现代大型语言模型（LLM）在模拟人类行为和生成反映不同人物形象与人口群体的文本方面备受关注。这些能力固然为各领域开辟了多样应用，但审视模型如何表征不同目标群体至关重要，因为LLM可能延续并放大对历史上被边缘化社区的偏见或歧视，也可能因去偏努力而过度矫正，描绘出过度正面的刻板印象。这种过度补偿会理想化这些群体，用不切实际的描述抹去他们面临的复杂性与挑战。
在此背景下，Marco Bombieri等作者撰写的论文《闪亮故事，隐藏挣扎：从大语言模型视角探究残障表征》被ACM Transactions on Intelligent Systems and Technology接收，并于2026年4月2日提交至arXiv（编号arXiv:2605.20191）。研究聚焦一个核心问题：LLM如何表征残障？作者通过模拟残障人士的视角生成社交媒体帖子，并将这些帖子与真实残障人士所写内容进行比较，重点分析情感基调、情绪倾向以及代表性词汇和主题。
分析揭示了两项关键发现。第一，LLM往往理想化残障人士的经历，产生过度积极的刻板印象。这些描述表面上振奋人心，却未能真实捕捉残障群体的生活现实，用理想化叙事掩盖了日常挣扎与结构性障碍。第二，对比模拟残障与非残障个体的帖子后发现一种负向偏差：某些话题，如职业和娱乐，被不成比例地关联到非残障人士。这意味着模型在生成文本时倾向于将残障身份与受限或非职业性的生活场景绑定，从而强化了排除性叙事，进一步扭曲了残障社区实际面临的挑战。
这些发现与更广泛的担忧及持续研究相一致，表明LLM难以反映社会的多元现实，尤其是边缘群体的细微体验。论文强调，需要对LLM的表征进行批判性审视。单纯追求去偏可能滑向另一种简化——用过度正面的形象替代真实复杂性，同样构成对边缘群体的误 represent。因此，构建更忠实于生活经验的模型评估与干预方法，应成为负责任AI发展的重要方向。