大语言模型叙事中的表征伤害：全球多数国家身份面临的刻板印象与抹除

最新研究揭示主流大型语言模型（LLM）在生成叙事时对全球多数国家身份造成系统性表征伤害，包括刻板印象、身份抹除和单一维度刻画。研究发现少数化国家身份在权力中性故事中被低估呈现，而在从属角色刻画中出现概率比主导角色高出五十倍以上，同时存在美国中心主义偏见放大效应，这些发现对AI伦理及高风险应用提出重要警示。

大型语言模型（LLMs）正被广泛应用于日常对话、企业及政府高风险场景（如模拟寻求庇护者面试）。尽管LLM潜力受关注，但编码和延续全球非主导社区有害偏见的风险常被忽视。为评估并缓解此类伤害，需深入研究LLM如何刻画多样化个体形象。

表征伤害是AI系统生成内容时对特定群体扭曲、刻板化或抹除的现象，不同于直接歧视，通过反复呈现刻板印象强化社会偏见。LLM叙事中的表现包括：固定某些国籍人群为特定角色、忽视文化复杂性、边缘化少数群体。

研究团队通过开放式叙事生成提示，考察主流LLM对不同国家原籍身份的刻画。设计涵盖多维度：权力中性故事中的呈现频率、角色类型分布、叙事隐含的社会地位暗示。通过系统性比较不同国籍身份的呈现方式，量化表征伤害的程度与模式。

研究发现持续性按国籍划分的表征伤害，包括有害刻板印象、身份抹除及全球多数身份单维度刻画。具体而言，少数化国家身份在权力中性故事中被低估呈现，而在从属角色中被高估呈现——后者出现可能性比主导角色高五十倍以上。这种不平衡倾向于将某些群体置于从属地位，强化现实不平等结构。

输入提示含美国国籍线索（如"American"）时，伤害程度被放大，表明LLM对特定文化符号敏感，强化美国中心叙事视角。且这些伤害无法用"谄媚"解释：替换美国线索为非美国身份，美国中心偏见仍存在，说明偏见嵌入模型内部而非表面迎合。

这些发现对LLM高风险场景应用提出严重警示：模拟寻求庇护者面试、生成企业培训材料或协助政府决策时，系统性表征伤害可能导致对特定群体的持续误解和歧视。研究者呼吁，对美国开发的LLM用于全球多数人分类、监控和错误表征时，需更审慎批判的态度。

缓解建议：1. 训练数据增加全球多数视角内容，打破美国中心数据偏见；2. 开发表征伤害专门评估指标与测试基准；3. 建立受影响社区为中心的反馈机制；4. 高风险场景实施人工审核与多层次安全检查。

结语：技术进步需结合社会责任，LLM作为叙事工具既反映又塑造现实。识别缓解表征伤害是技术与伦理双重挑战，未来AI发展需更包容多元视角，确保服务全人类而非强化现有权力结构。