Federico Germani e Giovanni Spitale hanno testato quattro LLM molto usati: OpenAI o3-mini, Deepseek Reasoner, xAI Grok 2 e Mistral. Ogni modello ha generato 50 enunciati su 24 argomenti controversi e poi ha valutato quegli enunciati in condizioni diverse.
Quando non si indicava l'autore, l'accordo tra i modelli superava il 90% su tutti gli argomenti. Ma quando i ricercatori hanno attribuito i testi a persone di certe nazionalità o ad altre AI, l'accordo è sceso molto. È emerso un bias anti-cinese anche in Deepseek, che è cinese. Su un tema come Taiwan, l'accordo di Deepseek è sceso al 75%.
I ricercatori avvertono che questi pregiudizi possono influenzare la moderazione, le assunzioni e il giornalismo. Raccomandano trasparenza e che gli LLM assistano il ragionamento, non lo sostituiscano. La ricerca è apparsa in Science Advances.
Parole difficili
- giudizio — Opinione o valutazione su qualcosa.giudizi
- modelli — Esempi o sistemi per capire qualcosa.
- ricercatori — Persone che studiano o indagano su un argomento.
- scrivere — Mettere parole su carta o schermo.scritto
- nazionalità — Origine o appartenenza a un paese.
- problema — Situazione difficile da risolvere.
Suggerimento: passa il mouse o tocca le parole evidenziate nell’articolo per vedere definizioni rapide mentre leggi o ascolti.
Domande di discussione
- Qual è l'importanza di avere informazioni sull'autore?
- Come pensi che l'AI influisca sulle opinioni dei lettori?
- È giusto fidarsi di modelli linguistici? Perché?
Articoli correlati
Disuguaglianza e pandemie: le idee di Matthew M. Kavanagh
Matthew M. Kavanagh avverte che la disuguaglianza aumenta la vulnerabilità alle pandemie. Propone misure su debito, finanziamenti, condivisione tecnologica e politiche sociali per fermare le epidemie oltre i progressi scientifici.
L'intelligenza artificiale nella sanità dell'Africa subsahariana
Progetti con algoritmi e smartphone stanno cambiando l'assistenza primaria in alcune aree dell'Africa subsahariana. Studi e piloti mostrano diagnosi più rapide, meno prescrizioni inappropriate e riduzione di alcune complicanze.
Tagli agli aiuti e rischio per i servizi sanitari nel 2025
Nel 2025 grandi tagli agli aiuti internazionali hanno ridotto servizi sanitari e umanitari in molti paesi a basso e medio reddito. La sospensione di fondi da parte degli USA e tagli di altri paesi hanno causato interruzioni immediate e vulnerabilità diffuse.