arXiv cs.CL· Maximilian Splieth\"over, Jannes L\"otfering, Dominik Bachmann, Alexander Espig, Willem Zuidema, Katrin Schulz, Henning Wachsmuth·· 11 小时前AI 评分27
文化（不）胜任力：LLM 的文化特定刻板印象检测能力研究
Cultural (In)Competence: Investigating Culture-Specific Stereotype Detection Capabilities of LLMs
AI 导读
一项针对美国、荷兰和中国文化语境的研究发现，LLM 无法可靠地考虑文化语境，且会过度预测刻板印象的存在。研究系统考察了提示词语言、指令微调语言和微调数据集规模三个因素，结果显示非英语提示词能改善模型对文化语境的考量，额外指令微调可降低假阳性率，而训练数据规模对检测效果的影响呈非单调关系。该成果已被 EMNLP 2026 Findings 接收。
正文 · AI 翻译
摘要：刻板印象是主观建构，受其被审视时所处文化语境的调节。因此，要成功地对刻板印象进行建模，也需要具备文化能力。在使用大语言模型（LLM）完成刻板印象相关任务（例如检测刻板印象）时，模型能够获取相关文化知识并据此调整回应就至关重要。由于大语言模型在可获取的文化知识方面存在差异，它们处理刻板印象的能力在不同语言和文化语境下（例如非英语语言或非美国语境）也可能存在差异。本文从三个因素出发，系统考察大语言模型在特定文化刻板印象检测中的有效性：（1）提示语言，（2）指令微调语言，（3）微调数据集规模。我们针对美国、荷兰和中国文化语境开展了实验。结果表明，大语言模型无法可靠地考虑文化语境，并且会过度预测刻板印象的存在。非英语提示似乎能改善对文化语境的考量，从而带来更有效的预测。此外，我们发现额外的指令微调会降低假阳性率，而训练数据规模对检测有效性的调节并非单调。
| 评论： | 已被 Findings of the Association for Computational Linguistics: EMNLP 2026 接收 |
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.22545 [cs.CL] |
| （或 arXiv:2610.22545v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.22545 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Maximilian Spliethöver [查看电子邮件]
[v1]
2026年10月15日 星期四 18:42:59 UTC（2,922 KB）
来源：arXiv cs.CL · arxiv.org