Standard American English
PulseAugur coverage of Standard American English — every cluster mentioning Standard American English across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新研究发现，大型语言模型（LLM）会将非裔美国人英语改写为标准美式英语
一项新的研究论文详细介绍了大型语言模型（LLM）如何系统地将非裔美国人英语（AAE）改写为标准美式英语（SAE），从而有效地重写了该方言。该研究引入了一个使用条件方言组不变性（cDGI）来审计这种偏见的框架，并确定了负数一致性（negative concord）是关键触发因素。为了缓解偏见，研究人员应用了激活引导（activation steering）这一无需训练的方法，该方法在保持SAE流畅性的同时显著减少了偏见。这项工作还包括发…
-
新基准揭示AI检测器在非标准美式英语方言上表现不佳
引入了一个新的基准DIA-HARM，用于评估有害内容检测模型在50种英语方言上的性能。研究人员发现，这些主要在标准美式英语上训练的模型，在遇到方言变体时会表现出显著的脆弱性，导致性能下降。虽然微调后的Transformer模型总体上优于零样本大型语言模型，但与单语模型相比，多语模型在不同方言上的泛化能力更强。
-
AI 毒性模型对非洲裔美国人英语表现出偏见
一项新的研究论文介绍了一个旨在演示 AI 毒性模型中方言偏见的互动工具。研究发现，一个广泛使用的毒性模型将非洲裔美国人英语文本的毒性和身份仇恨评分显著高于标准美式英语。研究强调了即使是看似中立的人为政策，也可能通过这些有偏见的 AI 系统来运作歧视。
-
DialectLLM框架为AI聊天机器人生成多样化的英语方言
研究人员开发了DialectLLM，一个旨在生成九种不同英语方言对话数据的框架，打破了标准美式英语（SAE）的局限性。该方法与语言学家合作开发，专注于准确表示各种方言的词汇、拼写和形态句法特征。使用新的DialectLLM-Bench基准进行的评估显示，即使是先进的大型语言模型在方言识别和响应生成方面也存在困难，平均准确率低于70%，并且经常错误地分类方言。
-
LLM偏见研究揭示安全过滤器在显性身份线索上失效
一篇新的arXiv研究通过比较显性人口统计学画像与隐性语言信号（如方言）来调查大型语言模型（LLMs）中的偏见。研究人员发现，LLMs常常表现出矛盾的安全行为，显性身份提示会触发更严格的过滤器，并对某些人口群体产生更高的拒绝率。相反，使用隐性方言线索，如非洲裔美国人白话英语（AAVE）或新加坡英语（Singlish），可以绕过安全机制，导致拒绝率降低，但可能损害内容净化。研究结果表明，当前的LLM安全对齐技术很脆弱，并且过度依赖显性关…