光鲜故事，隐藏挣扎：通过LLM视角调查残疾的表征
一项研究揭示，大型语言模型往往理想化残疾经历，呈现过度积极的刻板印象，未能真实捕捉实际挣扎，并且表现出负面偏见，将某些话题（如职业和娱乐）不成比例地与非残疾个体关联。
大型语言模型（LLM）在模拟人类行为方面取得了显著进展，但其对社会边缘群体的表征方式需要认真审视。一项最新研究通过让LLM生成模拟残疾人士的社交媒体帖子，与真实残疾人士的帖子进行对比，分析了模型如何刻画残疾群体。该论文于2026年4月2日提交，已被ACM智能系统与技术交易（ACM TIST）接收。研究团队采用情感分析、主题建模等方法，比较了两类帖子的情感基调、用词和主题。研究发现，LLM倾向于将残疾人的经历“理想化”，输出过于积极、看似鼓舞人心的内容，却忽略了他们实际面临的困难与挣扎。这种过度补偿反而形成了一种“积极刻板印象”，抹去了残疾人群体的复杂性和真实挑战。此外，研究还揭示了另一种偏见：模型在模拟有残疾和无残疾个体时，将职业、娱乐等主题更频繁地与无残疾个体关联，强化了排斥性的叙事，进一步歪曲了残疾人群体的真实处境。这些发现表明，LLM在反映社会多元现实，尤其是边缘群体的细腻体验方面仍有很大不足。研究者呼吁对模型中的表征进行更严格的批判性审视，避免因去偏努力而走向另一个极端。该研究为AI公平性和包容性提供了重要启示。