From Pixels to Places: A Systematic Benchmark for Evaluating Image Geolocalization Ability in Lar...

文章主要内容总结

本文聚焦大型语言模型（LLMs）对人类表达与思维的同质化效应，通过整合语言学、认知科学和计算机科学的跨学科证据，系统分析了LLMs如何影响认知多样性（体现为语言、视角和推理的差异）。

1. 认知多样性的重要性：认知多样性是创造力、集体智慧和社会适应性的核心，源于文化、历史和个体经验的差异，表现为语言风格、视角和推理方式的多样性。
2. LLMs的同质化机制：
   • LLMs基于“下一个token预测”训练，倾向于复制训练数据中占主导地位的语言、文化和意识形态（如英语、全球北方视角），边缘化小众表达和推理方式。
   • 其广泛使用形成循环反馈：用户依赖LLMs生成内容，导致人类表达和思维逐渐向模型的主导模式收敛，进一步强化同质化。
3. 同质化的三个维度：
   • 语言多样性：LLMs生成文本的风格和词汇多样性降低，削弱了语言与身份、文化的关联（如学术写作、社交媒体中的风格趋同）。
   • 视角多样性：LLMs倾向于反映主流（如WEIRD群体）视角，即使被提示模拟多样观点，也难以真实还原群体内的视角分布，甚至强化刻板印象。
   • 推理多样性：LLMs偏好线性、显式推理（如思维链提示），抑制抽象、直觉等非标准化推理方式，导致用户创造力和问题解决多样性下降。
4. 风险与挑战<