AI 大型語言模型 (LLM) 正快速整合到個人與專業任務中。然而，這些模型在訓練過程中吸收的文化價值觀，可能導致文化偏誤，助長特定文化的主導地位。當使用者依賴 LLM 尋求建議時，如果模型的回應與使用者的社會價值觀發生衝突，可能會產生不良的後果。
近期的三項獨立學術研究，分別採用了不同的評估框架，對當前主流 LLM 的文化價值觀進行了深入檢視。這些研究共同指向一個事實，也就是 LLM 具有明顯的文化偏誤，其內建價值觀高度反映了其訓練資料的來源。
評估框架與偏誤證據
三項研究採用了不同的標準化框架來量化 LLM 的文化價值觀 :
第一篇論文 Cultural Bias and Cultural Alignment of Large Language Models (Yan Tao et al.) 使用了 Inglehart-Welzel 文化地圖中的世界價值觀調查 (WVS) 數據，該調查依據「傳統和世俗理性價值」與「生存和自我表達價值」兩個面向來繪製各國文化地圖
第二篇論文 How Well Do LLMs Represent Values Across Cultures? Empirical Analysis of LLM Responses Based on Hofstede Cultural Dimensions (Julia Kharchenko et al.) 採用了霍夫斯泰德框架，分析 LLM 在「個人主義和集體主義」、「權力距離」(PDI)、「動機取向」(MAS) 等不同面向上的表現
第三篇論文 Cultural Value Alignment in Large Language Models: A Prompt-based Analysis of Schwartz Values in Gemini, ChatGPT, and DeepSe (Robin Segerer) 則應用了史瓦茲的價值觀架構來檢視模型對「自我超越」（如仁慈）與「自我提升」（如權力）等價值的優先排序。
西方價值觀的主導趨勢
第一篇論文分析了五個 GPT 模型 (GPT-3 至 GPT-4o)，發現所有模型均表現出與英語系國家和新教歐洲國家相似的文化價值觀。
研究人員將模型的預設回應（預設的斯就是我們輸出入內容時未指定它任何文化提示）繪製到 Inglehart-Welzel 文化地圖上，發現它們聚集在特定的文化區域。例如，GPT-4o 的預設值最接近芬蘭、安道爾和荷蘭；而 GPT-4 則最接近紐西蘭、澳洲和冰島。
相對地，這些模型的價值觀與非洲伊斯蘭國家的文化價值觀距離最遠。第三項研究也觀察到類似模式，ChatGPT 和 Gemini 等西方模型反映了個人主義的價值體系。
中國訓練模型的顯著差異
Segerer 的研究特別比較了以中文數據為主的 DeepSeek 與西方的 ChatGPT 和 Gemini。
結果顯示，一個有趣的共通點是，包括 DeepSeek 在內的所有模型都高度優先考慮「自我超越」（如仁慈、普世主義）的利社會價值。這反映了 LLM 普遍存在強調親社會價值的傾向。
然而，關鍵差異在於，DeepSeek 明顯淡化了「自我提升」價值（如權力、成就）的重要性，這與集體主義文化傾向一致，與西方模型的表現則明顯不同。DeepSeek 在解釋其排序時表示，作為 AI，它沒有尋求成功或認可的個人目標，其目的是協助使用者，而非追求個人抱負。此表現反映其採取非主體性（non-agentic）立場而非價值否定。這顯示它傾向以功能性和服務導向的方式定位自己，而不是以有野心或追求認可的行動者自居。
研究者認為這樣的差異可能源自中文語料中更強調社會和諧與謙遜的文化特質，與英語語料中強調個人表現和競爭的文化取向不同。未來研究可進一步探討這些文化印記究竟源自訓練資料，還是模型開發階段的設計哲學。
研究的後半段提出「懸置」（Epoché）的概念，這原本是現象學中的一種方法，意指暫時擱置既有的判斷與偏見，以更開放的角度理解經驗。應用在 AI 上時，便是透過這種方式讓模型能主動暫時放下偏見，進行自我審視與價值調整 以達到更高的文化覺察與倫理包容。
具體做法包括三項策略：
多角度推理（multi-perspective reasoning），讓模型同時模擬不同文化或倫理觀點進行思考。
自我反思回饋（self-reflective feedback） ，讓模型回顧先前回答，找出並修正偏誤。
動態情境化（dynamic contextualization） ，讓模型根據不同文化脈絡來自動調整價值權重與回應方式。
這些方法可使 AI 系統在不同文化情境下展現更高的彈性與反思力，訓練它暫時擱下既有假設，理解差異後再做出更全面的判斷。這樣的設計有助於 AI 在倫理決策時更具透明度與文化敏感度。
價值觀辨識與實際應用的脫節
Kharchenko 等人採用霍夫斯泰德構面的研究則發現，LLM 的問題不僅在於偏誤，更在於應用的不一致。
研究顯示，LLM 雖然能夠「區分」不同的文化價值觀（例如在測試中高準確率地分辨高權力距離和低權力距離的國家），但在被要求提供建議時，卻未能「一致地堅持」這些價值觀。
研究發現，所有的 LLM 都強烈偏好「長期導向」，無論該國家的實際文化取向是長期還是短期，都傾向給出重視未來與毅力的長期建議。這顯示模型雖然能辨識出不同國家的文化特性，在實際應用上仍難以細緻地反映不同文化的價值傾向。
Kharchenko 的研究同時指出，在高、中、低資源語言的比較中，換言之，即依語言在 AI 訓練資料中可取得的多寡而分級，例如英語能提供給 AI 模型訓練的數量多就屬於高資源語言，這時候 AI 模型表現的差異會特別明顯，有時中低資源語言反而更貼近該國價值觀，顯示英語優勢並非萬靈丹，例如日本與美國在個人主義得分相近，但多數模型仍誤將日本視為集體主義文化。
刻板印象與回應幻覺
Kharchenko 等人的研究在測試 Llama 3 和 Command R+ 時，還觀察到明顯的刻板印象和幻覺。
當被要求模擬特定國家角色時，模型的回應暴露出其訓練數據的淺薄理解。例如Llama 3 在回應白俄羅斯角色時，會引用蘇聯集體農場的說法。Command R+ 在回應俄羅斯角色時，建議「拋棄軟弱的美國社交平台，和朋友當面喝伏特加」。
Llama 3 甚至為亞美尼亞角色捏造了一句當地諺語，該諺語在亞美尼亞語中實則意為「人血管中的鹽」。這些模型似乎是依賴刻板印象來生成回應，而非真正理解全球文化。
當 AI 出現文化偏誤，採用文化提示作為控制策略不一定有效
面對這些偏誤，Tao 等人測試了一種稱為「文化提示」（cultural prompting）的控制策略，即明確指示模型「你是一個出生在 [國家] 並居住在 [國家] 的一般人」。結果顯示，對於較新的模型（GPT-4、4-turbo、4o），此策略顯著提高了文化一致性，對 71% 至 81% 的國家有效。例如，GPT-4o 對約旦的文化距離（偏誤程度）從 4.10 大幅縮小到 0.36。
然而，這種方法並非萬無一失。對於某些預設值本已接近（如新教歐洲國家）的地區，文化提示反而會擴大偏誤。例如，GPT-4o 在提示下對台灣的文化偏誤反而從 2.40 擴大到 3.94。這代表在未加文化提示時 GPT-4o 的輸出與台灣在文化地圖上的實證座標相差 2.40 ，而在加入「你是出生並居住於台灣的普通人」這類提示後，差距反而擴大到 3.94 ，顯示文化提示並非總能使模型更貼近該國文化，有時甚至適得其反。
三項研究共同證實，LLM 的文化價值觀深受其訓練數據的影響。
CyberQ 觀察，Tao 等人提出的「文化提示」顯示了簡單控制的可行性，但 Kharchenko 等人的發現提醒我們，模型可能僅是辨識差異，而非真正理解並應用於複雜的建議場景，甚至可能訴諸刻板印象。
Segerer 的研究則提供了另一種視角，顯示不同文化背景（如 DeepSeek）訓練的模型，確實會在價值觀排序上產生根本差異。
未來若要讓模型真正具備文化理解力，光靠改變提示內容還不夠，還需要更進階的訓練與調整方法。研究人員建議，應採用更複雜的策略，例如 Segerer 提出的多角度推理和自我反思回饋，或是 Kharchenko 建議的，透過檢索增強生成 (RAG) 來引入合格的文化知識源。唯有如此，AI 系統才可能朝向更具包容性與多元性的倫理框架發展。
本文題圖及配圖由 Google Gemini AI 生成
