当角色失效时：LLM政治声明分析中倡导者角色忠实度的认知约束

民主话语分析系统日益依赖多智能体LLM流水线，其中不同的评估器模型被指派对抗性角色，以生成对政治声明的结构化、多视角评估。一个核心假设是模型会可靠地维持其被指派的角色。本文利用TRUST流水线首次对该假设进行了系统的实证检验。我们开发了一个认知立场分类器，不依赖表层词汇即可从推理文本中识别倡导者角色，并在60条政治声明（30条英文、30条德文）上用四个指标度量角色忠实度：Role Drift Index（RDI）、Expected Drift Distance（EDD）、Directional Drift Index（DDI）和Entropy-based Role Stability（ERS）。我们识别出两种失败模式——认知底线效应（事实核查结果构成一个绝对下界，低于它就无法维持合法化角色）与角色先验冲突（对事实明确无疑的声明，训练期知识会覆盖角色指令）——并将它们视为同一机制的体现：认知角色覆盖（Epistemic Role Override, ERO）。模型选择显著影响角色忠实度：Mistral Large比Claude Sonnet高28个百分点（67%对39%），且其失败模式在性质上不同——放弃角色而不发生极性反转——而Claude则是主动转向对立立场。角色忠实度对语言具有鲁棒性。事实核查提供方的选择并非普遍中性：Perplexity显著降低Claude在德语声明上的角色忠实度（Delta = -15pp，p = 0.007），而对Mistral没有影响。这些发现对多智能体LLM验证具有直接启示：一个未经角色忠实度测量就完成验证的系统，可能会系统性地歪曲其本应提供的认知多样性。