分析大语言模型生成文本中说服性语言的差异：揭示刻板的性别模式
计算与语言
2026-01-12 v1 人工智能
摘要
大语言模型（LLMs）越来越多地用于日常交流任务，包括起草旨在影响和说服的人际信息。先前的研究表明，LLMs 能够成功地说服人类并放大说服性语言。因此，理解用户指令如何影响说服性语言的生成，以及理解生成的说服性语言是否因目标群体不同而存在差异（例如，针对不同群体时）至关重要。在这项工作中，我们提出了一个框架，用于评估说服性语言生成如何受到接收者性别、发送者意图或输出语言的影响。我们使用成对提示指令评估了 13 个 LLMs 和 16 种语言。我们基于社会心理学和传播科学，采用 LLM-as-judge 设置，在 19 个说服性语言类别上评估模型响应。我们的结果揭示了所有模型生成的说服性语言中存在显著的性别差异。这些模式反映了与社会心理学和社会语言学中记录的性别刻板语言倾向一致的偏见。
引用
@article{arxiv.2601.05751,
title = {Analysing Differences in Persuasive Language in LLM-Generated Text: Uncovering Stereotypical Gender Patterns},
author = {Amalie Brogaard Pauli and Maria Barrett and Max Müller-Eberstein and Isabelle Augenstein and Ira Assent},
journal= {arXiv preprint arXiv:2601.05751},
year = {2026}
}