社交情感是否内在于大型语言模型？关于不同群体情感提取的实证研究
内容提要
本文探讨了大型语言模型（LLMs）中的社会偏见及其对公众舆论预测的影响。研究发现，LLMs在性别和种族方面存在偏见，并提出了一种去偏策略，通过模拟社会接触显著减少了模型的偏见。此外，LLMs在多语言环境中的情感分析表现不一，强调了提升其文化适应性的必要性。
延伸解读
偏见的多维性与交叉性
文章指出，LLMs的社会偏见不仅体现在性别和种族维度，还存在交叉性影响。例如，模型将非洲裔、亚洲裔和拉美裔美国人描绘得比白人更具同质性，且性别影响在不同种族群体中表现不一。这种交叉性偏见可能源于训练数据中的社会感知积累，并可能在未来训练中放大刻板印象。
去偏策略的潜力与局限
研究提出社会接触去偏（SCD）策略，通过模拟群体间互动，在LLaMA 2上实现了40%的偏见减少。这为减轻LLMs偏见提供了新思路，但文章也强调，偏见根植于训练数据，单一策略可能无法全面解决，且在多语言和文化背景下效果可能不稳定。
多语言情感分析的文化挑战
LLMs在多语言情感分析中表现不一，尤其在非英语环境中难以捕捉文化细微差别。例如，东亚语言的回应与文化契合度较高，但整体上模型对文化规范和价值观存在潜在偏见。这提示在跨文化应用中需谨慎，并加强文化适应性。
公众舆论预测的偏差与局限
以德国选举为例，GPT-3.5在预测个人投票选择时存在偏差，倾向于绿党和左翼党派，且忽略影响个人选择的多方面因素。尽管模型能捕捉“典型”选民群体倾向，但无法准确反映个体差异，凸显了LLMs在公众舆论估计中的局限性。
Q&A
大型语言模型（LLMs）在性别和种族方面存在哪些偏见？
LLMs在性别和种族方面存在偏见，尤其是对非洲裔、亚洲裔和拉美裔美国人的描绘更具同质性，女性比男性更具同质性。
如何减少大型语言模型中的社会偏见？
研究提出了一种去偏策略，通过模拟社会接触显著减少了模型的偏见，LLaMA 2的偏见减少了40%。
LLMs在多语言环境中的情感分析表现如何？
LLMs在多语言环境中的情感分析表现不一，特别是在非英语环境中的文化细微差别方面存在不稳定性。
LLMs对公众舆论预测的准确性如何？
研究发现LLMs在公众舆论预测中存在偏差，尤其是对绿党和左翼党派的倾向，未能准确捕捉个人选民选择的多方面因素。
社会偏见在LLMs中是如何形成的？
社会偏见在LLMs中反映了训练数据中的偏见，强化了社会刻板印象和不平等现象。
如何提升LLMs的文化适应性？
研究强调了提升LLMs文化适应性的必要性，以有效应对多语言和文化差异。
