💬 NLP

Analysing Differences in Persuasive Language in LLM-Generated Text: Uncovering Stereotypical Gender Patterns

Questo studio valuta 13 grandi modelli linguistici in 16 lingue e riscontra che essi generano costantemente un linguaggio persuasivo con significative differenze basate sugli stereotipi di genere in relazione al genere del destinatario, riflettendo pregiudizi documentati nella psicologia sociale e nella sociolinguistica.

Autori originali: Amalie Brogaard Pauli, Maria Barrett, Max Müller-Eberstein, Isabelle Augenstein, Ira Assent

Pubblicato 2026-06-08

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Amalie Brogaard Pauli, Maria Barrett, Max Müller-Eberstein, Isabelle Augenstein, Ira Assent

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di avere un team di 13 diversi robot super intelligenti (Large Language Models, o LLM). Chiedi loro di scrivere un messaggio persuasivo, come un'e-mail per chiedere a un fratello o una sorella di imparare una nuova lingua con te. Dai a ogni robot la stessa identica istruzione, ma con un piccolo colpo di scena: per metà dei robot, dici che il fratello è un uomo, e per l'altra metà, dici che la sorella è una donna.

Questo articolo è come un storia di investigazione dove i ricercatori agiscono come "detective del linguaggio" per vedere se i robot cambiano il loro stile di scrittura in base a quella singola parola.

La Grande Scoperta: I Robot Indossano "Occhiali di Genere"

I ricercatori hanno scoperto che tutti i 13 robot hanno cambiato lo stile di scrittura a seconda che pensassero di parlare a un uomo o a una donna. Non si sono limitati a cambiare un pronome; hanno completamente riscritto la vibrazione del messaggio.

Pensa a questo come a un camaleonte che cambia colore non solo per adattarsi allo sfondo, ma per adattarsi a uno stereotipo che ha appreso osservando gli esseri umani.

Quando parlano con un "Uomo": I robot si comportano come un coach duro o un stratega aziendale. Usano parole relative a "sfide", "competenze", "carriere" e "vittoria". Il tono è diretto, fattuale e concentrato sul portare a termine un compito.
- Analogia: È come se il robot indossasse un abito e una cravatta e iniziasse a parlare di "piani di gioco" e "metriche".
Quando parlano con una "Donna": I robot si comportano come un amico del cuore caloroso ed emotivo. Usano parole come "amore", "tempo di qualità", "divertimento" e "condivisione". Il tono è più dolce, più premuroso e focalizzato sui sentimenti.
- Analogia: È come se il robot indossasse un maglione accogliente e iniziasse a parlare di "connessioni profonde" e "viaggi condivisi".

Il Robot "Giudice"

Come hanno fatto a saperlo i ricercatori? Non si sono limitati a leggere le e-mail; hanno usato un speciale "Robot Giudice" (un'altra IA) per valutarle.

Immagina una giuria di un talent show. Invece di dare un punteggio su 10, hanno guardato 19 diversi "gusti" di persuasione, come ad esempio:

Logica vs Emozione: Il robot ha usato fatti (Logica) o sentimenti (Emozione)?
Diretto vs Educato: Ha detto "Fai questo" o "Ti dispiacerebbe?"
Indipendente vs Comunità: Si è concentrato su "io e i miei obiettivi" o su "noi e la nostra relazione"?

Il Robot Giudice ha confermato che i messaggi per l' "Uomo" erano costantemente più logici e diretti, mentre i messaggi per la "Donna" erano costantemente più emotivi e relazionali.

Questo Accade Ovunque?

I ricercatori hanno testato questo in 16 lingue diverse (come inglese, cinese, tedesco e giapponese). Anche se i robot parlavano lingue diverse, il modello rimaneva lo stesso. Che il robot parlasse danese o vietnamita, scriveva comunque messaggi da "tipo tosto" per gli uomini e messaggi da "ragazza dolce" per le donne.

Hanno anche controllato se i robot fossero solo pigri o se la lunghezza del testo contasse. Hanno scoperto che la differenza non era dovuta al fatto che un messaggio fosse più lungo; lo stile stesso era fondamentalmente diverso.

Perché Questo è Importante?

L'articolo spiega che questi robot non inventano questi stili dal nulla. Stanno rispecchiando gli stereotipi umani che esistono nella nostra società.

L'Effetto Specchio: Proprio come uno specchio riflette ciò che ha di fronte, questi modelli di IA riflettono i pregiudizi che hanno appreso dai massicci volumi di testi umani su cui sono stati addestrati. Se gli esseri umani scrivono spesso degli uomini in termini di "successo" e delle donne in termini di "relazioni", l'IA impara che questo è il modo "corretto" di scrivere.
Il Pericolo: L'articolo avverte che se usiamo questi robot per scrivere messaggi nel mondo reale (come domande di lavoro, pubblicità politiche o strategie di vendita), potrebbero accidentalmente rinforzare vecchi stereotipi. Ad esempio, un robot potrebbe scrivere un'e-mail di negoziazione salariale per una donna che suona troppo "morbida" per essere efficace, o per un uomo che suona troppo "aggressiva", semplicemente a causa dell'etichetta di genere nel prompt.

Cosa l'Articolo Non Dice

Per chiarezza, questo articolo è un rapporto diagnostico, non un manuale di soluzioni.

Non ci dice come riparare i robot.
Non dice se questi messaggi funzionino meglio o peggio sulle persone reali (ha misurato solo lo stile, non il successo).
Non spiega perché questi robot abbiano questi pregiudizi profondamente nel loro codice, ma solo che li hanno.

In Sintesi

L'articolo dimostra che anche i nostri strumenti di IA più avanzati indossano ancora "occhiali di genere". Se chiedi loro di scrivere un messaggio per un uomo, indossano una lente "aziendale". Se chiedi per una donna, indossano una lente "emotiva". I ricercatori hanno costruito un framework per misurare questo, e hanno scoperto che questo pregiudizio è costante in quasi tutti i principali modelli di IA e nelle lingue testate. È un promemoria del fatto che, sebbene l'IA sia intelligente, non è ancora cresciuta oltre gli stereotipi degli umani che l'hanno istruita.

Sintesi Tecnica: Analisi delle differenze nel linguaggio persuasivo nei testi generati da LLM

Problematica
I Large Language Models (LLM) sono sempre più impiegati in compiti di comunicazione interpersonale, inclusa la stesura di messaggi destinati a influenzare e persuadere. Sebbene la ricerca precedente abbia stabilito che gli LLM possono persuadere con successo gli esseri umani e amplificare il linguaggio persuasivo, esiste una lacuna critica nella comprensione di come le specifiche istruzioni dell'utente — in particolare quelle che coinvolgono attributi del destinatario — influenzino lo stile del linguaggio persuasivo generato. Nello specifico, rimane da chiarire se gli LLM alterino sistematicamente le loro strategie persuasive in base al genere del destinatario, potenzialmente riflettendo e amplificando gli stereotipi di genere della società. Questo articolo indaga se gli attributi forniti dall'utente nel testo dell'istruzione, come il genere del destinatario, l'intento inquadrato dall'utente e la lingua di output, inducano variazioni misurabili nelle dimensioni del linguaggio persuasivo generato dagli LLM.

Metodologia
Gli autori propongono un quadro sistematico per valutare le differenze nel linguaggio persuasivo generato da LLM sotto condizioni di prompt accoppiate controllate. La metodologia comprende i seguenti componenti:

Costruzione dei Prompt: Sono stati generati due set di prompt di istruzione che coprono messaggi interpersonali (ad esempio, chiedere a un collega di scambiare un turno) e argomentazioni politiche (ad esempio, abbassare l'età del voto). Per ogni prompt, è stata creata una versione accoppiata modificando solo l'attributo del trattamento (ad esempio, cambiando "collega donna" in "collega uomo" o "intento nobile" in "intento ignobile").
Valutazione del Modello: Lo studio ha valutato 13 LLM provenienti da cinque diverse famiglie di modelli (inclusi GPT-5, Llama 3, DeepSeek, Qwen e Claude), variando per dimensione, allineamento alla sicurezza e origine.
Dimensioni di Valutazione: Le risposte sono state analizzate attraverso 19 categorie derivate da cinque dimensioni teoriche della comunicazione e della persuasione:
- Appelli Retorici: Logos, Pathos, Ethos.
- Principi di Cialdini: Reciprocità, Impegno, Simpatia, Autorità, Scarsità, Riprova Sociale.
- Tratti di Psicologia Sociale: Agente (competenza, assertività) vs. Comunale (calore, cooperatività).
- Obiettivi di Interazione: Strumentale, Relazionale, Identitario.
- Toni: Diretto, Cortese, Formale, Giocoso, Affettuoso.
LLM-as-Judge: È stato impiegato un setup di valutazione automatizzata utilizzando GPT-4o come giudice per assegnare punteggi alle differenze pairwise tra le risposte. Il giudice ha assegnato punteggi relativi su una scala ordinale (−3 a +3) per ogni categoria. Per garantire la robustezza, la valutazione è stata eseguita due volte con l'ordine degli input invertito per mitigare il bias di posizione.
Verifica: Il framework includeva estese misure di verifica, tra cui:
- Validità Convergente: Annotazione umana di un sottoinsieme di risposte per verificare se la percezione umana si allineasse ai risultati del giudice LLM.
- Controlli di Robustezza: Test con modelli giudici alternativi (Qwen2.5), neutralizzazione dei termini di genere negli input e traduzione degli input in inglese per valutare la coerenza cross-linguistica.
- Analisi Statistica: Utilizzo di test Wilcoxon signed-rank per determinare la significatività e bootstrap resampling per confrontare i "Gender Gaps" ( $G_T$ ) tra i diversi modelli.

Risultati Chiave
Lo studio rivela differenze basate sul genere significative e coerenti nella generazione di linguaggio persuasivo in tutti gli LLM testati:

Stereotipi di Genere nello Stile:
- Le risposte rivolte a donne hanno mostrato costantemente punteggi più elevati nei tratti Comunali, nel Pathos (appello emotivo), negli obiettivi Relazionali, nella Cortesia e nei toni Affettuosi.
- Le risposte rivolte a uomini hanno mostrato costantemente punteggi più elevati nei tratti Agentici, nel Logos (appello logico), negli obiettivi Strumentali e nei toni Diretti.
Coerenza tra i Modelli: Sebbene l'entità del bias variasse (ad esempio, GPT-5 mostrava un divario maggiore rispetto a GPT-4.1), il pattern direzionale dello stereotipo era presente in tutti i 13 modelli.
Persistenza Cross-Lingua: Testando un singolo modello (GPT-5-MINI) attraverso 16 lingue, le differenze stilistiche di genere sono persistite. Lo studio non ha trovato alcuna correlazione significativa tra l'entità del divario di genere e l'Indice di Disuguaglianza di Genere (GII) dei paesi associati, suggerendo che il bias sia guidato da pattern interni al modello piuttosto che da dati sociali esterni.
Inquadramento dell'Intento: Quando l'intento dell'utente era inquadrato come "nobile" o "ignobile", i modelli hanno adattato il proprio stile, con gli intenti "ignobili" valutati più alti in Pathos e Giocosità, mentre gli intenti "nobili" erano valutati più alti in Formalità.
Successo della Verifica: Gli annotatori umani hanno confermato i risultati del giudice LLM, identificando i testi rivolti alle donne come più comunali e quelli rivolti agli uomini come più agentici. I modelli giudici alternativi e gli input neutralizzati hanno prodotto risultati altamente correlati, confermando la robustezza delle scoperte.

Significatività e Rivendicazioni
L'articolo sostiene di fornire la prima analisi sistematica e multidimensionale di come gli LLM adattino gli stili di linguaggio persuasivo in base al genere del destinatario e altri attributi. I suoi principali contributi sono:

Un Framework di Valutazione: Una metodologia rigorosa per rilevare bias sottili basati sullo stile nella generazione di LLM che va oltre il semplice rifiuto di contenuti o la tossicità esplicita.
Evidenza di un Bias Pervasivo: I risultati dimostrano che anche i modelli con un ampio allineamento alla sicurezza presentano pregiudizi di genere profondi e stereotipati nella loro produzione persuasiva. Questi bias si allineano con la letteratura sociolinguistica e di psicologia sociale riguardante le tendenze linguistiche "agentiche" (maschili) e "comunali" (femminili).
Generalizzabilità: Il framework si dimostra applicabile oltre il genere, rilevando con successo differenze basate sull'intento dell'utente e sulla lingua, ed è applicabile a una vasta gamma di lingue e famiglie di modelli.

Gli autori notano con modestia che la loro analisi si basa su tradizioni teoriche occidentali (retorica aristotelica, principi di Cialdini) e trattamenti di genere binari. Non pretendono di scoprire le cause profonde di questi bias, di misurare l'efficienza della persuasione o di proporre strategie di mitigazione, ma piuttosto di stabilire l'esistenza e la pervasività di questi bias stilistici come un'area critica per la ricerca futura e la salvaguardia nell'implementazione dell'IA nel mondo reale.