文化特異的な道徳勾配によるLLM制御社会ロボットの監査

大規模言語モデル（LLM）を搭載した社会ロボットが、現実世界で誰に先に支援を提供するかを決定する機会が増えている。しかし、年齢、地位、グループサイズに関する優先順位の規範は文化によって異なり、多元的な調整が欠如していると不平等なアクセスにつながる可能性がある。既存のLLMの道徳監査は英語中心であり、具体的なロボットの文脈でテストされることはほとんどなく、LLMロボットの展開が進む中で多元的な調整は緊急の診断ギャップとなっている。

このギャップを埋めるため、Carmen Ngらを含む研究チームは、文化的な嗜好勾配に対するLLMの道徳的トレードオフ行動を多言語で評価するための勾配ベースの監査フレームワークを導入した。このフレームワークは、9つのクロスドメイン社会ロボティクスレビュー（8,000件以上の論文）に基づいており、ケア、教育、サービスにわたる対称性制御されたシナリオを導出し、「道徳機械実験」の「誰を救うか」を「誰を先に支援するか」のジレンマに変換し、身分のトレードオフ（多数対少数、若年対高齢、高地位対低地位）を保持している。

研究チームは、4つのLLMを4つの国・言語ペアと4つのプロンプト体制で監査し（57,600の決定）、各国固有の道徳機械実験の嗜好勾配と比較した。順序一致度テストでモデルが文化的文脈を区別できるかを評価し、ガバナンス類型論で勾配区別、方向傾向、熟慮における脆弱性をマッピングした。

結果は、持続的で文化的に非対称な勾配追跡の失敗を示している。例えば、西洋言語の判断における品質調整は中国語や日本語の約2倍強く、多数優先のトレードオフにおける高い決定性がしばしば文化横断的勾配を消失させ、年齢や地位に基づく規範への部分的な感度がマイノリティを疎外するリスクがある。プロンプト効果は不均一で、対照的な例のみが一貫した改善をもたらし、推論のみのプロンプトは追跡を悪化させる可能性がある。

これらの発見は、多言語・多元的な監査をLLMロボット展開前の必須ゲートとして動機付け、モデル要因がプロンプト単独よりも堅牢なレバーであることを示唆している。この研究は、2026年のACM公平性・説明責任・透明性会議（FAccT '26）で受理され、将来の社会ロボットの倫理的展開に重要な指針を提供する。