Newest papers

Investigating Multi-Cultural Value Selection Biases in LLMs

Siddhesh Pawar, Arnav Arora, Dustin Wright, Dirk Hovy, Isabelle Augenstein · 2026 · arXiv

DOI: 10.48550/arXiv.2610.31199 · open-access PDF

Vietnamese

Các mô hình ngôn ngữ lớn (LLM) phục vụ người dùng có bản sắc văn hóa nhiều lớp, nhưng các đánh giá văn hóa thường làm giảm bản sắc thành một nhãn. Trong công việc này, chúng tôi nghiên cứu LLM dưới các dấu hiệu nhận dạng đồng thời, với một persona quốc gia trong hệ thống và một danh tính thứ hai được báo hiệu trong lượt người dùng, bằng cách đặt tên một quốc gia (dấu hiệu rõ ràng) hoặc thông qua ngôn ngữ truy vấn (dấu hiệu ngụ ý). Chúng tôi kiểm tra khảo sát nhiều lựa chọn của World Values Survey (WVS) và thế hệ xã hội chính trị mở. Trong khảo sát nhiều lựa chọn, dấu hiệu ngôn ngữ thay đổi câu trả lời khoảng ba lần so với dấu hiệu rõ ràng nhưng xa

Machine translation (Meta M2M100); the English original follows.

Abstract

Large language models (LLMs) serve users whose cultural identities are multi-layered, yet cultural evaluations commonly reduce identity to one label. In this work, we study LLMs under simultaneous identity cues, with a country persona in the system prompt and a second identity signaled in the user turn, either by naming a country (explicit cue) or through the query language (implicit cue). We test World Values Survey (WVS) multiple-choice probing and open-ended sociopolitical generation. In multiple-choice probing, language cues shift answers about three times more than explicit cues but away

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange