arXiv cs.AI· Phillip Howard, Xin Su, Kathleen C. Fraser·· 10 天前AI 评分22
大型视觉语言模型中的跨文化价值归因研究
Cross-Cultural Value Attribution in Large Vision-Language Models
AI 导读
研究用反事实图像集考察大型视觉语言模型（LVLM）对人物道德、伦理与政治价值的判断如何随图像中的文化语境变化，在 480 万次生成中发现三种可跨多种架构模型复现的调研锚定偏差模式。消融实验显示国籍锚定以文本为主，宗教与社会经济地位锚定则强烈依赖图像，且图像条件会放大这些偏差。该工作已被 EMNLP 2026 Findings 接收。
正文 · AI 翻译
摘要：近年来，大型视觉语言模型（LVLM）的快速普及伴随着日益增长的公平性担忧，因为它们倾向于强化有害的社会刻板印象。尽管此类公平性担忧在社會偏見背景下已受到广泛关注，但此前相对较少有研究考察 LVLM 中与宗教、国籍和社会经济地位等文化语境相关的刻板印象。在这项工作中，我们旨在通过研究 LVLM 对一个人的道德、伦理和政治价值观的判断如何随图像中呈现的文化语境而变化，来缩小这一差距。我们使用反事实图像集，对流行 LVLM 中的此类价值判断进行多维度分析，这些图像集描绘了同一个人在不同文化语境下的形象。我们的评估框架将描述性分析（道德基础理论分类、词汇分析和价值敏感性）与一种新颖的接地分析相结合，后者将 LVLM 的跨语境变异与两项大规模人类调查（MFQ-2 和 WVS 第 7 波）进行比较。在 480 万次 LVLM 生成中，我们识别出三种调查接地偏差模式，它们在多个架构各异的模型中均可复现。额外的消融实验表明，国籍接地以文本为主导，而宗教和社会经济接地则强烈依赖图像，并且图像条件作用会放大调查接地偏差模式。
| 评论： | 已被 EMNLP 2026 Findings 接收 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；计算与语言（cs.CL） |
| 引用为： | arXiv:2604.09945 [cs.CV] |
| （或 arXiv:2604.09945v3 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2604.09945 arXiv 颁发的 DOI，通过 DataCite |
提交历史
来自：Phillip Howard [查看电子邮件]
[v1]
2026年4月10日星期五 22:53:41 UTC（4,324 KB）
[v2]
2026年7月2日星期四 01:29:14 UTC（21,589 KB）
[v3]
2026年10月5日星期一 22:09:32 UTC（21,600 KB）
来源：arXiv cs.AI · arxiv.org