光鮮故事，隱藏掙扎：透過LLM視角調查殘疾的表徵
一項研究揭示，大型語言模型往往理想化殘疾經歷，呈現過度積極的刻板印象，未能真實捕捉實際掙扎，並且表現出負面偏見，將某些話題（如職業和娛樂）不成比例地與非殘疾個體關聯。
大型語言模型（LLM）在模擬人類行為方面取得了顯著進展，但其對社會邊緣群體的表徵方式需要認真審視。一項最新研究透過讓LLM生成模擬殘疾人士的社交媒體帖子，與真實殘疾人士的帖子進行對比，分析了模型如何刻畫殘疾群體。該論文於2026年4月2日提交，已被ACM智慧系統與技術交易（ACM TIST）接收。研究團隊採用情感分析、主題建模等方法，比較了兩類帖子的情感基調、用詞和主題。研究發現，LLM傾向於將殘疾人的經歷“理想化”，輸出過於積極、看似鼓舞人心的內容，卻忽略了他們實際面臨的困難與掙扎。這種過度補償反而形成了一種“積極刻板印象”，抹去了殘疾人群體的複雜性和真實挑戰。此外，研究還揭示了另一種偏見：模型在模擬有殘疾和無殘疾個體時，將職業、娛樂等主題更頻繁地與無殘疾個體關聯，強化了排斥性的敘事，進一步歪曲了殘疾人群體的真實處境。這些發現表明，LLM在反映社會多元現實，尤其是邊緣群體的細膩體驗方面仍有很大不足。研究者呼籲對模型中的表徵進行更嚴格的批判性審視，避免因去偏努力而走向另一個極端。該研究為AI公平性和包容性提供了重要啟示。