Differences in the Moral Foundations of Large Language Models

一、文章主要内容总结

本文聚焦大型语言模型（LLMs）的道德判断机制，基于乔纳森·海特的道德基础理论（MFT），通过合成实验探究不同模型的道德价值倾向及其与人类基线的差异。核心内容如下：

1. 研究背景与理论基础：LLMs已广泛应用于关键领域，但道德判断的规范性与透明度不足；现有对齐研究多集中于“狭义偏见危害”或“广义灾难风险”，忽略中间层面的价值判断差异。MFT将道德直觉分解为关怀、公平、忠诚、权威、神圣、自由六大基础，且与政治意识形态相关（自由主义侧重“个体化基础”，保守主义均衡重视“约束性基础”），为分析提供框架。
2. 研究设计：采用Clifford等人2015年的116个道德情境问卷（MFV），测试来自Anthropic、Google、Meta、OpenAI等6大提供商的16个主流模型，要求模型对道德违规严重程度评分（0-4分），并结合描述性统计、相关性分析、主成分分析（PCA）及文本语义分析验证假设。
3. 核心发现：
   • LLM的道德判断差异支持MFT对理解模型道德偏见的有效性；
   • 多数模型相对人类基线，更重视关怀、公平等自由主义倾向基础，轻视忠诚、权威、神圣等保守主义倾向基础；
   • 不同模型提供商在道德基础权重分配上存在系统性差异；
   • 模型规模越大、能力越强，其道德判断与人类基线的偏离程度越显著。
4. 讨论与局限：研究证实了模型道德基础的异质性，但存在样本量有限、缺乏因果推断、人类基线单