Does Mapo Tofu Contain Coffee? Probing LLMs for Food-related Cultural Knowledge

要約

最近の研究では、大規模言語モデル (LLM) における文化的バイアスの存在が強調されていますが、これらの現象を包括的に分析するための強力な方法論が不足していることがよくあります。
私たちの研究は、人間の生活の普遍的に関連性がありながらも文化的に多様な側面である食品の領域を掘り下げることで、このギャップを埋めることを目的としています。
食品関連の文化的事実と食習慣のバリエーションを中心とした多言語データセットである FmLAMA を紹介します。
私たちはさまざまなアーキテクチャと構成にわたって LLM を分析し、単言語設定と多言語設定の両方で LLM のパフォーマンスを評価します。
6 つの異なる言語のテンプレートを活用することで、LLM が言語固有の知識や文化的知識とどのように相互作用するかを調査します。
私たちの調査結果は、(1) LLM は米国で普及している食品の知識に対して顕著な偏りを示していることを明らかにしています。
(2) 関連する文化的背景を組み込むことで、LLM が文化的知識にアクセスする能力が大幅に向上します。
(3) 文化的なニュアンスを捉える LLM の有効性は、調査言語、特定のモデル アーキテクチャ、および問題の文化的背景の間の相互作用に大きく依存します。
この研究は、文化的理解を LLM に統合することの複雑さを強調し、偏見を軽減し、さまざまな文化的領域にわたるモデルのパフォーマンスを向上させるために文化的に多様なデータセットの重要性を強調しています。

要約(オリジナル)

Recent studies have highlighted the presence of cultural biases in Large Language Models (LLMs), yet often lack a robust methodology to dissect these phenomena comprehensively. Our work aims to bridge this gap by delving into the Food domain, a universally relevant yet culturally diverse aspect of human life. We introduce FmLAMA, a multilingual dataset centered on food-related cultural facts and variations in food practices. We analyze LLMs across various architectures and configurations, evaluating their performance in both monolingual and multilingual settings. By leveraging templates in six different languages, we investigate how LLMs interact with language-specific and cultural knowledge. Our findings reveal that (1) LLMs demonstrate a pronounced bias towards food knowledge prevalent in the United States; (2) Incorporating relevant cultural context significantly improves LLMs’ ability to access cultural knowledge; (3) The efficacy of LLMs in capturing cultural nuances is highly dependent on the interplay between the probing language, the specific model architecture, and the cultural context in question. This research underscores the complexity of integrating cultural understanding into LLMs and emphasizes the importance of culturally diverse datasets to mitigate biases and enhance model performance across different cultural domains.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google