TL;DR
Статья показывает, что обычная LLM определяет этническую, религиозную или кастовую группу по полному имени. Для этого хватает короткого промпта: роль эксперта, ФИО, регион, закрытый список категорий и требование вернуть только одну категорию. Никаких примеров и дообучения. Для сопоставления записей из разных таблиц автор собрал отдельный алгоритм EnsembleLink на эмбеддингах (числовых «отпечатках смысла» текста) и локальных моделях. Он требует кода и GPU, поэтому в этом разборе мы его не разбираем.
Главная находка: LLM берёт информацию из самого имени, а не из справочников. Старый стандарт (BISG) считает по таблицам «фамилия → раса» и распределению групп по районам. Он слепнет на редких фамилиях, не видит имя и отчество и вообще не работает вне США. LLM видела имена рядом с национальностями и религиями в миллиардах текстов, поэтому полное имя даёт ей больше, чем одна фамилия. Адрес добавляет совсем немного: без региона точность почти не падает. Но модели сильно различаются: лучшие обгоняют BISG, слабые заметно уступают.
Метод простой: один запрос на одно имя. Промпт задаёт закрытый набор категорий и запрещает объяснения, так что ответ получается одним словом и его легко считать. Температуру ставят в ноль, чтобы ответ не гулял. Для других стран автор просто меняет список категорий (секты Ливана, касты Индии, племена Уганды).
Схема метода
ШАГ 1: Собери вход → полное имя (ФИО целиком) + регион
ШАГ 2: Задай закрытый список категорий → {WHITE, BLACK, ...} под твою страну
ШАГ 3: Один запрос на одно имя → роль эксперта + «верни ТОЛЬКО категорию, без объяснений»
ШАГ 4: Температура 0 (в API) → воспроизводимый ответ
ШАГ 5: Проверь на выборке с известными ответами → точность перед массовым прогоном
Всё это один промпт на одно имя. Проверка (шаг 5) отдельная, вручную.
Пример применения
Задача: Социолог изучает, как представлены народы Дагестана среди кандидатов на выборах в Народное собрание республики. Есть список из 400 ФИО и район регистрации. Анализ агрегированный, отдельных людей никто не маркирует. Категорий заранее известно сколько, и имена в основном различимы.
Промпт:
Ты — эксперт по ономастике народов Северного Кавказа и России.
Определи этническую группу человека по полному имени и району проживания.
Полное имя: Магомедов Гаджи Алиевич
Район: Буйнакский район, Республика Дагестан
Верни ТОЛЬКО одну из категорий: АВАРЦЫ, ДАРГИНЦЫ, КУМЫКИ, ЛЕЗГИНЫ, ЛАКЦЫ, РУССКИЕ, ДРУГИЕ
Не объясняй. Верни одну категорию.
Результат: Модель ответит одним словом из списка. Для 400 имён получится столбец категорий, который легко вставить в таблицу и посчитать доли. Перед этим стоит прогнать 50–100 имён с известной группой и сравнить. Часть имён в Дагестане общая для разных народов, и там модель будет ошибаться чаще.
Почему это работает
Слабость: справочники отстают от жизни. Таблицы фамилий покрывают только частые имена. Они не видят имя и отчество, а за пределами США их часто просто нет. Обучать свой классификатор нужно на размеченных данных, которых у практика нет.
Сильная сторона LLM: она «знает» имена из текстов. В обучающих текстах имена стоят рядом с национальностями, религиями и странами. Поэтому модель может оценить редкую фамилию, которой нет ни в одной таблице. Автор предсказал это заранее и проверил: имя и отчество реально помогают, а регион помогает меньше.
Как метод это использует. Закрытый список категорий превращает «угадай происхождение» в обычный выбор из вариантов. Это проще проверить и считать. Запрет на объяснения даёт чистый ответ, который не надо разбирать вручную.
Рычаги управления: - Список категорий → меняй под страну и задачу. Это главный рычаг при переносе. - Полное имя vs фамилия → давай всё ФИО. Одна фамилия заметно снижает точность. - Регион → добавляй, если есть. Он помогает мало, но заметнее при вводе одной фамилии. Если региона нет, метод всё равно работает. - Выбор модели → проверь несколько. Разброс между моделями больше, чем эффект любой правки промпта. - Режим рассуждений → у части открытых моделей с включённым рассуждением точность ближе к лучшим.
Шаблон промпта
Ты — эксперт по {область_знаний}.
Определи {что_определяем} человека по полному имени и {географии}.
Полное имя: {ФИО}
{Географическая_единица}: {значение}
Верни ТОЛЬКО одну из категорий: {список_категорий}
Не объясняй. Верни одну категорию.
Что подставлять:
- {область_знаний}: «ономастике России», «ономастике Индии» и т. п.
- {что_определяем}: этническую группу, религиозную принадлежность, касту.
- {географии}: «району проживания», «региону».
- {список_категорий}: закрытый набор в понятном для страны виде. Не больше 5–8 пунктов, с пунктом «ДРУГИЕ».
Оригинальный промпт из статьи для избирателей США: «You are an expert in American onomastics. Classify the race/ethnicity of this person based on their full name and county of residence… Return ONLY one of these categories: WHITE, BLACK, HISPANIC, ASIAN, OTHER. Do not explain. Just return the single category.»
Ограничения
⚠️ Имена, общие для групп: Если в регионе имена сильно смешались между народами, модель ошибается чаще. Автор прямо говорит, что это предел информации в имени, а не недостаток модели.
⚠️ Разброс между моделями: Одни модели обгоняют BISG, другие заметно проигрывают. Для некоторых групп у слабых моделей ошибок очень много (в статье это особенно видно по одной из групп). Брать «любую модель» нельзя.
⚠️ Только оценка вероятной группы: Имя не равно самоидентификации. Метод подходит для агрегированных оценок, а не для решений о конкретном человеке. Для персональных данных об этничности учитывай законодательство.
⚠️ Запись сопоставления (EnsembleLink) требует инфраструктуры: Алгоритм использует локальные эмбеддинги и ранжировщики, на миллионе записей ему нужна GPU. В чате его не повторить, и в этом разборе он остаётся справочной информацией.
⚠️ Часть текста статьи оказалась обрезана: Разбор опирается на доступные главы. Полные результаты по странам вне США и сравнение шести шаблонов промпта (Приложение B.1) в тексте не видны.
Как исследовали
Автор взял по 10 000 избирателей из Флориды и Северной Каролины: по 2 500 белых, чёрных, испаноязычных и азиатов. Раса в этих файлах самоуказанная, так что это честная «истина». Он сравнил 35 моделей (платные и открытые) со стандартом BISG, в том числе с версией, которая использует имя и отчество. Лучшая модель, Gemini 3.0 Flash, дала 83,8% точности против 78,0% у BISG.
Главный риск: модели могли просто выучить избирательные списки. Автор проверил это тремя способами. Взял штаты Алабама и Южная Каролина, чьи данные не публикуются. Взял тех, кто зарегистрировался после даты обучения моделей. Взял синтетические имена, которых нет ни в одном списке. Преимущество LLM сохранилось.
Любопытная деталь: без адреса точность почти не меняется, а на одной фамилии падает заметно. То есть вся «сила» в полном имени. Для сопоставления записей автор сравнил EnsembleLink с тремя методами на пяти задачах (избиратели, компании и товары, переводы имён на шесть языков, переписные профессии, абзацы текста). Там, где нет общих символов (арабский против английского), старые методы находят мало, а эмбеддинги справляются. Вывод для практики: знание уже лежит в модели, а размеченные данные добавляют мало.
Адаптации и экстраполяции
🔧 Техника: добавить категорию «НЕ_УВЕРЕН» → меньше ложных ответов
Верни ТОЛЬКО одну из категорий: АВАРЦЫ, ДАРГИНЦЫ, …, ДРУГИЕ, НЕ_УВЕРЕНЭто не из статьи, а моя идея. Для имён, общих для нескольких народов, модель сможет отказаться, а не гадать. Проверь на своей выборке, не ухудшает ли это общую точность.
🔧 Техника: убрать «Не объясняй» → увидеть логику модели
Убери последнюю строку и добавь «Сначала в одной фразе объясни признаки в имени, затем дай категорию». Подходит для разбора 20–30 спорных случаев руками. Для массового прогона вернись к чистому ответу.
Экстраполяция: тот же каркас (роль → поля → закрытый список → «только категория») годится для любой разметки по закрытому списку: тема обращения, тип клиента, отдел. Статья этого не проверяла. Для таких задач нужна своя проверка на выборке.
Ресурсы
- Pre-Trained Language Models as Zero-Shot Tools for Social Science Research, Noah Dasanaike, Department of Government, Harvard University (октябрь 2026).
- Связанные методы из статьи: BISG (Imai & Khanna, 2016), fBISG (Imai et al., 2022), fastLink (Enamorado et al., 2019), Splink (Linacre et al., 2022), fuzzylink (Ornstein, 2025), бенчмарк MaDI (Steiner et al., 2026).
- Данные: файлы избирателей TargetSmart (доступ предоставил Ryan Enos).