模拟身份、传递偏见：LLM 生成文本中的抽象化与刻板印象

人格提示（persona-prompting）是一种不断增长的策略，通过指定特定身份的视角或语言风格来引导大语言模型（LLM）生成文本。尽管该方法常用于个性化输出，但其对语言模型代表社会群体形态的影响仍未得到充分探讨。本文研究是否存在人格提示导致不同程度的语言抽象化——这是刻板印象的一个已知标记——在生成将社会人口统计类别与刻板或非刻板属性关联的短文本时。基于语言期望偏见（Linguistic Expectancy Bias）框架，本文分析了六个开源大语言模型在三个提示条件下的输出，比较了 11 种基于人格的响应与通用 AI 助手的输出。为支持此分析，我们引入了 Self-Stereo 数据集，来源于 Reddit 的自报刻板印象。我们通过三个指标衡量抽象化：具体性、特异性和否定。我们的结果凸显了人格提示在调控语言抽象化方面的局限，确认了关于人格生态系统是否能代表社会人口统计群体的批评意见，并提出了即使看似调用边缘化群体声音时也可能传递刻板印象的风险。