大语言模型的文化偏见与对齐的人工编程
人工智能
2026-03-18 v1 计算与语言
摘要
文化塑造了推理、价值观、优先级以及战略决策，但大语言模型 (LLM) 常常表现出与目标人群不一致的文化偏见。随着 LLM 在战略决策、政策支持以及文档工程任务（如摘要、分类和合规性审计）中的应用日益增多，提高文化对齐性变得至关重要，以确保下游分析和建议反映目标人群的价值轮廓，而非模型的默认先验。以往工作引入了基于调查的文化对齐框架，并展示了文化特定提示可减少偏见，但主要在专有模型上进行评估，且依赖手动提示工程。本文通过在开源权重 LLM 上复现其社会科学调查基准投影和距离度量，验证该框架是否在封闭 LLM 系统之外仍然存在相同的文化偏斥和效益。基于此基础，我们引入使用 DSPy 对提示进行编程——将提示视为模块化、可优化的程序——以系统性地通过针对文化距离目标进行优化来调控文化条件。我们的实验表明，提示优化往往优于文化提示工程，这表明使用 DSPy 对提示进行编译可为实现文化对齐的 LLM 响应提供更稳定、可迁移的途径。
引用
@article{arxiv.2603.16827,
title = {Prompt Programming for Cultural Bias and Alignment of Large Language Models},
author = {Maksim Eren and Eric Michalak and Brian Cook and Johnny Seales},
journal= {arXiv preprint arXiv:2603.16827},
year = {2026}
}
备注
10 pages, pre-print