The Hidden Bias: A Study on Explicit and Implicit Political Stereotypes in Large Language Models

该研究聚焦8个主流大语言模型（LLMs）的政治偏见与刻板印象，通过二维政治指南针测试（PCT）揭示模型共性与差异，并创新性对比显式与隐式刻板印象，为LLM偏见研究提供新视角。

一、文章主要内容总结

1. 研究背景与目标

• 背景：LLMs日益融入信息传播与决策过程，其潜在政治偏见可能影响公众舆论与民主进程，但当前对LLM政治偏见的系统性研究仍有不足。
• 目标：通过PCT评估8个主流LLMs的固有政治倾向，探索显式（角色提示）与隐式（多语言PCT）政治刻板印象，明确模型偏见特征与形成机制。

2. 核心研究方法

• 基线偏见评估：采用二维PCT（经济轴：左-右；社会轴：自由-威权），通过人工与LLM共同标注PCT命题，计算模型在两轴的偏见得分（公式：Bias_{m,d}=P_{agree,m,d}-P_{disagree,m,d}）。
• 显式刻板印象测试：设计角色提示（涵盖性别、种族、国家、语言4类维度，如“非二元性别者”“美国公民”），让模型模拟对应角色回答PCT，对比角色回答与基线偏见的差异。
• 隐式刻板印象测试：使用7种语言（英语、德语、法语等）的PCT问卷，观察模型在不同语言环境下的偏见变化，挖掘语言触发的潜在偏见。

3. 关键研究发现

• 共性基线偏见<