个体立场预测中，增加推理与训练为何未必有效

测试时计算扩展和后训练提高了LLM在编码和数学推理方面的表现，但它们对个人立场预测的有效性仍不清楚。我们通过预测一个人在新的讨论中的立场来研究这个问题。我们评估了广泛使用的测试时计算扩展策略和后训练方法，例如监督微调和强化学习，并识别了生成、选择和学习的四种失败模式：（1）不正确的共识，其中重复的样本同意错误的立场； (2) 选择失败，即生成覆盖了观察到的立场，但选择却错过了； (3) 响应过度拟合，监督微调改善了模仿，但损害了预测； (4) 早期稳定期，强化学习显示出适度的初始收益，随后的进一步改进有限。我们使用 STANCE-BENCH 揭露这些失败，其中包含来自 500 名 Hacker News 用户的 2499 个预测任务。在此分析的指导下，我们探索了一种简单的方法，将所有候选立场的直接得分与个人历史支持的明确评估结合起来。在 781 任务测试集上，该方法使用 Qwen3-8B 获得了 21.83 讨论特定宏 F1，而直接评分为 19.27。我们的结果促使我们分别评估候选者的生成、最终选择和特定于个人的证据使用。