大型語言模型的社會政策：GPT、Claude、DeepSeek 與 Grok 在西、德兩國的預算分配研究
arXiv - Computers and SocietyClaudia Benavides Cantos, Eduardo C. Garrido-Merch\'an
研究發現四款主流 LLM 在分配社會預算時皆存在系統性偏差，與真實經濟結構顯著不符。
AI 幫你先抓重點
AI 重點 1
警惕 AI 內建的「隱性社會政策」偏見
滑鼠懸停看 AI 判斷理由
這項發現揭示了 LLM 並非中立的資訊檢索工具，而是帶有預設價值觀的決策模擬器。當我們將 AI 引入公共政策或社會科學研究時，必須意識到其產出的數據可能反映了訓練數據中的系統性偏差，而非客觀事實。
AI 重點 2
區分 AI 的「資訊提供」與「專家決策」功能
滑鼠懸停看 AI 判斷理由
研究結論強調 AI 僅能輔助而非取代專家審議。這對於教育者與決策者至關重要，提醒我們在利用 AI 進行複雜問題解決（如 PBL 中的政策模擬）時，應將其定位為討論的起點，而非最終的權威答案。
核心研究發現
- 1
所有模型皆展現出與真實歐洲支出結構不同的隱性社會政策，例如將退休金分配比例低估近三倍。
- 2
模型在住房與就業方面的預算分配明顯過高，分別高出真實比例約四倍與兩倍。
- 3
模型間的主要差異不在於地緣政治偏見，而在於預算分配的集中度與分散度之對比。
- 4
在模型對國家背景的敏感度方面，僅有 Claude 展現出實質性的國家情境感知能力。
對教育工作者的啟發
在設計涉及社會科學或批判性思考的專題式學習（PBL）課程時，教師可利用此研究作為教材，引導學生進行「AI 偏見檢驗」實驗。具體建議：1. 設計任務讓學生比較 AI 生成的預算分配與真實數據，培養學生的數據素養與批判性思維；2. 討論 AI 如何形塑對社會議題的認知，學習辨識演算法中的隱性價值觀；3. 強調在利用 AI 進行複雜決策模擬時，必須結合多方專家意見與實證數據，避免盲目信任 AI 的輸出。
原始文獻資訊
- 英文標題：
- Social Policy of Large Language Models: How GPT, Claude, DeepSeek and Grok Allocate Social Budgets in Spain and Germany
- 作者：
- Claudia Benavides Cantos, Eduardo C. Garrido-Merch\'an
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。