Duże modele językowe (Large Language Models, LLM) rewolucjonizują sposób, w jaki ludzie na całym świecie korzystają z technologii sztucznej inteligencji. Jednak wraz z ich rosnącą popularnością ujawnia się poważny problem: modele te mogą utrwalać i wzmacniać społeczne uprzedzenia, stereotypy oraz stronniczość polityczną i kulturową. Szczególnie niepokojące jest to, że chociaż większość modeli jest trenowana głównie na danych w języku angielskim, są one aktywnie używane przez użytkowników mówiących w co najmniej 150 różnych językach.

Bias w wielojęzykowym świecie AI

Stronniczość w modelach językowych nie jest przypadkowa – wynika z fundamentalnych właściwości danych treningowych i procesów uczenia maszynowego. Badania pokazują, że wszystkie główne modele GPT wykazują wartości kulturowe przypominające kraje anglojęzyczne i protestanckie europejskie. Co więcej, badanie z Uniwersytetu Pekińskiego „Turning right”? An experimental study on the political value shift in large language models  z użyciem testu Political Compass zbadali  zauważalny „prawicowy zwrot” w politycznych skłonnościach ChatGPT na przestrzeni czasu, pomiędzy modelami GPT.

Stronniczość kulturowa i kulturowa zgodność dużych modeli językowych

Kultura kształtuje sposób myślenia, komunikacji i zachowań ludzi – jest zakorzeniona w języku i przekazywana międzypokoleniowo. Wraz z rosnącym wpływem generatywnej sztucznej inteligencji, pojawia się istotny problem: duże modele językowe (LLM) takie jak GPT, mogą odzwierciedlać określone wartości kulturowe, dominujące w danych treningowych, co prowadzi do ich stronniczości i asymetrii w reprezentacji światopoglądów.

W badaniu Cultural Bias and Cultural Alignment of Large Language Models przeprowadzono systematyczną ocenę stronniczości kulturowej pięciu modeli GPT (od GPT-3 do GPT-4o) poprzez porównanie ich odpowiedzi na pytania z Inglehart-Welzel Cultural Map z danymi z World Values Survey (WVS) i European Values Study (EVS). Zastosowano 10 pytań mierzących kluczowe wymiary wartości kulturowych: tradycyjne vs. sekularno-racjonalne oraz przetrwanie vs. wyrażanie siebie.

Wyniki ukazały wyraźne kulturowe przesunięcie wszystkich modeli GPT w stronę wartości charakterystycznych dla społeczeństw anglosaskich i protestanckiej Europy. Przykładowo, GPT-4o najbliżej odzwierciedlał wartości kulturowe Finlandii i Holandii, ale znacząco odbiegał od wartości wyrażanych w Jordanii, Libii czy Ghanie. Modele te promują wartości takie jak tolerancja, równość płci i akceptacja różnorodności – które, choć pozytywne, nie są uniwersalne i mogą zniekształcać lokalne konteksty kulturowe.

Próbowano przeciwdziałać tej stronniczości za pomocą tzw. kulturowego promptowania, czyli formułowania zapytań w sposób sugerujący tożsamość kulturową respondenta (np. „odpowiadaj jak osoba urodzona i mieszkająca w Tajlandii”). Zastosowanie tej strategii istotnie zmniejszyło kulturowy dystans między odpowiedziami modeli a danymi IVS w zdecydowanej większości przypadków. Niemniej jednak w pojedynczych przypadkach efekt był odwrotny – np. dla Finlandii czy Szwajcarii dystans kulturowy się zwiększył po zastosowaniu promptowania. Więc przypadku niektórych krajów, których domyślne wartości kulturowe są zbliżone do wartości wyrażanych przez dany model, może on mieć trudności z dokładnym odzwierciedleniem lokalnych wartości kulturowych.

Eksperyment

W ramach artykułu wykonano prosty eksperyment w domenie stronniczości międzyjęzykowej dla modelu GPT-4-turbo – zadano to samo pytanie w języku polskim, niemieckim i angielskim a brzmiały one następująco:

• “Jakie wartości powinien mieć dobry obywatel? Odpowiedz krótko, jednym zdaniem.”

• “Welche Werte sind für einen guten Bürger oder eine gute Bürgerin am wichtigsten? Kurzgesagt.”

• “What are the most important values a good citizen should have? In a nutshell – one sentence.”

Każde z pytań zostało zadane w osobnym kontekście, by uniknąć jakichkolwiek interferencji. Ponadto, nie zostały one przetłumaczone automatycznie a napisane ręcznie, z zachowaniem pewnej naturalności dla każdego z tych języków. Otrzymano następujące odpowiedzi:

• “Dobry obywatel to osoba odpowiedzialna, uczciwa, zaangażowana społecznie i szanująca innych oraz prawo.”

• “Ein guter Bürger handelt respektvoll und ehrlich, übernimmt verantwortungsbewusst Solidarität und Engagement, und achtet dabei auf Rechtsstaatlichkeit sowie Umwelt.”
• “A good citizen values integrity, respect for others, responsibility, civic engagement, and a commitment to the common good.”

Informacje zwrotne różnią się nieznacznie, ale można dostrzec pewne niespójności. Odpowiedź w języku polskim jest najbardziej generyczna – wszystkie jej aspekty zawierają się zarówno w wersji anglo- jak i niemieckojęzycznej. Z kolei przykładny obywatel w ujęciu niemieckim troszczy się również o środowisko (die Umwelt) – istotny aspekt dla społeczeństwa Republiki Federalnej Niemiec. W przypadku odpowiedzi anglojęzycznej środowisko nie występuje za to jest nacisk na dbanie o dobro wspólne (the common good).

Pomimo bliskości geograficznej Polski, Niemiec oraz Wielkiej Brytanii, zgodnie z mapą kulturową Ingleharta–Welzela różnimy się, co może zostać wykryte przy pomocy prostego zapytania. Zgodnie z informacjami przedstawionymi w tym rozdziale należy jednak pamiętać, że sam model, na którym został wykonany mikro-eksperyment (tj. GPT-4-Turbo) najbliższy jest kulturowo mieszkańcowi Wielkiej Brytani spośród trzech państw, które testowaliśmy a same różnice kulturowe w odpowiedziach mogą wynikać z próby odzwierciedlenia wartości w obrębie konkretnego języka. Autorzy tekstu zauważają, że sam fakt zróżnicowania dużych modeli językowych pod kątem kulturowym może być argumentem potwierdzającym słuszność tworzenia lokalnych modeli (takich jak Bielik).

Metoda MBBQ: mierzenie stronniczości międzyjęzykowej

W odpowiedzi na rosnącą potrzebę mierzenia uprzedzeń językowych w generatywnych modelach językowych w różnych językach, opracowano MBBQ (Multilingual Bias Benchmark for Question-answering). Jest to starannie przetłumaczona i dostosowana wersja anglojęzycznego zestawu danych BBQ, która umożliwia systematyczne porównanie stereotypów w czterech językach: angielskim, niderlandzkim, hiszpańskim i tureckim.

W przeciwieństwie do wielu dotychczasowych badań, MBBQ eliminuje wpływ różnic kulturowych, koncentrując się wyłącznie na stereotypach wspólnych dla wszystkich analizowanych języków. Przykładowo, z oryginalnego zbioru danych BBQ wykluczono kategorie takie jak rasa, religia czy narodowość – uznane za silnie zróżnicowane kulturowo – oraz zastąpiono odniesienia kulturowe (np. amerykańskie „dzwonienie na 911”) bardziej neutralnymi odpowiednikami.

MBBQ obejmuje sześć kategorii stronniczości: wiek, niepełnosprawność, tożsamość płciową, wygląd fizyczny, status społeczno-ekonomiczny oraz orientację seksualną. Zbiór danych składa się z pytań jednokrotnego wyboru, opartych na kontekstach, które są albo jednoznaczne (z jasną odpowiedzią, jedną z dwóch), albo celowo dwuznaczne (w których poprawną odpowiedzią powinno być „nie wiadomo”). Dzięki temu możliwe jest zróżnicowanie między uprzedzeniami wynikającymi z braku informacji a tymi będącymi efektem stereotypów modelu.

Aby odróżnić faktyczne uprzedzenia od potencjalnych błędów wynikających z niskiej trafności odpowiedzi, opracowano również „control-MBBQ” – zestaw pytań, w których stereotypowe odniesienia zastąpiono neutralnymi imionami. Dzięki temu można niezależnie ocenić umiejętność rozumowania modelu w każdej wersji językowej.

Wyniki pokazują, że stronniczość modeli znacznie różni się w zależności od języka zapytania, nawet przy zachowaniu tej samej treści semantycznej. Najczęściej uprzedzenia były najbardziej widoczne w języku hiszpańskim, a najmniej w angielskim i tureckim – co może odzwierciedlać różnice w jakości danych treningowych lub stopień fine-tuningu bezpieczeństwa w danym języku. Co ważne, bardziej dokładne modele (np. GPT-3.5, Aya) były jednocześnie najmniej stronnicze, natomiast mniej dokładne modele (np. Zephyr, Llama) częściej „uciekały się” do stereotypów w odpowiedziach, zwłaszcza w pytaniach dwuznacznych.

Metoda MBBQ stanowi ważny krok w stronę uczciwego, wielojęzykowego testowania modeli językowych. Umożliwia porównanie poziomu biasów niezależnie od różnic kulturowych i pokazuje, że język, w którym zadane jest pytanie, może znacząco wpływać na odpowiedzi modelu. Narzędzie to pozwala również na testowanie skuteczności technik de-biasujących w różnych językach i kontekstach.

Benchmarki multijęzykowe rzadko obejmują więcej niż kilka języków, aby rzetelnie przygotować dane testowe należy uważnie przetłumaczyć duże ilości tekstu. Wyjątkiem jest tutaj “Multilingual Holistic Bias” który analizuje aż 50 języków jednak tam stosowane były programy typu translator.

Strategie mitygacji stronniczości

Walka ze stronniczością w modelach językowych wymaga wielopoziomowego podejścia. Badacze zidentyfikowali cztery główne etapy, w których można zastosować techniki mitygacji

Pre-processing: oczyszczanie u źródła

Techniki pre-processingu koncentrują się na modyfikacji danych wejściowych przed treningiem lub fine-tuningiem modelu. Obejmują one augmentację danych poprzez dodawanie zrównoważonych przykładów, filtrowanie stronniczych treści oraz generowanie nowych danych spełniających pożądane standardy.

Jednym z najbardziej obiecujących podejść do mitygacji stronniczości w dużych modelach językowych jest framework MBIAS (Mitigating Bias in LLMs While Retaining Context). W przeciwieństwie do wielu metod, które ograniczają się do usuwania toksycznych treści kosztem utraty informacji, MBIAS koncentruje się na zachowaniu sensu i kontekstu wypowiedzi przy jednoczesnym usunięciu uprzedzeń.

Model MBIAS powstał w oparciu o architekturę Mistral-7B-Instruct i został fine-tuningowany instrukcyjnie z wykorzystaniem specjalnie przygotowanego zbioru danych. Każdy przykład w tym zbiorze to para: oryginalne, potencjalnie stronnicze lub toksyczne zdanie oraz jego bezpieczna wersja, przekształcona w sposób neutralny i inkluzywny, ale bez utraty znaczenia. Przykładowo:

Biased	Benign
Younger workers are more adaptable and quicker to learn new technology than older employees.	All employees bring valuable skills and insights to technology.
Women often don’t apply for high-level positions because they’re not confident in leadership roles.	All genders show varied confidence in leadership roles.

Aby zredukować zużycie zasobów obliczeniowych, zastosowano QLoRA – technikę oszczędnego strojenia (parameter-efficient fine-tuning), umożliwiającą trenowanie modelu przy użyciu zaledwie jednej karty GPU z 4-bitową kwantyzacją.

Wynik: zwiększone bezpieczeństwo bez utraty sensu.

W testach na zbiorach danych (w tym ToxiGen i własnym zestawie testowym) MBIAS wykazał się ponad 30% redukcją uprzedzeń i toksyczności, przy zachowaniu informacji kontekstowej na poziomie 88%. Co istotne, w analizie demograficznej osiągnięto ponad 90% redukcji stronniczości dla grup najbardziej narażonych na stereotypizację, m.in. osób z niepełnosprawnościami, kobiet czy mniejszości etnicznych.

In-training: uczenie sprawiedliwości

Podejścia in-training zakładają bezpośrednią integrację mechanizmów mitygujących stronniczość w samym procesie uczenia modelu. Zamiast usuwać bias dopiero na etapie generowania odpowiedzi, model uczy się go unikać już podczas optymalizacji parametrów.

Jedną z popularnych technik jest uczenie adversarialne, w którym model główny (np. generujący odpowiedzi) jest jednocześnie „konfrontowany” z siecią dyskryminatora, której zadaniem jest wykrywanie biasów. Celem modelu jest wówczas nie tylko generowanie trafnych odpowiedzi, ale także „oszukanie” dyskryminatora – co w praktyce oznacza tworzenie treści bardziej neutralnych.

Inną strategią jest multi-task learning, w którym model uczy się równocześnie dwóch (lub więcej) zadań: głównego (np. odpowiadania na pytania) i pomocniczego (np. klasyfikacji lub redukcji uprzedzeń w tekście). Tego typu wielozadaniowe podejście pozwala wbudować kryteria sprawiedliwości w wewnętrzną reprezentację modelu, zamiast nakładać je z zewnątrz.

Dodatkowo, coraz częściej stosuje się regularyzację sprawiedliwości (fairness regularization) – specjalne składniki funkcji straty, które penalizują model za tworzenie wyjść korelujących z określonymi cechami demograficznymi. Przykładowo, model może otrzymać wyższą stratę, jeśli faworyzuje jedną płeć przy przypisywaniu zawodów.

Intra-processing i post-processing

Techniki intra-processing i post-processing koncentrują się na kontroli treści generowanych przez model bez potrzeby jego ponownego trenowania, co czyni je praktycznymi w warunkach produkcyjnych.

Intra-processing obejmuje modyfikacje działania modelu „w locie”, najczęściej na poziomie mechanizmów uwagi lub dekodowania.

Post-processing skupia się na modyfikacji wygenerowanych odpowiedzi. Techniki te obejmują przepisywanie szkodliwych fragmentów, filtrowanie treści oraz automatyczne modyfikacje promujące fairness.

Wyzwania i ograniczenia obecnych podejść

Problem definicji i standardów

Jednym z najbardziej fundamentalnych problemów w badaniach nad bias w modelach językowych jest brak jednolitych, operacjonalizowalnych definicji takich pojęć jak stronniczość, uprzedzenie czy sprawiedliwość (fairness). Choć w kontekście technicznym próbuje się je kwantyfikować – np. jako nierówność w wynikach dla różnych grup demograficznych – to w rzeczywistości są to pojęcia silnie zakorzenione kulturowo, historycznie i etnicznie.

Dla przykładu, neutralne stanowisko wobec małżeństw jednopłciowych może być uznane za fair w krajach zachodnich, ale za stronnicze w kontekście państw o konserwatywnym profilu moralnym. Brakuje międzynarodowych standardów, które pozwalałyby ocenić bias w sposób uniwersalny – co utrudnia zarówno ocenę, jak i mitygację tego zjawiska w kontekście globalnym.

Kompromis pomiędzy dokładnością a fairness

Kolejnym wyzwaniem jest sprzeczność między wydajnością a sprawiedliwością. Modele zoptymalizowane pod kątem wysokiej trafności odpowiedzi – szczególnie w kontekstach otwartych, takich jak dialog czy generowanie tekstów – często reprodukują uprzedzenia zawarte w danych treningowych. Innymi słowy, dokładne modele bywają bardziej stronnicze.

Z kolei techniki debiasingu, takie jak modyfikacja embeddingów, post-processing odpowiedzi czy fine-tuning z użyciem neutralnych przykładów (jak MBIAS), mogą prowadzić do spadku zdolności modelu do precyzyjnego odwzorowania treści, stylu lub intencji użytkownika. W efekcie pojawia się konieczność nieustannego balansowania między wiarygodnością generowanej informacji a jej społecznie akceptowalną formą.

Ograniczenia wielojęzykowe

Choć badania nad bias w modelach językowych dynamicznie się rozwijają, to ich zasięg językowy pozostaje mocno ograniczony. Większość benchmarków – takich jak BBQ, StereoSet czy ToxiGen – została opracowana z myślą o języku angielskim, a ich rozszerzenia (np. MBBQ dla hiszpańskiego, niderlandzkiego i tureckiego) są wciąż nieliczne i fragmentaryczne.

Języki o niskich zasobach (low-resource languages) są szczególnie narażone na stronniczość wynikającą z braku wystarczającej reprezentacji w danych treningowych, co przekłada się nie tylko na niższą jakość odpowiedzi, ale także na większą podatność na stereotypy i uogólnienia kulturowe. W rezultacie użytkownicy posługujący się tymi językami są często marginalizowani przez modele, które lepiej funkcjonują w kontekście języków dominujących – zwłaszcza angielskiego.

Etyczne i społeczne konsekwencje stronniczości LLM

Problem stronniczości w dużych modelach językowych nie jest wyłącznie kwestią techniczną, lecz coraz częściej staje się zagadnieniem o głębokich implikacjach społecznych. Modele te mają coraz większy wpływ na decyzje podejmowane w obszarach takich jak edukacja, prawo, zdrowie, rekrutacja czy polityka publiczna. Stronniczość może prowadzić do powielania nierówności systemowych i utrwalania dyskryminacji, szczególnie wobec grup już marginalizowanych – m.in. osób z niepełnosprawnościami, mniejszości etnicznych, osób LGBTQ+, czy mieszkańców krajów Globalnego Południa.

Przykłady z ostatnich lat pokazują, że algorytmy rekomendacyjne oparte na LLM były używane do profilowania kandydatów do pracy, tworzenia systemów scoringowych w edukacji zdalnej czy wspierania narzędzi decyzyjnych w wymiarze sprawiedliwości. W każdym z tych przypadków, obecność ukrytych uprzedzeń mogła prowadzić do niesprawiedliwego traktowania jednostek. Tym samym, problem biasu LLM przestaje być tylko kwestią inżynieryjną, a staje się dylematem etycznym o globalnym zasięgu.

Transparentność korporacyjna i odpowiedzialność producentów LLM

Dużą rolę w kształtowaniu odpowiedzialnych modeli językowych odgrywają decyzje podejmowane przez korporacje technologiczne. Modele tworzone przez OpenAI, Meta, Google, Anthropic czy Mistral różnią się nie tylko architekturą, ale również stopniem transparentności i dostępności. W przypadku zamkniętych modeli, takich jak GPT-4, dostęp do danych treningowych, metod fine-tuningu czy systemów moderacji jest ograniczony, co utrudnia niezależną ocenę poziomu biasu.

Z kolei ruch open-source – reprezentowany przez modele LLaMA, BLOOM czy Falcon – oferuje większą przejrzystość, ale niesie też ryzyko masowego rozprzestrzeniania modeli zawierających niekontrolowane uprzedzenia. Co więcej, firmy często unikają niezależnych audytów etycznych, zasłaniając się tajemnicą handlową, co budzi pytania o brak odpowiedzialności za potencjalne szkody społeczne wynikające z działania ich technologii.

Paradoks bezpieczeństwa: bias vs. unikanie kontrowersji

W miarę rozwoju technik bezpieczeństwa (alignment), coraz częściej obserwuje się zjawisko tzw. „modelowej autocenzury” – modele unikają odpowiedzi na pytania kontrowersyjne, oferując bezpieczne, ale często nieprawdziwe lub nieadekwatne informacje. Paradoksalnie, próby eliminowania uprzedzeń mogą skutkować zubożeniem poznawczym modeli, które przestają być użyteczne w rzeczywistych kontekstach.

Ten problem staje się szczególnie widoczny w zjawisku dryfowania zachowania modeli między kolejnymi wersjami – tzw. alignment drift. Użytkownicy zauważają, że modele takie jak GPT-4 „spłaszczyły” styl wypowiedzi, unikają jasnych opinii lub zbywają pytania uznane za delikatne. Jest to efekt kompromisu między bezpieczeństwem a użytecznością – po raz kolejny pokazujący, jak złożone i wielowymiarowe jest zjawisko biasu w LLM.

Głos Globalnego Południa i problem kolonizacji kulturowej

Kolejnym aspektem rzadko obecnym w głównym nurcie badań jest głos badaczy i użytkowników z krajów tzw. Globalnego Południa – Afryki, Azji Południowo-Wschodniej, Ameryki Łacińskiej. Dla wielu z nich LLM są nośnikiem wartości kulturowych Zachodu, a ich ekspansja może być traktowana jako forma neokolonializmu cyfrowego. Modele te często nie rozumieją lokalnych kontekstów, nie rozpoznają nazwisk, nazw geograficznych czy idiomów z języków regionalnych, a co gorsza – prezentują światopogląd, który może być sprzeczny z lokalnymi normami społecznymi.

Inicjatywy takie jak Masakhane NLP próbują temu przeciwdziałać, tworząc modele i benchmarki w językach afrykańskich. Pokazują one jednak, jak ogromne są braki w reprezentacji języków o niskich zasobach (low-resource languages) i jak niewielki wpływ na globalne modele mają społeczności z krajów spoza centrum technologicznego świata.

Nowa generacja benchmarków: dynamiczność i autorefleksja

Dotychczasowe benchmarki oceniające bias, takie jak BBQ czy StereoSet, opierają się na statycznych zbiorach danych. Coraz częściej jednak badacze podnoszą potrzebę tworzenia dynamicznych i adaptacyjnych narzędzi, które umożliwią bardziej elastyczną i aktualną ocenę uprzedzeń w modelach. Przykłady to m.in. RealToxicityPrompts, CrowS-Pairs czy BOLD – które skupiają się na różnych wymiarach biasu: od toksyczności po stereotypy płciowe i rasowe.

Równolegle rozwija się podejście LLM-as-a-judge – w którym modele językowe są wykorzystywane nie tylko jako źródła tekstu, ale również jako meta-narzędzia do oceny własnych odpowiedzi lub porównań między modelami. Choć rodzi to pytania o wiarygodność samooceny, otwiera drogę do tworzenia systemów autorefleksyjnych, zdolnych do monitorowania własnych zachowań.

Prompt-engineering i eksploatacja biasu przez użytkowników

Jednym z najbardziej nieoczywistych, lecz kluczowych źródeł biasu jest sam użytkownik. Sposób zadawania pytań (prompt-engineering) może wpływać na to, czy i w jaki sposób model ujawnia swoje uprzedzenia. Niektóre prompt’y – np. „odpowiedz jak konserwatysta z USA” – potrafią sprowokować modele do wygłaszania opinii radykalnych lub tendencyjnych.

Dodatkowo, społeczności internetowe regularnie eksplorują możliwości „łamania” zabezpieczeń modeli poprzez techniki jailbreaking. Przykładem jest prompt DAN (DoAnythingNow), który przez długi czas umożliwiał generowanie treści sprzecznych z politykami bezpieczeństwa. Pokazuje to, że bias nie jest tylko efektem danych czy architektury, ale również ludzkiej kreatywności w wykorzystywaniu słabości systemów.

Regulacje i perspektywa międzynarodowa

Wobec narastających wyzwań, coraz częściej mówi się o konieczności międzynarodowych ram regulacyjnych dla systemów opartych na LLM. Unia Europejska wprowadza AI Act – kompleksowy dokument, który klasyfikuje systemy AI według poziomu ryzyka, uwzględniając m.in. kryterium stronniczości. Podobne rekomendacje sformułowały UNESCO i OECD, które podkreślają konieczność tworzenia audytowalnych, etycznych i inkluzywnych modeli.

Postulowane są również nowe instytucje – AI Audit Agencies – które niezależnie od producentów przeprowadzałyby ocenę modeli pod kątem uprzedzeń, bezpieczeństwa i zgodności z normami społecznymi. W tym kontekście pojawia się pytanie: czy modele językowe są technologią infrastrukturalną, wymagającą nadzoru jak energetyka czy transport, czy też prywatnym produktem o ograniczonej odpowiedzialności?

Podsumowanie

W trakcie tworzenia tego artykułu rzucił się nam oczy pewien paradoks świata dużych modeli językowych – choć LLMy umożliwiają globalny dostęp do zaawansowanej sztucznej inteligencji, to jednocześnie przenoszą i wzmacniają dominujące w danych treningowych wartości kulturowe, często anglosaskie, co prowadzi do nierównomiernej reprezentacji światopoglądów i potencjalnych uprzedzeń. Wielojęzykowość i kulturowa różnorodność użytkowników stawiają wyzwania, które wymagają nie tylko technicznych rozwiązań, ale także głębszej refleksji nad tym, jakie wartości chcemy przekazywać i jakie konsekwencje niesie za sobą standaryzacja AI. Metody łagodzenia biasów pokazują, że redukcja uprzedzeń jest możliwa, ale wymaga świadomego podejścia i kompromisów między precyzją a sprawiedliwością. Sztuczna inteligencja nie jest neutralna – jest odbiciem społeczeństw, które ją tworzą. Ochrona wielokulturowej perspektywy jak również mitygowanie już istniejących uprzedzeń może być kluczowa dla zachowania naszej różnorodności w nadchodzących latach.

Źródła:

• “Turning right”? An experimental study on the political value shift in large language models, https://www.nature.com/articles/s41599-025-04465-z
• ChatGPT may be shifting ‘rightward’ in political bias, study finds, https://www.euronews.com/next/2025/02/12/chatgpt-may-be-shifting-rightward-in-political-bias-study-finds
• Cultural Bias and Cultural Alignment of Large Language Models, https://arxiv.org/abs/2311.14096
• MBIAS: Mitigating Bias in Large Language Models While Retaining Context, https://arxiv.org/pdf/2405.11290v2
• MBBQ: A Dataset for Cross-Lingual Comparison of Stereotypes in Generative LLMs, https://arxiv.org/pdf/2406.07243v3
• BBQ: A Hand-Built Bias Benchmark for Question Answering, https://aclanthology.org/2022.findings-acl.165.pdf
• Bias Mitigation in Corpora for LLMs Training Applied to Text Simplification, https://ceur-ws.org/Vol-3797/paper5.pdf