Cross-cultural challenges in generative AI: Addressing homophobia in diverse sociocultural contexts
Notice bibliographique
Résumé
Previous discussions have highlighted the need for generative AI tools to become more culturally sensitive, yet often neglect the complexities of handling content about marginalized groups, who are perceived differently across cultures and religions. Our study examined the responses of two generative AI systems to homophobic statements and explored how their outputs varied when different societal and religious context information about the user was provided. Findings showed that ChatGPT 3.5's replies frequently reflected cultural relativism, as evidenced by an emphasis in the outputs on the idea that different cultures hold distinct perspectives and that these diverse viewpoints should be respected. In contrast, Bard's responses often stressed human rights and provided more support for gay people and lesbian, gay, bisexual, trans, and queer (LGBTQ)+ issues. Both systems demonstrated significant variation in their responses depending on the contextual information provided in the prompts, suggesting that AI systems may adjust the degree and form of support they express for LGBTQ+ people and issues according to the information they receive about a user's background. While our analysis focused specifically on chatbot responses to homophobic statements, the study underscores a broader dilemma concerning the tension between cultural relativism and universal human rights in generative AI—an issue that extends beyond homophobia to include animosity toward other marginalized groups that are perceived differently across societies and religions. The study contributes to understanding the social and ethical implications of AI responses and argues that any work to make generative AI outputs more culturally diverse requires grounding in fundamental human rights.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».