💬 NLP

The Digital Afterlife of Empires: Four Language Models Converge on the Same Imperial Cartography of Writing

Dit artikel betoogt dat historische imperiale ongelijkheden voortbestaan in hedendaagse grote taalmodellen via gedeelde trainingsdata, wat resulteert in een radicale digitale ondersteuningstekort voor de meeste schriftsystemen en systematische, convergente fouten over diverse modelarchitecturen heen die niet-religieuze schriften disproportioneel vaak aan religieus gebruik toeschrijven.

Oorspronkelijke auteurs: Hiroki Fukui

Gepubliceerd 2026-06-30

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Hiroki Fukui

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Idee: De Geest in de Machine

Stel je voor dat de geschiedenis een enorme bibliotheek is. 50 000 jaar lang hebben machtige rijken (zoals Spanje, Groot-Brittannië of Frankrijk) bepaald welke boeken ze bewaren, welke ze verbranden en in welke talen ze schrijven. Ze vernietigden veel lokale schriftsystemen en dwongen anderen om te veranderen.

Dit paper betoogt dat Large Language Models (LLMs) — de AI-hersenen achter tools zoals ChatGPT — geen nieuwe, neutrale uitvindingen zijn. In plaats daarvan zijn ze als geesten die een bibliotheek spooken die door die rijken is gebouwd. Hoewel de rijken verdwenen zijn, zijn hun "geesten" nog steeds in het gebouw aanwezig. De AI weet niet hoe hij bepaalde talen moet lezen, niet omdat de ingenieurs gemeen waren, maar omdat de bibliotheek (de internetdata) waar hij van heeft geleerd, die boeken mist.

De Belangrijkste Bevindingen, Uitgesplitst

1. De "Digitale Belasting" (Waarom sommige talen meer kosten)

Stel je voor dat je bij een tolpoortje bent om een snelweg op te gaan.

Engelssprekenden betalen $1 om 10 mijl te rijden.
Sprekers van minderheidstalen (zoals Limbu of Adlam) worden $31,70 in rekening gebracht voor precies dezelfde 10 mijl.

Waarom? De AI breekt tekst af in kleine stukjes die "tokens" worden genoemd (zoals Lego-blokjes).

Voor Engels heeft de AI een enorme doos met kant-en-klare Lego-blokjes. Hij klikt ze gemakkelijk aan elkaar.
Voor minderheidsschriften heeft de AI niet de juiste blokjes. Hij moet de letters afbreken tot ruwe, betekenisloze bytes (alsof je de Lego-blokjes tot plastic stof vermaalt en probeert ze weer vanaf nul op te bouwen).
Het resultaat: Het kost 31 keer meer "rekenkracht" om een zin in het Limbu te verwerken dan in het Engels. Dit is geen fout; het is een "belasting" die in het systeem is ingebouwd omdat deze talen historisch gezien werden onderdrukt en minder data op het internet hebben.

2. De "Digitale Trechter" (Wie wordt er gehoord)

De onderzoekers keken naar 300 verschillende schriftsystemen uit de menselijke geschiedenis. Ze probeerden te zien hoe goed de digitale wereld deze ondersteunt.

De Trechter: Stel je een grote trechter voor.
- Bovenkant: 300 schriften gaan de trechter in.
- Midden: Velen blijven steken omdat ze niet in het woordenboek van de computer (Unicode) staan of niet gelezen kunnen worden door scanners (OCR).
- Onderkant: Slechts 29 schriften (minder dan 10%) maken de hele weg naar beneden af.
Het Patroon: De schriften die erdoorheen komen, zijn bijna uitsluitend de schriften die gebruikt werden door historische rijken (Latijn, Chinees, Arabisch, Cyrillisch). De schriften die blijven steken, zijn de schriften die die rijken probeerden uit te wissen.
De Tragedie: 60 talen worden vandaag de dag nog steeds door levende mensen gesproken, maar de digitale wereld behandelt hen alsof ze dood zijn. Ze zijn "levend maar digitaal dood."

3. Het "Vier Vrienden" Experiment (Het is niet slechts één AI)

Om te bewijzen dat dit niet alleen een fout was van één bedrijf (zoals OpenAI), stelden de onderzoekers vier verschillende AI-families (Claude, GPT-4o, Grok en DeepSeek) dezelfde 3.000 vragen over schriftsystemen.

De Verrassing: Deze vier AI's zijn gebouwd door verschillende bedrijven, in verschillende landen, met verschillende codes. Ze zouden niet hetzelfde fout antwoord moeten geven.
De Realiteit: Ze waren het 90% van de tijd eens over hun fouten.
De Analogie: Stel je vier studenten voor die naar vier verschillende scholen zijn gegaan. Als ze allemaal hetzelfde foute antwoord geven op een geschiedenisexamen, komt dat niet omdat ze van elkaar hebben gekopieerd. Het komt omdat ze allemaal hetzelfde bevoordeelde tekstboek hebben gelezen.
De Bias: De AI's gokten consequent op dezelfde manier fout. Bijvoorbeeld, als een schrift uit een niet-Westers land kwam, was de AI zeer geneigd te gokken: "Oh, dit moet wel voor religie worden gebruikt," zelfs als dat niet zo was. Ze vulden de gaten in met stereotypen die in de data te vinden waren.

4. "Het Rijk zonder Keizer"

De belangrijkste bevinding is dat er momenteel niemand de leiding heeft over deze bias.

De ingenieurs hebben niet gezeten en gedacht: "Laten we Limbu-sprekers meer laten betalen."
De bias is structureel. Het ging als volgt:
1. Rijken vernietigden gemeenschappen en verminderden het aantal sprekers.
2. Minder sprekers betekende minder boeken en websites geschreven in die talen.
3. Minder websites betekende dat de AI geen data had om van te leren.
4. Geen data betekent dat de AI slecht is in die taal.
Het "Rijk" heeft geen leider meer nodig. De schade zit in de statistieken gebakken. De AI doet simpelweg de wiskunde op basis van een wereld die al ongelijk was.

De "Religie" Glitch

Eén specifieke bevinding viel op: de AI's waren geobsedeerd door het gokken dat schriften "religieus" waren.

Van alle fouten die de vier AI's samen maakten, betrof 43% het gokken dat een schrift voor religie werd gebruikt terwijl dat niet zo was.
Waarom? Het internet zit vol met oude, koloniale beschrijvingen van niet-Westerse culturen die sterk focusten op hun "mystieke" of "religieuze" aspecten, terwijl hun dagelijkse, administratieve of wetenschappelijke gebruiken werden genegeerd. De AI leerde: "Niet-Westers Schrift = Religie."

De Conclusie: Wat kan er worden gedaan?

Het paper suggereert dat we de AI niet simpelweg kunnen "repareren" door de code aan te passen.

Het Probleem: Het probleem is de bibliotheek (de trainingsdata), niet de lezer (de AI).
De Oplossing: Om dit te repareren, moeten we de bibliotheek veranderen. We moeten meer boeken toevoegen die geschreven zijn door de mensen die deze talen spreken, in hun eigen schriften, en die over hun eigen leven gaan.
De Waarschuwing: Totdat we dat doen, zal de AI een spiegel blijven van de afgelopen 500 jaar geschiedenis, waarbij dezelfde ongelijkheden reflecteert, zelfs als niemand dat van oordeel was.

Kortom: De AI is niet kapot; hij herhaalt simpelweg getrouw de geschiedenis van wie er werd toegestaan te schrijven en wie er werd verstomd. Het "digitale nageslacht" van rijken is nog steeds zeer aanwezig.

Technische Samenvatting: Het Digitale Nageleef van Imperia

Probleemstelling
Large Language Models (LLM's) verwerken de schrift-systemen van de wereld met een radicale ongelijkheid. Terwijl de schriften van historische imperia (bijv. Latijn, Cyrillisch, Arabisch) efficiënt worden verwerkt, lijden de schriften van gekoloniseerde of gemarginaliseerde gemeenschappen onder significante digitale exclusie. Dit artikel onderzoekt of de hedendaagse digitale infrastructuur en LLM's de structurele ongelijkheden reproduceren die door historische imperia zijn toegebracht. Specifiek wordt de vraag gesteld of de "gebroken culturele klokken" van schrift-systemen—gedocumenteerd in een begeleidende studie (Fukui, 2026) als structurele afwijkingen veroorzaakt door imperiale interventie—bestaan in de latente ruimte van moderne taalmodellen via de gedeelde trainingscorpus, in plaats van door specifieke architecturale ontwerpkeuzes.

Methodologie
De studie construeert de Digital Script Representation Index (DSRI), een zeven-assig instrument toegepast op de Global Script Database (GSD), die 300 schrift-systemen uit 43.000 jaar geschiedenis catalogiseert. De DSRI meet digitale aanwezigheid via:

Token Efficiëntie Ratio (TER): Het aantal tokens dat nodig is om een grapheem-cluster te representeren ten opzichte van een Latijnse baseline, gemeten over vier tokenizers (tiktoken, Mistral, Qwen, Phi-4) met parallelle tekst (UDHR, eBible) en Wikipedia-corpora.
Unicode Dekking: Coderingstatus, codepoint-bereiken en versies.
Web Corpus Volume: Afgeleid van Wikipedia-artikelaantallen en CC-100 corpus byte-aantallen.
LLM Generatie Getrouwheid: Nauwkeurigheid bij het beantwoorden van 10 binaire typologische vragen (bijv. richting, religieus gebruik) tegen de GSD-grondwaarheid.
OCR Ondersteuning: Karakterfoutpercentages over Tesseract, Google Cloud Vision en Azure.
Machinevertaling Dekking: Binaire ondersteuning over Google, NLLB-200 en DeepL.
Inputmethode Beschikbaarheid: Native toetsenbord/IME-ondersteuning op iOS, Android, Windows en macOS.

Om de circulariteit te vermijden van het gebruik van een enkel LLM als zowel instrument als object, hanteert de studie een cross-architectuur validatieprotocol. Vier onafhankelijke LLM-families (Claude Haiku 4.5, GPT-4o, Grok-3-mini, DeepSeek-V3) werden bevraagd met 3.000 identieke typologische prompts (300 schriften × 10 kenmerken), wat resulteerde in 12.000 responsen.

Statistische analyses omvatten:

Seriële Mediatie Modellering: Testen van het pad Imperiale Interventie → Sprekerspopulatie → Web Corpus Volume → Tokenizer Efficiëntie.
Structurele Vergelijking Modellering (SEM): Beoordeling van model-fit bij $n=45$ (de limiet van schriften met meetbare parallelle tekst).
Convergentie Analyse: Berekenen van Spearman-correlaties van foutafwijkingen (vals-positieve en vals-negatieve ratio's) over modelparen om architectuur-onafhankelijke biases te identificeren.
Gevoeligheidscontroles: Uitsluiting van het kenmerk "gebruikt voor religie" om te testen of convergentie wordt gedreven door één enkele betwiste grondwaarheid-codering.

Belangrijkste Resultaten

Digitale Exclusie-trechter: Slechts 29 van de 300 schriften (9,7%) worden volledig ondersteund door de hedendaagse digitale infrastructuur. Onder de 158 levende schriften ontbreekt volledige ondersteuning bij 60 (38,0%). De exclusie volgt een koloniale geografie, waarbij schriften uit Afrika, Zuid-/Zuidoost-Azië en Oceanië onevenredig hard worden getroffen.
De "Digitale Belasting": De tokenizer-efficiëntie varieert met een factor van 31,7 over 45 gemeten schriften (Latijnse baseline = 1,0; Limbu = 31,7×). Deze discrepantie is consistent over vier onafhankelijke tokenizers, wat wijst op een structurele in plaats van een implementatie-specifieke oorzaak. Schriften met de hoogste tokenizer-kosten missen vaak natuurlijke taal web-corpora (bijv. geen Wikipedia-paragrafen), wat de exclusie versterkt.
Causale Mediatie: De relatie tussen imperiale interventie en tokenizer-inefficiëntie wordt volledig gemedieerd door sprekerspopulatie en web corpus volume. Het directe effect van het imperium op tokenisatie is ononderscheidbaar van nul ( $\beta = -0,22, p = 0,39$ ). Het structurele vergelijkingsmodel bereikt een bijna perfecte fit bij $n=45$ (CFI = 1,01, RMSEA = 0,00), waarbij digitale aanwezigheid een incrementele $\Delta R^2$ van 0,366 bijdraagt.
Cross-Architectuur Convergentie: Vier onafhankelijke LLM's vertonen sterk gecorreleerde foutpatronen ( $\rho = 0,85–0,98$ ) wanneer zij afwijken van de basis-verwachtingen. Deze convergentie blijft bestaan, zelfs wanneer het "religie"-kenmerk wordt uitgesloten, wat suggereert dat de bias extern is aan een enkel model en verbonden is aan de gedeelde tekstuele substantie.
Unanieme Fouten: Alle vier de modellen beantwoorden 172 schrift-kenmerk-items identiek foutief. Over-attributie (het toeschrijven van een kenmerk dat niet aanwezig is) overtreft onder-herkenning met een ratio van 3,9:1. Het kenmerk "gebruikt voor religie" concentreert 43,6% van deze fouten. Wanneer dit wordt uitgesloten, blijft de asymmetrie bestaan op 1,77:1 ( $p=0,008$ ), wat duidt op een meer-kanaals bias waarbij niet-Westerse schriften systematisch worden gemapt op sjablonen van "oude", "pictografische" of "religieuze" oorsprong.
Twee Onafhankelijke Wonden: De studie vindt een statistische onafhankelijkheid tussen de structurele verstoring van schriften (moleculaire klok-afwijking) en de demografische vernietiging van schrift-gebruikende gemeenschappen (byte-fallback status). Imperia brengen beide toe: het wijzigen van de vorm van het schrift én het vernietigen van de gemeenschap die het gebruikt.

Significantie en Claims
Het artikel betoogt dat het "imperium" geen keizer nodig heeft om zijn geweld in het digitale tijdperk te reproduceren. De structurele ongelijkheden van de koloniale geschiedenis zijn gesedimenteerd in de statistische distributie van het wereldwijde web. Omdat LLM's op deze corpus getraind zijn, erven en reproduceren zij deze biases met "mathematische getrouwheid", ongeacht hun specifieke architectuur of de organisatie die hen heeft gebouwd.

De bevindingen dagen het idee uit dat bias een resultaat is van specifieke modelontwerpkeuzes of alignment-procedures. In plaats daarvan stelt het paper dat computationele assimilatie—de systematische over-attributie van meerderheidsschrift-kenmerken aan minderheidsschriften—een eigenschap is van de tekstuele substantie zelf. De convergentie van vier onafhankelijke modellen suggereert dat de "imperiale cartografie van het schrift" is gecodeerd in de data, niet in de algoritmen.

De auteurs kaderen de causale mediatie-resultaten bescheiden als "suggestief in plaats van bevestigend" vanwege de statistische fragiliteit aan de marge (het BCa bootstrap-interval raakt de nul aan), waarbij zij erkennen dat de $n=45$ steekproefomvang een "horizon" is die door digitale exclusie zelf wordt opgelegd, en niet door een willekeurige bemonsteringsbeperking. De cross-architectuur convergentie biedt echter robuust, onafhankelijk bewijs dat de bias structureel is en upstream van de modellen ligt.

Het paper concludeert dat remediëring niet kan worden bereikt door het fine-tunen van individuele modellen. Omdat de bias zich in de corpus bevindt, moeten interventies upstream plaatsvinden: het uitbreiden van tokenizers om alle Unicode-schriften te bevatten, het corrigeren van de frequentie-gebaseerde vocabulaire-allocatie, en, het meest cruciaal, het aanpakken van de demografische en institutionele schade die door imperia is aangericht, waardoor deze gemeenschappen zonder digitale stem zijn achtergelaten. Het "digitale nageslacht van imperia" wordt niet bewaard door kwaadwillendheid, maar door de methode van frequentie-gebaseerd leren op een niet-neutrale corpus.