用大模型当人类学访谈对象：Latent Structure Benchmark 揭示语言模型的文化认知结构

本研究创新性地将人类学的文化域分析（CDA）方法应用于大语言模型（LLM），把AI当作访谈对象，探索模型如何组织日常词汇、其认知结构与训练数据及对齐过程的关系。项目通过构建语义网络、跨模型对比等方式展开分析，并强调开放科学原则，提供开放数据与可复现流程，为AI可解释性及安全研究提供新工具。

大语言模型展现出强大语言能力，但核心问题——模型如何"理解"语言、其词汇组织是否反映文化认知结构——仍待解答。文化域分析（CDA）是人类学经典方法，用于研究特定群体对概念域的组织方式，传统需对人类受访者访谈收集联想与分类数据，其核心假设是词汇组织反映共享文化认知。

项目采用标准化引导协议、自由联想任务、网络分析、跨模型对比的方法框架。核心概念"语料库透镜"指出，训练语料与对齐过程塑造模型独特认知视角。通过该方法可探究模型对家庭、职业等概念域的组织，不同模型语义网络差异，训练数据偏见及对齐对模型"世界观"的影响。

项目遵循开放科学原则，提供开放数据集（模型响应数据、语义网络）、可复现流程（方法文档与代码）及模型间对比功能。这种开放性对AI安全研究至关重要，是识别和缓解模型认知偏差潜在风险的前提。

学术上，为AI可解释性提供新实证工具，架起人类学与计算语言学桥梁，为机器与人类认知异同研究提供新视角。实用上，帮助开发者识别量化文化偏见，为模型对齐与安全提供评估基准，支持跨文化AI应用本地化适配。

将人类学方法迁移至AI研究存在挑战：模型回答是否等同人类真实认知、如何区分真实知识与表面模仿、多次采样一致性保障。团队承认这些局限，并呼吁社区参与方法论优化，未来可结合认知科学、语言学、社会学多视角丰富分析框架。

Latent Structure Benchmark是跨学科研究典范，将人文社科方法论应用于AI技术。它提醒我们理解LLM需结合计算机科学与人文洞察。把AI当作访谈对象，不仅研究机器，也通过"语料库透镜"反观人类语言、文化与偏见，这种双向反思是AI时代人文精神的体现。