Characterizing Cultural Localization in AI-Generated Stories
本論文は、AIが生成する物語における表層的な「テンプレート型」の文化的ローカライゼーションと、深い「ホリスティック（全体論的）型」の文化的ローカライゼーションを区別する手法を導入するものであり、モデルが193の国籍にわたる物語を差別化するために、ステレオタイプ的あるいは不適切な一連の限定的な文化的マーカーに依存している一方で、文化的に中立な共通のプロット構造には概ね従っていることを明らかにしている。
原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
5人の異なるシェフに、インドの子供のために「正直さ」に関する物語を、そしてアメリカの子供のために全く同じ物語を書くよう依頼したと想像してみてください。あなたは、インドの物語はムンバイの街角の風景、チャイ、そしてクリケットを感じさせ、アメリカの物語はシカゴの公園、野球、そしてコーヒーを感じさせるものになると期待するかもしれません。
この論文は、AIシェフが本当に2つの異なる料理を作っているのか、それとも単に同じ皿の上に盛り付け（付け合わせ）を入れ替えているだけなのかを調査しています。
AIが物語を「ローカライズ」する2つの方法
著者らは、AIが物語をローカルに感じさせるために用いる2つの方法を定義しています。
- 「ステッカー」方式（テンプレートによるローカライズ）: 落とし物を拾った少年についての一般的な物語を想像してください。AIは物語全体を書き、その後、単に「シカゴ」を「バンガロール」に、「コーヒー」を「チャイ」に、「野球」を「クリケット」に置き換えるだけです。プロット、価値観、構造はまったく同じであり、表面的なラベルだけが変わります。
- 「リミックス」方式（包括的なローカライズ）: ここでは、AIは実際の物語自体を変えています。例えば、インドの物語は激しい交通渋滞の中でバッグを返したリキシャ運転手についてであり、アメリカの物語は学校の廊下で財布を返した学生についてである、といった具合です。プロット、設定、そして文化的価値観が、物語の織り目そのものに組み込まれています。
実験：「玉ねぎの皮をむく」テスト
研究者たちは、AIがどちらの方法を用いているかを知りたいと考えました。彼らは5つの異なるAIモデルに、193の異なる国籍に向けた125の異なる物語を書かせました。
彼らの理論を検証するために、彼らは「取り除いて比較する」というゲームを行いました。
- ステッカーを特定する: コンピュータプログラムを使用して、物語を「インド風」または「アメリカ風」に聞こえさせている特定の単語（名前、場所、特定の食べ物など）を見つけ出しました。
- それらを剥ぎ取る: デジタル技術を用いて、物語からそれらの特定の単語を取り除きました。
- 残りを比較する: 「もし『インド的』な言葉や『アメリカ的』な言葉を取り除いたとしたら、残りの物語は同じものになるだろうか？」と問いかけました。
結果:
それはまるで玉ねぎの皮をむいて、芯が同一であることを発見するかのようでした。わずか**9%から17%**の語彙（「ステッカー」）を取り除いただけで、異なる国々の物語は区別がつかないほど似通ってしまったのです。残されたテキストがあまりにも類似していたことは、AIがすべての人々に対して、単一の、一般的で「文化的に中立な」テンプレートを使用していることを証明していました。
比喩:
これは、AIが事前に書かれたスクリプトを持っている「穴埋め問題（Mad Libs）」のようなものです。AIは、その国に合うように名詞や形容詞を変えているだけですが、文章の構造、物語の教訓、そして出来事の順序は同一なのです。AIは各文化のために新しい物語を書いているのではなく、マスターテンプレートの空欄を埋めているに過ぎません。
「風味」の問題：ステレオタイプと不快感
研究者たちは、取り除いた「ステッカー」についても調査しました。これらの文化的マーカーは正確なものなのか、それとも単なるステレオタイプなのか？
彼らは、多くのマーカーが「茶」や「サモサ」のように無害なものである一方で、19カ国のマーカーは、平均してその地域の居住者から不快であると判定されたことを発見しました。
- 不適切なラベルを与えられたのは誰か？ 不快なマーカーは、ほぼ例外なく、グローバル・サウス（主にアフリカや西アジア）の国々に対するものでした。
- ラベルの内容は？ 豊かな文化的詳細の代わりに、AIはしばしば否定的なステレオタイプに手を伸ばしました。例えば、一部の国に対するマーカーには、「物乞い」「信頼できない」「テロリスト」「臭い」といった言葉が含まれていました。
総括
本論文は、現在のAIモデルは真の意味で「文化的適格性（文化的コンピテンシー）」を備えていないと結論付けています。AIは異なる文化の深い価値観や独特の物語様式を理解しているわけではありません。その代わりに、以下のことを行っています。
- 実際の物語には**「ワンサイズ・フィッツ・オール（万能型）」のテンプレート**を使用する。
- ローカルに見せるために、表面的なラベルを貼り付ける。
- そして、それらのラベルとして、時に攻撃的なステレオタイプを使用する（特に経済的に発展していない国々に対して）。
著者らは、AIが地元の事柄に「言及している」かどうかだけを見れば、AIが素晴らしい仕事をしていると誤解してしまう可能性があると警告しています。しかし、その下の物語に目を向ければ、それは多くの場合、単に名前のタグを変えただけの、いつもの物語なのです。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。