People Are Not Just Their Countries. Disentangling Social Determinants of LLM Value Alignment Across Europe
作者: Maria-Louisa Wightman, Guillaume Bied, Tijl De Bie
分类: cs.AI
发布日期: 2026-08-07
备注: Accepted at AIES 2026 (9th AAAI/ACM Conference on AI, Ethics, and Society)
💡 一句话要点
通过社会人口变量解析LLM价值对齐问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 大型语言模型 价值对齐 社会人口变量 欧洲社会调查 多元回归分析 社会影响 政策制定
📋 核心要点
- 现有研究主要集中在国家或文化边界内的群体，忽视了社会人口差异对价值对齐的影响。
- 本文利用欧洲社会调查数据，考察了10种商业LLM在15个社会人口变量下的价值对齐情况。
- 研究发现不同社会人口群体的价值对齐存在显著差异，尤其是在教育、收入、职业和宗教方面。
📝 摘要（中文）
随着大型语言模型（LLMs）作为信息和建议的主要来源，其与人类价值观的对齐问题日益受到关注。现有研究主要集中在国家或文化边界内的群体，忽视了社会人口差异对价值对齐的影响。本文利用欧洲社会调查数据，考察了10种商业LLM在15个社会人口变量下的价值对齐情况，发现不同社会人口群体的价值对齐存在显著差异，尤其是在教育、收入、职业和宗教方面。研究表明，单独考虑受访者的国家因素能够解释与社会人口变量相当的对齐差异，国家和社会人口因素在解释价值对齐模式时是互补的。
🔬 方法详解
问题定义：本文旨在解决大型语言模型（LLMs）与人类价值观对齐的研究不足，尤其是缺乏对社会人口变量的深入分析。现有方法往往忽视了社会人口差异对价值对齐的影响，导致结果片面。
核心思路：通过利用欧洲社会调查数据，考虑15个社会人口变量与10种商业LLM的价值对齐情况，旨在揭示不同群体之间的对齐差异。这样的设计能够更全面地理解LLMs的价值观与人类的关系。
技术框架：研究首先收集欧洲社会调查的数据，随后对10种LLMs进行价值对齐分析。分析过程中，分别考虑国家因素和社会人口因素，最后通过统计模型评估其对价值对齐的影响。
关键创新：本文的创新在于将社会人口变量与国家因素结合起来分析LLMs的价值对齐，揭示了二者在解释对齐模式中的互补性。这一方法突破了以往仅依赖国家边界的研究局限。
关键设计：研究中使用了多元回归分析来评估不同社会人口变量对价值对齐的影响，关键参数包括教育、收入、职业和宗教等。此外，采用了适当的统计检验方法来确保结果的可靠性和有效性。
🖼️ 关键图片
📊 实验亮点
研究发现，LLMs在不同社会人口群体中的价值对齐存在显著差异，尤其是在教育、收入、职业和宗教方面。单独考虑国家因素能够解释与社会人口变量相当的对齐差异，表明国家和社会人口因素在价值对齐模式中是互补的。这一发现为理解LLMs的社会影响提供了新的视角。
🎯 应用场景
该研究的潜在应用领域包括政策制定、教育和社会服务等。通过理解不同社会人口群体对LLMs的价值对齐情况，可以为相关领域提供更具针对性的建议和改进方案，提升LLMs的社会适应性和公平性。未来，该研究可能影响LLMs的设计与应用，使其更好地服务于多样化的用户群体。
📄 摘要（原文）
As Large Language Models (LLMs) are increasingly used as a primary source of information and advice, understanding their alignment to humans in terms of values becomes a pressing concern. A growing literature has leveraged large scale surveys to investigate to what extent LLMs' and humans' stated values and opinions align. With limited exceptions, studied populations have been defined country borders or cultural bounds. Yet, this focus neglects the role that socio-demographic divides may play for value alignment disparities. Relying on the European Social Survey, we address this knowledge gap by considering value alignment displayed with respect to 10 prominent commercial LLMs in terms of 15 socio-demographic variables as well as country of residence. Our analyses reveal that LLMs are indeed unequally aligned to the values of different socio-demographic groups, notably those defined by education, income, occupation and religion. When examining alignment at the individual level, a respondent's country, taken as a stand-alone variable, explains a substantial amount of variation that is on par with the full set of considered socio-demographics. Further disentangling the respective role of country-level and socio-demographic factors, we find they are complementary in explaining value alignment patterns, with their relative weights varying across the subset of questions considered.