác biệt về cùng một bản chất sự việc, mà không hề nhận ra trải nghiệm tiếp cận thông tin của mình đã có sự phân hóa. Ở một góc độ nhất định, thực trạng này gợi lại nhiều mối lo ngại mà giới nghiên cứu và xã hội từng phải đối mặt trên các nền tảng mạng xã hội. Trên mạng xã hội, người dùng và giới nghiên cứu