LLMが統治するソーシャルロボットが、現実世界の援助を誰が最初に受けるかを決定する機会が増えている。優先順位の規範は文化によって年齢、地位、集団の規模が異なるため、多元的に調整できなければ、不平等なアクセスへと拡大する可能性がある。しかし、LLMの道徳監査は依然として英語中心であり、具現化された文脈をテストすることはほとんどなく、多元的調整はLLMロボットの展開が激化する中で緊急の診断ギャップとなっている。
この問題に対処するため、研究者らはLLMの道徳的トレードオフ行動を文化嗜好の勾配に対して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つの学際的なソーシャルロボティクスレビュー（8,000以上の論文）に基づき、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「誰を優先的に支援するか」というジレンマに変換し、アイデンティティのトレードオフ（多数対少数、若年対高齢、高地位対低地位）を保持している。
研究では4つのLLMを4つの国・言語ペアで4つのプロンプト体制を用いて監査し、57,600回の意思決定を生成、国別のMME嗜好勾配を基準としてベンチマークした。順序一致テストはモデルが文化的文脈を区別するかを検証し、ガバナンス類型論は勾配分化、方向性傾向、熟慮における脆弱性をマッピングする。
その結果、持続的で文化非対称な勾配追跡の失敗が明らかになった。プロンプトだけでは信頼性を持って修正できない。欧米言語の決定における品質調整は中国語や日本語のほぼ2倍であり、多数優先のトレードオフにおける高い決定性はしばしば文化間の勾配を消去し、年齢や地位に基づく規範への部分的な感度は少数派を疎外するリスクがある。プロンプトの効果は不均一であり、一貫した改善をもたらすのは対比事例のみで、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。
これらの結果は、多言語・多元的な監査をLLMロボット展開前のゲートとして提唱するものであり、プロンプトだけよりもモデル要因がより堅牢なレバーであることを示唆している。本論文は2026年ACM公平性・説明責任・透明性会議（FAccT '26）での発表が受理されている。