Etichette di Paese Assegnate Casualmente nei Sondaggi Influenzano Ancora l'Inferenza Sociale dei LLM

Uno studio recente pubblicato su arXiv (2608.06085) esamina se rivelare che un'etichetta di paese di sondaggio è assegnata casualmente riduce il suo impatto sull'inferenza sociale da parte dei modelli di linguaggio di grandi dimensioni (LLM). I ricercatori hanno condotto un audit su record attraverso cinque modelli API fissi, sei paesi e sette obiettivi selezionati per lo sviluppo. Hanno analizzato i risultati quando la fonte dell'etichetta casuale era nascosta o presentata come uniforme e indipendente dal record. Nell'analisi principale post-revisione di 72 record, entrambi i tipi di etichette hanno prodotto spostamenti nella direzione del paese di 0,214, con un'attenuazione accoppiata di 0,0003 (IC 95% [-0,0157, 0,0166]), indicando nessuna riduzione notevole. Un paese di sondaggio confermato ha ridotto la perdita di Brier di 0,040 (IC 95% [0,024, 0,056]), mentre il rammarico da etichette casuali includeva zero. Un pannello di coerenza a copertura mista separato ha mostrato un movimento positivo continuo per le etichette casuali divulgate e un'utilità verificata. Questi risultati implicano che semplicemente informare gli utenti sulla casualità di un'etichetta non riduce il suo pregiudizio sulle previsioni dei LLM, presentando una sfida significativa per la trasparenza dell'IA.