The Language Blind Spot: How Query Language and Brand Recognition Tier Shape AI-Constructed Brand Reputation Across Twelve European Languages

📄 arXiv: 2606.23165v1 📥 PDF

作者: Dmitrij Żatuchin

分类: cs.IR, cs.CL

发布日期: 2026-06-22

备注: 17 pages, 3 figures. Data and analysis code on Zenodo, https://doi.org/10.5281/zenodo.20794390

💡 一句话要点

提出多语言嵌入以解决品牌声誉监测中的语言盲点问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 品牌声誉 多语言嵌入 语言模型 市场营销 跨国企业

📋 核心要点

  1. 现有的品牌声誉监测主要依赖英语，可能导致对本地品牌的可见性低估，形成语言盲点。
  2. 论文提出使用多语言嵌入技术（BGE-M3）进行跨语言比较，避免翻译带来的信息损失。
  3. 实验结果显示，查询语言显著影响品牌推荐，且模型选择对响应稳定性影响更大，揭示了AI监测的局限性。

📝 摘要（中文）

大型语言模型（LLMs）在塑造人们对组织的印象中扮演着越来越重要的角色，但大多数监测工作仍以英语为主，假设英语查询能够代表真实情况。本文通过对来自北欧、波罗的海和中欧市场的66个品牌进行多语言查询，发现AI构建的品牌声誉受语言影响显著，且查询语言对品牌推荐的影响远大于描述方式。研究结果表明，英语为主的AI声誉监测存在可测量的语言盲点，尤其集中在本地品牌的可见性上。

🔬 方法详解

问题定义：本文旨在解决品牌声誉监测中存在的语言盲点问题，尤其是依赖英语查询可能导致的本地品牌可见性低估。现有方法未能充分考虑多语言环境下的品牌声誉表现。

核心思路：论文通过引入多语言嵌入技术（BGE-M3），实现跨语言的品牌声誉比较，避免了传统翻译方法带来的信息损失和偏差，从而更准确地反映不同语言环境下的品牌印象。

技术框架：研究采用了三种大型语言模型（GPT-5.4、Gemini 3.1 Pro、Perplexity Sonar Pro），对66个品牌进行多语言查询，生成35640个响应，利用多语言嵌入进行分析。

关键创新：最重要的创新在于提出了多语言嵌入技术，使得跨语言品牌声誉的比较不再依赖于翻译，从而提高了数据的准确性和可靠性。与现有方法相比，这一方法能够更全面地捕捉品牌在不同语言环境中的表现。

关键设计：在实验中，使用了多语言嵌入模型，设置了多轮迭代以确保结果的稳定性，并通过聚类分析识别语言家族间的相似性。关键参数包括响应的相似度计算和情感分析的统计方法。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，AI构建的品牌声誉在语言间存在显著差异，跨语言余弦相似度均值为0.825，且本地品牌在其母语查询中推荐率提高了0.80，而全球品牌仅提高0.15，强调了语言对品牌可见性的影响。

🎯 应用场景

该研究的潜在应用领域包括品牌管理、市场营销和跨国企业的声誉监测。通过更准确的多语言品牌声誉分析，企业能够更好地理解不同市场的消费者反应，从而制定更有效的市场策略，提升品牌形象和市场竞争力。

📄 摘要（原文）

Large language models (LLMs) increasingly mediate how people form impressions of organisations, yet most monitoring is done in English, assuming an English query returns a representative picture. We measure how far that holds. We queried three grounded LLMs (GPT-5.4, Gemini 3.1 Pro, Perplexity Sonar Pro) about 66 brands from eleven Northern, Baltic, and Central European markets, in twelve languages across four families (Germanic, Uralic, Baltic, Slavic), generating 35,640 responses. Multilingual embeddings (BGE-M3) allow cross-language comparison without translation. Three results emerge. First, AI-constructed reputation is language-bound: mean cross-language cosine similarity is 0.825, same-family responses are more similar than cross-family (0.844 vs 0.820; d = 0.31), and sentiment varies by language (F = 268.5, eta^2 = 0.077), with Uralic and Baltic languages most positive and Germanic, including English, most critical; clustering recovers the Slavic and Baltic families (cophenetic 0.915). Second, query language shifts which brands are recommended far more than how they are described: moving from an English query to a brand's home language raises recommendation share by 0.80 for local champions but only 0.15 for global multinationals (t = -8.84, p < 0.001), with no comparable reversal in sentiment. An English-only audit therefore understates a local champion's AI visibility. Third, response stability varies more with model choice than with language (eta^2_model = 0.32 vs eta^2_language = 0.01, on a five-iteration replication over a 20-brand subset). These results indicate that English-only AI reputation monitoring leaves a measurable language blind spot, concentrated in the visibility of locally headquartered brands.