叙事加剧了性别差距：通过 LLM 代理调查电影角色
人机交互
2026-05-22 v1
摘要
主流电影是AI系统从中学习的文化内容来源之一。然而，我们鲜有工具用于衡量其编码的性别价值观。我们提出了一个概念验证框架，将虚构电影角色转化为可调查的LLM代理。我们选取1990至2019年间的160部美国电影，构建了734个角色代理，基于脚本对话和场景描述，对其persona进行专家式概括，并模拟世界价值调查中的性别态度响应。代理在不进行显式人口统计引导的情况下复现出系统性的性别差异，表明态度源于行为而非身份标签。与历史调查数据进行基准测试，代理放大了性别差距，显示出比实际人群更大的十年间波动性。叙事加剧而非同质化性别对比，这使基于一致输入假设的 cultivation theory 中的主流化机制失效。训练于此类语料库的AI系统可能在模型层面放大效应之前便继承了这种表征化趋势。
引用
@article{arxiv.2605.22091,
title = {Narrative Sharpens Gender Gaps: Surveying Film Characters with LLM Agents},
author = {Vivienne Bihe Chi and Reyhan Jamalova and Lyle Ungar and Sharath Chandra Guntuku},
journal= {arXiv preprint arXiv:2605.22091},
year = {2026}
}