该论文提出数据分析涉及数据建模和算法建模两种文化之间的选择，而机械模型则提供了一种有效的解决方案，可以生产灵活、可解释、科学的混合模型，以获得准确和稳健的预测，并且可以解决数据分析中的一些挑战。

Apr, 2021

本文探讨了大型视觉语言模型作为实证文化研究对象的潜力，通过比较 DALL-E 2 和 Stable Diffusion 两个流行的文本图像合成模型的输出，讨论了追求文化不可知与文化特定 AI 模型的利弊，以及生成输出中的记忆与偏见等几个方面所展示的风险平衡与文化特异性之间的权衡，以及发展文化不可知模型的总体不可能性。

Nov, 2022

大型语言模型的偏见与认知偏差的评估：对现有模型中偏见的普遍性持谨慎乐观态度，并承认存在一些真实的偏见，并努力减少其存在。同时，讨论了人类认知偏见的理性以及非代表性数据在误导模型偏见方面的哲学含义。

Nov, 2023

视觉 - 语言模型（VLMs）可以通过多种语言回答有关图像的问题。然而，除了语言，文化也影响我们的观察方式。在这项研究中，我们展示了一项新颖的调查，证明并定位了 VLMs 在图像理解中存在的西方偏见。通过对文化多样的图像和注释进行主观和客观的视觉任务评估，我们发现 VLMs 在每个任务的西方子集上表现更好。追踪偏见源头的控制实验强调了在仅使用文本进行预训练时构建公平 VLMs 的多样语言混合的重要性，即使是在英语推理的情况下。此外，虽然使用目标文化语言进行提示可以减少偏见，但并不能替代构建更具世界语言代表性的人工智能。

Jun, 2024

本文探讨语言模型是否存在文化偏见，研究发现目前的语言模型在处理和生成阿拉伯语文本时存在明显的西方文化偏见，特别是在人名、食物、服装、地点、文学、饮料、宗教和体育等八个方面。同时，研究表明，向模型提供文化指示符或相关文化示范可以帮助消除偏见。

May, 2023

研究表明，若决策者分享元素如训练数据或具体模型，则机器学习中的算法单一性会导致结果同质化，这可能导致系统性的排斥和社会等级的重新确认，该项研究在算法公正基准上进行的实验表明这会恶化结果同质化，对应用中的机器学习系统具有哲学性分析和社会挑战。

Nov, 2022

本研究通过对四种常用谣言检测基准数据集进行实验，发现使用时间序列而非随机分割数据集可以有效降低主题重叠部分，降低对模型预测性能高估的影响，建议谣言检测模型均应使用时间序列分割数据集以提高准确性。

Feb, 2023

本文通过对过去两个世纪出版的书籍中某些描述社会和自然现象的特定单词的年度使用频率波动的研究，发现 Hurst 参数的测定可以提供对包含在文化轨迹中的长程相关性特征的基本见解，并通过这样做，提供了关于可能是所研究现象背后的主要驱动力的新解释。值得注意的是，本文发现社会和自然现象受到根本不同的过程的支配，因为尽管自然现象具有持续长程相关性的特性，但社会现象最好被描述为非平稳的，开 - 关间歇或 Levy 行走过程。

Feb, 2012

通过分析图书评论和代码生成任务，我们实验证明了生成性单一文化的普遍存在，并发现简单的对策如改变采样或提示策略无法缓解这种行为。此外，我们的结果表明生成性单一文化的根本原因可能内在于语言模型的对准过程，因此需要开发能够保持或推广多样性的微调范例。

Jul, 2024

文化和人工智能之间存在双向关系，因此需要更全面地考虑文化的复杂性，包括主观性、可扩展性、上下文性和时间性，以便更好地捕捉文化的复杂性和解决人工智能中的偏见问题。

Nov, 2022