意义不是度量指标：利用 LLMs 使文化语境在大规模下可读
计算与语言
2026-01-28 v2 人工智能
计算机与社会
摘要
这篇立场论文认为，大语言模型 (LLMs) 能够在基于 AI 的社会技术系统中以前所未有的规模使文化语境，进而使人类意义变得可读。我们认为，此类系统此前无法表征人类意义，因为它们依赖于浅描 (强制标准化从而剥夺赋予人类活动意义的文化语境的数值表示)。相比之下，人文学科和定性社会科学领域的学者已经发展出通过厚描 (容纳异质性并保留表征人类意义所需语境信息的文字表示) 来表征意义的框架。LLMs 的文字能力现在提供了一种至少部分自动化生成和处理厚描的手段，为大规模部署它们提供了新途径。我们认为，使人类意义变得可读的问题不仅在于选择更好的度量指标，而在于开发基于厚描的新表征格式。我们将此设定为生成式 AI 应用的一个关键方向，并识别出五个关键挑战：保留语境、维持解释多元主义、整合基于生活经验和批判距离的视角、区分定性内容与定量规模，以及承认意义是动态的而非静态的。
引用
@article{arxiv.2505.23785,
title = {Meaning Is Not A Metric: Using LLMs to make cultural context legible at scale},
author = {Cody Kommers and Drew Hemment and Maria Antoniak and Joel Z. Leibo and Hoyt Long and Emily Robinson and Adam Sobey},
journal= {arXiv preprint arXiv:2505.23785},
year = {2026}
}