面向多语言信息失序的文化适应性可解释LLM评估：一种人在回路方法
计算与语言
2026-03-31 v1 人工智能
计算机与社会
摘要
识别信息失序很困难，因为对操纵的判断取决于文化和语言背景。然而，当前的大语言模型（LLM）通常表现为单一文化、以英语为中心的“黑箱”，产生流畅但忽略了本地化框架的理由。来自多语言信息失序（InDor）语料库的初步证据表明，现有模型难以跨社区一致地解释被操纵的新闻。为弥补这一差距，这项正在进行的研究提出了一种混合智能循环，这是一种人在回路（HITL）框架，将模型评估建立在来自母语标注者的人工撰写理由之上。该方法超越了静态的目标语言少样本提示，通过上下文学习（ICL），将英语任务指令与从经过筛选的InDor标注中动态检索的目标语言示例配对。在初步试点中，示例库从这些经过筛选的标注中播种，并用于比较针对波斯语和意大利语新闻的静态提示和自适应提示。该研究评估了跨度和严重性预测、生成理由的质量和文化适宜性，以及跨评估者群体的模型对齐，为文化基础的可解释AI提供了一个测试平台。
引用
@article{arxiv.2603.27356,
title = {Culturally Adaptive Explainable LLM Assessment for Multilingual Information Disorder: A Human-in-the-Loop Approach},
author = {Maziar Kianimoghadam Jouneghani},
journal= {arXiv preprint arXiv:2603.27356},
year = {2026}
}
备注
9 pages, 3 figures, 1 table. Accepted to the Information Disorder Workshop at LREC 2026