用大语言模型自动标注古代宪法：政治科学研究的AI新工具

constitution_llm项目是由deankuo开发的开源工具，通过多模型LLM流水线自动分析历史政体宪法文本，提取9项关键政治指标，解决传统手工标注耗时、一致性差的问题，为大规模历史政治比较研究提供可复现的AI工具。项目开源于GitHub（链接：https://github.com/deankuo/constitution_llm），发布时间为2026-06-01。

政治科学比较历史分析长期面临数字化困境：传统专家手工标注耗时费力，难以保证跨研究者、语言、时代的一致性和可复现性。古代宪法文本因古旧语言、特定术语、保存状况参差不齐，进一步加剧了标准化数据基础设施的缺失，成为跨文明比较（如罗马共和国与汉帝国制度异同）等研究的瓶颈。

项目核心功能包括：

1. 多模型支持：兼容Google Gemini、OpenAI、Anthropic Claude、AWS Bedrock等主流LLM，支持跨模型验证以提升结果置信度；
2. 九大政治指标体系：定义主权属性（0/1二元编码）、联邦制程度（二元）、制衡机制（三级量表）、合议制（二元）、议会类型（四级编码）、任职方式（11类）、离职方式（16类）、选举竞争度（三级）等维度，实现结构化编码。

技术机制方面：

• 验证策略：自洽性验证（同一输入3次采样多数投票）、验证链（CoVe，跨模型交叉检验关键指标）；
• 使用模式：单提示（快速测试）、多提示（推荐生产模式，减少指标干扰）、顺序提示（测试顺序影响）；
• 效率优化：支持并行处理提升批量效率，Gemini批处理API可节约50%成本。

工具可应用于多种研究场景：

• 制度演变研究：追踪议会类型、选举制度等指标的长期变化；
• 跨文明比较：系统对比欧洲、东亚、伊斯兰世界等的政治制度特征；
• 民主化研究：通过任职/离职方式构建政体类型学；
• 联邦制起源研究：识别早期联邦制实验，检验相关理论假设。

项目存在以下局限：

• 历史偏见：LLM训练数据以现代文本为主，可能对前现代概念理解错位；
• 语言覆盖：古语言（拉丁语、古典汉语等）处理能力待提升；
• 验证链局限：当前"--verify both"仅运行CoVe，顺序验证未实现。 未来方向：引入历史语言模型、定制文明圈提示模板、建立专家标注基准数据集。

constitution_llm是AI辅助历史政治学研究的重要尝试，将LLM能力与政治科学框架结合，提供可扩展的大规模历史文献处理方案。工具定位为专家判断的辅助起点，通过人机协作（自动标注+专家审核）推动数字人文研究。开源性质允许社区共同改进，助力领域方法论进步。