父權式過濾器：LLM 輔助歷史教育中的認識論不義與差異化拒絕
arXiv - Computers and SocietyAlexis Popovici, Andrei Ionascu, Adrian-Marius Dumitran
研究發現大型語言模型在歷史教學中對弱勢學生存在系統性偏見，導致知識獲取的差異化與敘事隔離。
AI 幫你先抓重點
AI 重點 1
AI 安全對齊機制可能演變成一種「父權式過濾器」。
滑鼠懸停看 AI 判斷理由
這挑戰了開發者對「安全對齊」的認知。原本旨在保護用戶的機制，在教育情境下卻可能變成一種知識審查，剝奪了弱勢學生接觸複雜、具爭議性歷史真相的權利，進而加劇社會不平等。
AI 重點 2
語言模型可能在無意識中強化了特定族群的「受害者敘事」。
滑鼠懸停看 AI 判斷理由
這對於課程設計者至關重要。如果 AI 傾向於將特定族群與「受害者」而非「政治參與者」掛鉤，將會從根本上扭曲學生的自我認知與歷史觀，造成深層的認識論不義。
核心研究發現
- 1
差異化拒絕：安全對齊模型對低社會經濟階層學生的教育請求拒絕率高達 76.7%。
- 2
認識論把關：弱勢學習者接觸地緣政治複雜議題（如政變理論）的機會比精英學生減少了三倍。
- 3
代理權剝奪：LLaMA 等模型對羅姆人學生的描述中，受害者詞彙與政治詞彙的比率比精英學生高出五倍。
- 4
精英詮釋學：AI 導師會不成比例地對低資源人口特徵的學生，減少提供認識論上的信心與論證評分。
對教育工作者的啟發
教育工作者與設計者應意識到 AI 導師並非中立的知識來源。首先，在導入 AI 工具於多元背景教室時，必須進行「教育公平性審計」，檢查模型是否對特定族群存在拒絕回答或簡化知識的傾向。其次，課程設計應包含批判性 AI 素養教育，教導學生辨識 AI 可能存在的敘事偏見。最後，開發者應重新檢視安全對齊策略，確保「保護學生」不應以「剝奪知識深度」為代價，應建立更具包容性的知識傳遞機制。
原始文獻資訊
- 英文標題：
- The Paternalistic Filter: Epistemic Injustice and Differential Refusal in LLM-Mediated History Education for Marginalized Romanian Students
- 作者：
- Alexis Popovici, Andrei Ionascu, Adrian-Marius Dumitran
- 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。