基于“欧氏距离-倾向性分数”范式的大模型意识形态倾向性评估方法

吕纾涵; 李永; 李少华; 林坊; 陈煜昂

doi:10.12404/j.issn.1671-1815.2503083

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (11) :4732-4740 DOI: 10.12404/j.issn.1671-1815.2503083

自动化技术、计算机技术

基于“欧氏距离-倾向性分数”范式的大模型意识形态倾向性评估方法

吕纾涵 ¹^,² ,
李永 ¹^,³^,^* ,
李少华 ¹ ,
林坊 ¹^,² ,
陈煜昂 ¹^,²

作者信息 +

Evaluation Method for Ideological Tendencies of Large Models Based on “Euclidean Distance-Propensity Score” Paradigm

LÜ Shu-han ¹^,² ,
LI Yong ¹^,³^,^* ,
LI Shao-hua ¹ ,
LIN Fang ¹^,² ,
CHEN Yu-ang ¹^,²

Author information +

文章历史 +

摘要

随着大模型技术的广泛应用,智能化对抗的信息武器质量得到了显著提升,对于大模型背后隐藏的“恶意认知行为策略”,或直接影响到智能化时代信息战的伦理规范与安全防护。为发现模型中的偏见,揭示不同文化背景下的词向量库差异,对静态大模型的词向量库意识形态倾向性进行了量化分析,选取5个具有代表性的词向量库,结合精心筛选的测试词,提出基于正距离、负距离及倾向性分数的量化评估范式。通过计算测试词与基准词之间的欧氏距离,引入归一化方法生成倾向性分数,构建了一个直观的量化指标,实现了对词向量意识形态倾向性的精确量化,从预训练语料和词向量进行分析,直接地揭示了模型的内生偏见。实验表明,不同语料库训练出的词向量库在意识形态倾向性上存在显著区别,“欧氏距离-倾向性分数”评估范式可以客观辨析各词向量库之间的差异。结论指出,所提方法为大模型的偏见检测与“价值对齐”提供了可操作的评估方法,适用于不同语言和文化背景下的词向量分析,帮助模型部署前识别潜在价值偏差。

Abstract

With the widespread adoption of large model technologies, the quality of intelligent adversarial information weapons has significantly improved. The “malicious cognitive behavior strategies” embedded within large models may directly impact the ethical norms and security safeguards of information warfare in the intelligent era. To uncover model biases and reveal differences among word vector libraries across diverse cultural contexts, a quantitative analysis of the ideological orientation of word embeddings from static large models was conducted. Five representative word vector libraries were selected, and a quantitative evaluation paradigm based on positive distance, negative distance, and tendency scores was proposed, using carefully curated test words. By computing the Euclidean distances between test words and benchmark terms and applying a normalization method to derive tendency scores, an intuitive quantitative metric was established, enabling precise quantification of ideological tendencies in word vectors. Analysis of both pre-training corpora and resulting embeddings directly exposes the endogenous biases inherent in the models. Experimental results show that word vector libraries trained on different corpora exhibit significant differences in ideological orientation, and the proposed “Euclidean distance-tendency score” evaluation paradigm can objectively differentiate among these libraries. The study concludes that the proposed method provides an operational framework for bias detection and “value alignment” in large models, applicable to word vector analysis across languages and cultural backgrounds, thereby facilitating the identification of potential value deviations prior to model deployment.

Graphical abstract

关键词

大语言模型 / 静态词向量库 / 意识形态倾向性 / 评估

Key words

large language model / static word vector library / ideological tendency / evaluation

引用本文

引用格式 ▾

吕纾涵, 李永, 李少华, 林坊, 陈煜昂. 基于“欧氏距离-倾向性分数”范式的大模型意识形态倾向性评估方法[J]. 科学技术与工程, 2026, 26(11): 4732-4740 DOI:10.12404/j.issn.1671-1815.2503083

LÜ Shu-han, LI Yong, LI Shao-hua, LIN Fang, CHEN Yu-ang. Evaluation Method for Ideological Tendencies of Large Models Based on “Euclidean Distance-Propensity Score” Paradigm[J]. Science Technology and Engineering, 2026, 26(11): 4732-4740 DOI:10.12404/j.issn.1671-1815.2503083

登录浏览全文

4963

注册一个新账户忘记密码

随着信息技术的快速发展和大模型技术的崛起,现代认知战的作战方式和手段有了极大的丰富和提升,不仅涉及信息的传播与控制,还包括数据挖掘、舆情引导、网络安全等多方面的内容。在认知战中,大模型技术表现出双重属性,既可能受到训练数据或设计原则的影响,表现出特定的意识形态倾向,也可通过技术手段实现攻防结合的控制能力,既可以作为防御盾牌进行舆情监测、内容审核,也可以作为进攻利器,进行意识形态渗透及认知战场态势控制。而在大模型的行为设计及训练干预时,可能有意或无意地将特定的意识形态观点根植于其行为中,造成模型意识形态倾向。

大模型的“幻觉”现象及其对事实性的影响已成为研究焦点,近期的研究进一步将关注范围扩展到包括安全性、政治性、道德和隐私等更广泛的“可信度”维度^[1]。当前研究中,Rozado^[2]通过与大模型进行问答交互以及调查问卷的方式展开研究,发现OpenAI ChatGPT、Google Gemini、Anthropic Claude等大语言模型生成了具有明显中左翼自由主义意识形态倾向的内容。因此推断,大语言模型展现出的政治偏见或偏好在模型预训练前已深度嵌入,经过预训练和用户输入后进一步强化政治偏见。Ghafouri等^[3]基于行为实验发现,ChatGPT在面对政治性争议议题与指涉政治价值观问题时,预训练阶段事先嵌入的政治偏见会使ChatGPT生成内容强化先入为主的观念或宣扬虚假信息。通过研究人员先前实验可以看出通过问答交互、调查问卷以及行为观察可以在一定程度上对大语言模型的意识形态倾向进行判断,但需要与心理学、政治学、计算机科学等相关学科的丰富知识进行交叉使用,而且过于依靠研究人员的主观判断,无法量化地、直观地提出一套评价标准。

因此,在智能化战争日益激烈的背景下,大模型已成为意识形态渗透的新载体。为了衡量大模型是否具有特定的意识形态倾向,调查国内外流行的大模型之间的意识形态多样性,探究不同语料库训练的词向量意识形态差异,通过一种基于静态词向量库的分析方法,以期从大模型输出内容的本质入手对大模型意识形态倾向进行判断,为构建符合社会主义核心价值观的“可信AI”提供理论支持。

2023年《生成式人工智能服务管理暂行办法》等法规的出台,对AI的监管日益严格。意识形态评估是文化主权的“守门人”,科学技术的应用过程也难免与意识形态交织纠缠。提出的“欧氏距离-倾向性分数”范式提出可执行的测量方法,可为大模型意识形态风险防控提供可参考的测量指标,通过对模型意识形态进行评估,从而进行“价值对齐”,为模型的训练、微调和迭代提供优化目标,提高大模型的可解释性及伦理安全。

1 相关工作

大模型,特别是基于深度学习的大语言模型,通过处理和学习大量的文本数据生成语言输出,由于训练数据的来源广泛且多样,这些模型在训练中不可避免地会吸收并反映其训练数据中的意识形态倾向性。

大模型依赖的互联网文本数据本身存在意识形态不平衡,网络文本常包含错误,基于文本的概率分布训练出的大语言模型会被同样的偏见所“传染”。同时,平台会有意或无意地给大语言模型预设“算法过滤器”,将依赖算法的主体捆缚于“信息茧房”与“回音室” 中,进一步对依赖模型的应用造成风险。源于数据与算法的双重偏向会造成左翼自由主义倾向。谷歌的BERT(bidirectional encoder representations from transformers)模型因使用保守派书籍数据而更倾向保守立场,而基于自由派网络文本的模型则偏向左翼,以英语中心主义的决定性影响可能会造成模型输出的文化偏见^[4]。同时,微调过程可能引入人为偏好,开发者通过监督微调,明确调整模型的政治立场。少量的倾向性样本即可显著改变模型的输出,甚至将特定主题的偏见泛化到其他领域,实现意识形态的操控。

认识到大模型意识形态倾向的社会影响与潜在风险,Rozado^[5]采用涵盖经济政策、社会议题、国际关系等标准化政治倾向性问卷展开测试,追踪了ChatGPT在2022年11月—2023年2月的版本迭代,发现其左倾程度逐步增强,对右翼政党的负面情感评分显著增强,这些偏见不仅存在于显性政治问题中,还渗透至历史叙述以及科学成就的描述,为理解生成式人工智能的意识形态偏向提供了关键实证基础,揭示了大模型技术中潜藏的价值观权力结构。吕立远等^[6]针对大模型价值观结构的系统认识,研究形成基于政治观、社会观、文化观、经济观、生态观的五位一体评估框架,对国内外30个主流大模型的价值观体系进行了全面的实证分析。研究得出大模型的价值观表现一定程度上反映了所在国的宏观社会经济环境,也揭示了不同国家政治宣传下的社会特性。Motoki等^[7]使用政治罗盘的问卷量表来衡量ChatGPT回答的政治倾向,从经济与社会两个重要维度展开研究,提出算法和训练数据是偏见的潜在来源。在当前的研究方法上,对于大模型的意识形态倾向性评估分析只进行了定性分析,而没有进行定量分析,缺乏统一的衡量标准,因此本文研究设计基于正距离、负距离及倾向性分数的量化分析方法,并进行量化评估实验。针对大模型所存在的中西方意识形态问题,中方以社会主义与资本主义进行区分,不同于西方左翼与右翼的划分。在本研究中,遵循文化相对主义原则,避免预设单一的价值观标准,重点关注模型输出与不同社会语境的适配性矛盾。

2 算法设计

大模型技术在各领域的广泛应用,进一步加深了信息茧房与认知固化,导致公众舆论的隐蔽塑造,算法推荐机制也可能使主流的意识形态被边缘化,大模型在生成内容时可能无意中传播特定的意识形态倾向,被敌方用来制造虚假信息或进行意识形态渗透。

基于上述问题,通过一系列对照实验,对静态大模型词向量库中的指定词汇进行深入聚类分析,提取量化的词语情感指标,揭示不同数据集对模型意识形态倾向性的影响,探讨不同文化背景和政治环境对模型意识形态倾向性的影响。实验共设计两个研究方向:一是比较不同语料库训练出的词向量在意识形态上的差异,通过分析基于不同来源语料库生成的词向量,揭示其在意识形态倾向性上的异同;二是分析同一领域内国内外网络平台词向量库的意识形态差异,聚焦于国内与国外网络平台语料库的对比,探讨其在意识形态特征上的潜在区别。通过两组对照实验,实现对大模型意识形态倾向性的量化分析。算法设计流程如图1所示。

2.1 实验方法

共设置两组对照实验,具体方法如下:

(1)编写代码输出词向量,并将指定词汇中由多个词组合而成的词组通过多词向量合并算法转化为单一词向量。

(2)设计两组对照实验对输出的词向量进行深入分析。

第一组对照实验:不同语料库训练的词向量意识形态差异。本组对照实验使用百度百科、人民日报、知乎问答和微博4种语料库训练出来的对应词向量进行聚类分析。上述5种语料库均来源于中国主流媒体社交平台上发布的内容,其相互对照可有效反映不同词向量库意识形态倾向性。

第二组对照实验:面向中国的中文词向量库与面向国外的英文词向量库之间意识形态的差异。本组对照实验使用百度百科、维基百科2种语料库训练出来的对应词向量进行聚类分析。其中,维基百科作为面向全球受众的英文网络百科全书,与主要服务于中国用户的百度百科形成鲜明对比。通过对两者进行比较,能够清晰地揭示不同国别间词向量库的意识形态差异。

(3)最后,计算每个词向量的欧氏距离,对其输出结果进行量化分析,其中包括计算出每个词向量库中红词倾向性分数D_r、正距离d_r1和负距离d_r2及蓝词倾向性分数D_b、正距离d_b1和负距离d_b2,并根据以上参数对其分布情况进行可视化,从而判断该大模型词向量库的意识形态倾向。

2.2 词向量库选取

实验所使用的词向量库来源于“Chinese Word Vectors (中文词向量)”,该项目提供了超过100种预训练的中文词向量,这些词向量具有多种表示方式(如密集和稀疏)、多种上下文特征(如词、ngram、字符等)以及多种训练语料(如百度百科、人民日报、知乎问答、微博等)。

考虑到大模型使用词向量库的时效性、可应用性,从“Chinese Word Vectors (中文词向量)”项目中挑选出5个具有代表性的词向量库,即:人民日报新闻^[8]、微博^[9]、维基百科^[10]、知乎问答^[11]和百度百科^[12]。

2.3 测试词汇收集

实验中,所有词汇被分为测试词和基准词两大类。测试词进一步细分为红词和蓝词两类,其中红词是指基本符合共产主义价值观和方法论的词汇,共50个词;蓝词是指基本符合资本主义价值观和方法论的词汇,共50个词。而基准词是指具有极端感情倾向性的词,用于作为红词和蓝词情感倾向的参考标准,实验选用的词为“好”和“坏”,共2个词。

在针对意识形态的研究上,王晓莉等^[13]通过对译者“意识形态”与翻译间的互动关系以及意识形态操纵翻译涉及的主要领域、表现形式等进行了语料考证及批判性使用;胡开宝等^[14]聚焦于意识形态如何通过词汇选择、句法、语篇和翻译策略塑造跨文化交际中的意义传递,结合批判性话语分析与语料库技术,系统论证了意识形态在词汇意义和翻译策略中的核心作用;刘鹏远^[15]从大语言模型对价值观的渗透机制及其国家安全影响展开研究,并提出了“价值对齐”框架。在模型情感分析方面,余本功等^[16]提出加权关系卷积网络和辅助任务互补学习模型,以更准确地识别方面词的情感倾向,提升模型情感分析性能。根据以上研究,制定出红词和蓝词各50个作为测试词,红词编号分别为R01~R50,蓝词编号分别为B01~B50。这些词汇涵盖了政治、经济、文化、社会、军事等多个领域,旨在全面体现两种意识形态的代表性特征,从而为检测静态大模型词向量库的意识形态倾向性提供科学依据。研究中所有词汇均经过专家审查,测试词内容不直接公开以避免社会争议。

2.4 计算方法

2.4.1 多词向量合并算法

测试词可以根据其组成方式分为两类:单词和词组。单词是指可以直接从词向量库中查找到对应词向量的测试词,如“团结”“互助”“竞争”等。词组则是指无法直接从词向量库中获取对应词向量的测试词,这类词需要将其拆分为若干个单词,分别查找每个单词的词向量后进行合并处理。如,“消除两极分化”“反帝国主义”“军工复合体”等。

在合并处理中,需要将若干个1×300的词向量矩阵合并为一个1×300词向量矩阵,当前现有研究中的使用方法是将组成该词组的所有词向量呈纵向排列组成一个n×300的矩阵,而后进行列平均池化,也就是将若干个单词词向量之间的每一维数值相加求平均值^[17]。这种方法虽然可以将n×300的矩阵降为1×300的向量矩阵,并且在计算机视觉领域里也有着原理相同且成熟的做法,如通道注意力机制^[18],但是在近期进行图片信号处理的研究中发现简单进行平均池化会导致信息的丢失和表达的不完全。尤其是本实验所涉及的自然语言处理领域,对由若干单词组成的词组采取平均池化的方法得到合并的词向量在词组内单词的顺序辨别上还有分歧。例如,词组“计划经济”是由“计划”“经济”两个单词组成,假设对其进行列平均池化得到一个词向量,那么将如何确定这个词向量表示“经济计划”还是“计划经济”呢?因此,针对平均池化这种方法的不足引入注意力机制^[19]方法进行改进,设计出一种新的词向量合并算法,表达式为

(1)Attention_Score_i=softmax$\left(\frac{{Q}_{i}{K}_{Avg}}{\sqrt{{d}_{k}}}\right)$

式(1)中:Q_i为词组中第i个单词的词向量,作为查询向量;K_Avg为指经过列平均池化的1×300词向量矩阵,代表整体上下文的“键”信息;

$\sqrt{{d}_{k}}$

为指缩放因子。式(1)作用为通过查询向量Q_i(query)中第i个单词的词向量在整体中的键K_Avg(key)位置确定自身在整体中的重要性,再进行缩放并用softmax函数输出为一个注意力分数Attention_score_i,即词组第i个单词的词向量权重。再将所有的注意力分数横向排列,形成一个1×n注意力分数矩阵与原本的n×300词向量矩阵相乘。

(2)Word_embedding_new=M_{Attention_score}M_V

式(2)中:M_{Attention_score}为一个注意力分数矩阵,M_{Attention_Score}=(Attention_Score₁,Attention_Score₂,…,Attention_Score_n);M_V为一个词向量矩阵,M_V=

$({V}_{1},{V}_{2},\dots,{V}_{n}{)}^{\mathrm{T}}$

,V_i为词组第i个单词的词向量。通过上述方法即可将n个300维的词向量根据其语义合并为一个300维的词向量。

2.4.2 词向量正距离、负距离和倾向性分数的定义和推算

在计算方法研究上,王帅等^[20]通过向量检索实现问答系统检索结果优化,利用欧氏距离计算相似值,提高问答的准确性。季伟东等^[21]通过引入欧氏距离建立核心圆域,利用核心圆域反馈的信息动态控制种群规模。

判断大模型的意识形态倾向性需要有一个量化的标准,根据大模型语言产生的机制发现大模型的词向量库中词汇是有感情倾向的,而这个感情倾向则是由训练时的语料库决定的,也就是说经训练后的词向量库中某些词汇天然的就与情感“好”所接近,而某些词汇则天然的与情感“坏”接近。因此,现假设通过判断意识形态领域中经典词汇(也就是本文确定的红词、蓝词)与情感“好”和情感“坏”的绝对位置即可对该大模型的词向量库有一个客观的评价。所以,现提出红词正距离d_r1、负距离d_r2和蓝词正距离d_b1和负距离d_b2的概念,两个词向量之间的欧氏距离的计算公式为

(3)d_j_,_k=$\sqrt{\stackrel{300}{\sum _{i=1}}({x}_{i}-{y}_{i})}$

式(3)中:j为r或b,r表示红词b表示蓝词;k为1或2,1表示正距离也就是到情感“好”的距离,2表示负距离也就是到情感“坏”的距离;x_i为测试词的词向量第i维的数值;y_i为基准词的词向量第i维的数值。通过计算测试词与基准词的欧氏距离得到了其正距离和负距离,有了一个客观的衡量标准。为全面衡量一个测试词的倾向性,就要全面考虑其正距离与负距离,因此设计出倾向性分数,表达式为

(4)D_j=$\frac{{d}_{j2}/{d}_{0}}{{d}_{j1}/{d}_{0}}$=$\frac{{d}_{j2}}{{d}_{j1}}$

式(4)中:d₀为情感“好”与情感“坏”之间的欧氏距离;d_jk/d₀表示对红(蓝)词的正(负)距离进行归一化。得到的倾向性分数综合考虑了正距离和负距离,从数值上来讲D_j越高表示正面评价越高。

3 实验与分析

3.1 测试词正负距离线性关系

词向量能捕捉词语的语义和上下文信息,通过向量空间中的位置反映潜在倾向,计算正负距离用来量化偏向程度;进行可视化空间分布可以直观地看到测试词在正负基准之间的分布情况,以及是否存在明显的聚类或趋势。实验时首先从词向量库中提取出测试词和基准词的词向量,而后利用所编代码计算出每个测试词的正距离、负距离和倾向性分数,再通过将正距离和负距离的线性关系投影到2维平面对测试词的空间分布进行分析。

将正距离和负距离的线性关系投影到2维平面,得到了如图2所示的可视化结果。

如图2所示,x轴为正距离其区间设置为[4.0,8.0],y轴为负距离其区间设置为[4.0,8.0],每个红(蓝)点代表一个测试词。从数学的角度来说,红(蓝)点与原点的连线斜率代表倾向性分数,为使图展示的内容整洁,不在图中标绘代表倾向性分数的连线。

由图2可知,人民日报新闻词向量库中红词整体倾向性分数要高于蓝词;微博词向量库中红词与蓝词距离情感“好”和“坏”距离都相对较近,其中蓝词相关性更高,红词分布相对蓝词略分散,但总体上来说倾向性分数差异不大;维基百科词向量库中蓝词分布相较于红词分布轻微靠上,更加倾向于情感“好”;知乎问答词向量库和百度百科词向量库中测试词在空间中的分布明显呈向上平移过的过原点直线,说明其大部分红词和蓝词倾向性分数均会大于1。

3.2 测试词倾向性分数分布密度

为更加直观地分析各个词向量库中的测试词,通过对比词向量库之间测试词倾向性分数的密度分布判断词向量库之间意识形态的差异,测试词正距离、负距离和倾向性分数。如图3所示为测试词倾向性分数密度分布的可视结果。

由图3可知,人民日报新闻词向量库中大部分红词和蓝词倾向性分数均大于1,且大部分红词整体倾向性分数要高于蓝词;微博词向量库中红词与蓝词倾向性分数均大于1,而蓝词相关性更高,红词分布相对蓝词略分散,但总体来说倾向性分数差异不大;维基百科词向量库中红词与蓝词倾向性分数基本是以1为中轴分布,但通过两者分布密度曲线的峰值来看蓝词更加倾向于情感“好”;知乎问答词向量库中红词和蓝词倾向性分数基本都大于1,但通过两者分布密度曲线的峰值来看红词明显更加倾向于情感“好”;百度百科词向量库中红词和蓝词倾向性分数基本都大于1,而且通过两者分布密度曲线的峰值来看红词、蓝词倾向性分布基本相同。

3.3 结果分析

根据上述结果,分别对有代表性的国内网络平台词向量库和同一领域国内网络平台和国外网络平台词向量库在意识形态上的差异进行对比分析。

(1)对有代表性的国内网络平台词向量库意识形态倾向性对比分析。如图4所示,对人民日报新闻词向量库、微博词向量库、知识问答词向量库和百度百科词向量库进行比对。

从整体上看4个词向量库中的测试词倾向性分数大部分都大于1,也就是倾向于情感“好”,只有小部分测试词小于1。各词向量库对比来看,人民日报新闻词向量库中的红词比其余词向量库整体更倾向于情感“好”,说明以官方主流媒体为语料训练的模型,其词向量空间对符合主流意识形态的词汇赋予了更强的正面情感关联。这反映了语料库的“立场预设性”;而百度百科词向量库中红词和蓝词倾向性分数分布密度相较于其余词向量库更加均衡,说明该词向量库输出的红词和蓝词持有相同的、正面的评价,同时也体现了知识型平台的“中立化”表象,在情感向量上,呈现出一种“普适性正面化”的倾向,这也可能稀释了特定意识形态的批判性。

(2)同一领域国内网络平台和国外网络平台词向量库意识形态对比分析。如图5所示,对维基百科和百度百科词向量库这两个分别利用国外国内语料库训练而成的词向量库进行对比,探究不同宏观意识形态体系下主流知识平台对模型意识形态的塑造差异。

从图5中可以看出两个词向量库中测试词的倾向分数分布密度有明显的差异,百度百科词向量作为以国内网络知识库为语料库训练而成的词向量库对红词和蓝词的评价都趋于正面,且该词向量库中红词和蓝词的分布密度基本相同;而维基百科词向量库作为使用国外网络知识库作为语料库训练而成的词向量库对红词和蓝词的评价趋于中立,其中红词和蓝词的分布密度也基本相同。百度百科和维基百科平台词向量库,均体现了国内知识平台追求“中立观点”原则的实践结果,力求避免情感色彩,保持事实陈述。以上实验结果说明有代表性的国内网络平台词向量库之间和同一领域国内网络平台和国外网络平台词向量库之间是存在一定差异的,且此实验方法提供了一个可操作的测试框架,通过将抽象的“意识形态”转化为可量化的“词汇情感倾向”,能够较为准确且客观的辨析出各词向量库之间的差异,揭示模型对特定类别词汇的系统性情感偏向,方法具有一定的可行性。

4 结论

提出了一套基于正距离、负距离及倾向性分数的量化分析方法,为评估大模型的意识形态倾向性提供了新的技术创新点。通过对国内外语料库的比对分析,揭示了不同文化背景下的词向量库在意识形态上的显著差异,为跨文化交流、国际关系研究等方面提供重要参考。立论基础是“大模型的意识形态倾向在预训练阶段已深度嵌入”,而分析“静态”词向量库是评估其根本倾向的有效途径,通过量化评估模型的意识形态倾向性,帮助开发者发现并修正模型中的潜在偏见,提升模型的公平性和可信度。

研究过程结合了自然语言处理、机器学习、数据可视化等多个学科的知识,充分体现了跨学科研究的优势与潜力。通过整合不同领域的技术和方法,不仅解决了单一学科难以应对的复杂问题,还为未来的研究方向开辟了新的路径,为解决类似问题提供了有益借鉴。

在本文中,实验所使用的静态词向量库虽然能够反映词汇的基本语义特征,却无法捕捉词义在不同上下文中的动态变化。在后续的研究中,可以尝试引入基于上下文语境的动态词向量库,以更全面地评估词汇在具体场景中的意识形态倾向性。其次,实验中使用的红词和蓝词虽经过精心筛选,但在实际应用中可能仍存在覆盖不足的问题。未来可进一步扩充测试词库,增加更多领域、更多维度的代表性词汇。最后,静态词向量库生成后内容固定,无法随语料库更新而变化,可能导致某些词汇的语义表达滞后于语言环境的变化。因此,在后续研究中,可探索定期更新词向量库或结合增量学习方法,使其适应语言和社会发展的动态变化,从而提高研究的时效性和准确性。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Buyl M, Rogiers A, Noels S, et al. Large language models reflect the ideology of their creators[J/OL]. arXiv Preprint, arXiv: 2410. 18417. 2024.

[2]	Rozado D. Large language models are biased towards the conservative end of the political spectrum[J]. IEEE Transactions on Technology and Society, 2023, 4(3): 215-227.

[3]	Ghafouri V, Agarwal V, Zhang Y, et al. AI in the gray: exploring moderation policies in dialogic large language models vs human answers in controversial topics[J]. Proceedings of the ACM on Human-Computer Interaction, 2024, 8: 1-31.

[4]	Feng S B, Park C Y, Liu Y H, et al. From pretraining data to language models to downstream tasks: tracking the trails of political biases leading to unfair NLP models[J]. Proceedings of the ACM on Human-Computer Interaction, 2023, 7: 1-32.

[5]	Rozado D. The political biases of ChatGPT[J]. Social Sciences, 2023, 12(3): 148.

[6]	吕立远, 李延昊, 王健骁, 等. 大语言模型的价值观研究: 概念框架与实证评估[J]. 电子政务, 2025, 265(1): 15-28.

[7]	Lü Liyuan, Li Yanhao, Wang Jianxiao, et al. Research on the values of large language models: conceptual framework and empirical evaluation[J]. Electronic Governance, 2025, 265(1): 15-28.

[8]	Motoki F, Pinho N V, Rodrigues V. More human than human: measuring ChatGPT political bias[J]. Public Choice, 2024, 198(1): 3-23.

[9]	元方, 卢伟, 沈浩. 基于无监督技术的中文新闻事件数据构建与分析[J]. 中国传媒大学学报(自然科学版), 2023, 30(5): 1-9.

[10]	Yuan Fang, Lu Wei, Shen Hao. Construction and analysis of chinese news event data based on unsupervised techniques[J]. Journal of Communication University of China (Natural Science Edition), 2023, 30(5): 1-9.

[11]	颜端武, 梅喜瑞, 杨雄飞. 基于主题模型和词向量融合的微博文本主题聚类研究[J]. 现代情报, 2021, 41(10): 67-74.

[12]	Yan Duanwu, Mei Xirui, Yang Xiongfei. Research on microblog text topic clustering based on the fusion of topic model and word embedding[J]. Journal of Modern Information, 2021, 41(10): 67-74.

[13]	韩冬晖, 李邵梅, 高超. 基于知识指导的零样本立场检测[J]. 计算机工程与应用, 2025, 61(14): 223-229.

[14]	Han Donghui, Li Shaomei, Gao Chao. Knowledge-guided zero-shot stance detection[J]. Computer Engineering and Applications, 2025, 61(14): 223-229.

[15]	施亦龙, 许鑫. ChatGPT机器回答与知乎人工回答的比较[J]. 图书馆论坛, 2024, 44(1): 151-159.

[16]	Shi Yilong, Xu Xin. A comparative study on the response characteristics of ChatGPT and Zhihu[J]. Library Forum, 2024, 44(1): 151-159.

[17]	费巍, 胡启彪, 侯景瑞. 基于信息质量视角的百度百科词条有用性评估研究[J]. 情报杂志, 2023, 42(4): 195-202.

[18]	Fei Wei, Hu Qibiao, Hou Jingrui. Research on the utility evaluation of baidu baike entries from the perspective of information quality[J]. Intelligence Magazine, 2023, 42(4): 195-202.

[19]	王晓莉, 胡开宝. 语料库批评翻译学视域下译者行为研究: 前沿与展望[J]. 外语与外语教学, 2024(3): 125-134.

[20]	Wang Xiaoli, Hu Kaibao. Research on translator behavior from the perspective of corpus-based critical translation studies: frontiers and prospects[J]. Foreign Languages and Their Teaching, 2024(3): 125-134.

[21]	胡开宝, 李涛, 孟令子. 语料库批评翻译学概论[M]. 北京: 高等教育出版社, 2018.

[22]	Hu Kaibao, Li Tao, Meng Lingzi. An introduction to corpus-based critical translation studies[M]. Beijing: Higher Education Press, 2018.

[23]	刘鹏远. 重视大语言模型对价值认知的重塑, 防范国家意识形态相关风险[J]. 语言战略研究, 2024, 9(5): 49-50.

[24]	Liu Pengyuan. Paying attention to the restructuring of value perception by large language models and preventing risks related to national ideology[J]. Language Strategy Research, 2024, 9(5): 49-50.

[25]	余本功, 陈明玥. 基于加权关系卷积网络和辅助任务的方面级情感分析[J]. 科学技术与工程, 2025, 25(14): 5967-5975.

[26]	Yu Bengong, Chen Mingyue. Aspect-level sentiment analysis based on weighted relational convolutional networks and auxiliary task[J]. Science Technology and Engineering, 2025, 25(14): 5967-5975.

[27]	汪鹏, 谷清水, 卞龙鹏. 大模型RAG实战: RAG原理、应用与系统构建[M]. 北京: 机械工业出版社, 2024.

[28]	Wang Peng, Gu Qingshui, Bian Longpeng. Large model RAG practical guide: principles, applications, and system construction[M]. Beijing: Mechanical Industry Press, 2024.

[29]	李晓冬, 张映敏, 李育强, 等. 基于多通道卷积和注意力网络的DNS隐蔽信道检测算法[J]. 科学技术与工程, 2024, 24(35): 15137-15144.

[30]	Li Xiaodong, Zhang Yingmin, Li Yuqiang, et al. DNS covert channel detection algorithm based on multi-channel convolution neural network and attention mechanism[J]. Science Technology and Engineering, 2024, 24(35): 15137-15144.

[31]	马荣恒, 喻春雨, 童亦新. 基于残差密集网络与注意力机制的图像降噪[J]. 科学技术与工程, 2025, 25(9): 3795-3805.

[32]	Ma Rongheng, Yu Chunyu, Tong Yixin. Image denoising based on residual dense networks and attention mechanism[J]. Science Technology and Engineering, 2025, 25(9): 3795-3805.

[33]	王帅, 何文春, 王甫棣, 等. 大语言模型融合知识图谱与向量检索的问答系统[J]. 科学技术与工程, 2024, 24(32): 13902-13910.

[34]	Wang Shuai, He Wenchun, Wang Fudi, et al. Question answering system based on large language model integrating knowledge graph and vector retrieval[J]. Science Technology and Engineering, 2024, 24(32): 13902-13910.

[35]	季伟东, 倪婉璐. 一种基于欧氏距离的种群规模动态控制方法[J]. 电子与信息学报, 2022, 44(6): 2195-2206.

[36]	Ji Weidong, Ni Wanlu. A dynamic population sizing method based on Euclidean distance[J]. Journal of Electronics & Information Technology, 2022, 44(6): 2195-2206.