💬 NLP

LLMs as Cultural Archives: Cultural Commonsense Knowledge Graph Extraction

本文引入了一种从大语言模型中提取文化常识知识图谱的迭代框架，旨在结构化隐性的文化知识，并揭示了尽管这些图谱增强了文化推理与生成能力，但在表示非英语文化时目前仍表现出显著的英语偏见。

原作者： Junior Cedric Tonga, Chen Cecilia Liu, Iryna Gurevych, Fajri Koto

发布于 2026-01-27

📖 1 分钟阅读☕ 轻松阅读

原作者： Junior Cedric Tonga, Chen Cecilia Liu, Iryna Gurevych, Fajri Koto

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，大型语言模型（LLM）就像是巨大的、无形的图书馆。这些图书馆里装满了世界各地人们编写的书籍，因此它们包含了大量关于不同文化如何思考、行动和庆祝的信息。然而，目前这些信息是混乱的。它们被埋藏在图书馆深处，散落在数百万个无序的句子中，很难找到或理解某种文化的特定“规则”。

本论文提出了一种清理这座图书馆并将其转化为文化常识知识图谱（CCKG）的方法。请将这个图谱想象成不是一份事实清单，而是一个火车轨道系统。

核心理念：将事实转化为火车轨道

通常，如果你问人工智能关于文化的问题，它可能会给你一个单一的事实，比如“印度尼西亚人早餐吃 soto ayam（鸡肉汤）”。那是一个静态的事实。

作者想要绘制出这个事实的旅程。他们构建了一个系统来询问人工智能：“如果有人想吃早餐，接下来会做什么？然后呢？在那之后又会发生什么？”

轨道： “如果你寻找早餐 $\rightarrow$ 你会去 warung（小店） $\rightarrow$ 你点一份 soto ayam $\rightarrow$ 你感到温暖和慰藉。”

通过连接这些步骤，他们创建了一条文化逻辑的“火车轨道”。这使得人工智能不仅能理解发生了什么，还能理解文化生活的流动。

他们是如何铺设轨道的（过程）

研究人员将人工智能（特别是 GPT-4o）视为一名“文化档案管理员”。他们使用了一个两步走的过程来构建这些轨道：

铺设第一道铁轨（初始生成）： 他们要求人工智能针对日常生活的各种话题（如食物、婚礼或习惯）生成简单的“如果-那么”陈述，涵盖了五个不同的国家：中国、印度尼西亚、日本、英国和埃及。
延伸轨道（迭代扩展）： 这是聪明之处。一旦人工智能说“如果你寻找早餐，你会点一份 soto ayam”，研究人员就会要求人工智能填补空白。
- 中间扩展： “在寻找早餐和点餐之间会发生什么？也许你会先选择一份配菜。”
- 向前扩展： “点餐之后会发生什么？也许你会加入 sambal（辣椒酱）。”

他们重复了这个过程，将一个单一的事实转变为一条长长的、逻辑性的文化行为链。

大惊喜：“英语桥梁”

研究人员有一个假设：“如果我们想了解印度尼西亚文化，我们应该用印尼语询问人工智能。如果我们想了解中国文化，我们应该用中文询问。”

他们错了。

当他们测试这些文化轨道的质量时，发现了一个奇怪但一致的模式：用英语构建的轨道比用母语构建的轨道效果要好得多。

类比： 想象你在绘制一张城市地图。你可能会认为用当地语言绘图会最准确。但研究人员发现，人工智能的“内部地图”是用英语绘制得最清晰的。即使是在描述印度尼西亚式的早餐或埃及式的婚礼时，当人工智能被迫使用英语时，它产生的文化轨道也更加逻辑严密、连贯且符合文化事实。
结果： 与中文、阿拉伯文或印尼文版本相比，英语版本的知识图谱在人类评估者看来更具一致性，也更有意义。

这对小型 AI 有帮助吗？

研究人员随后将这些“火车轨道”（CCKG）提供给规模较小、能力较弱的 AI 模型，以观察这是否能帮助它们更好地理解文化。

测试： 他们要求这些较小的模型回答有关文化的问题或编写短篇故事。
结果： 当这些较小的模型被允许“观察轨道”（使用 CCKG 作为引导）时，它们在回答问题和编写具有文化真实感的文章方面表现得好得多。
注意点： 最大的提升出现在模型使用英语轨道时，即使是针对非英语文化。看来，“英语桥梁”是目前访问 AI 文化知识最可靠的方式。

他们并没有声称什么

重要的是要紧扣论文实际内容：

他们没有说这个系统已经可以用于医院、学校或法律系统。
他们没有声称解决了 AI 偏见或刻板印象的问题（事实上，他们指出偏见仍然是一个风险，并且他们没有进行深入的审计）。
他们没有说英语是人类交流的“最佳”语言；他们只是发现，对于这些特定的 AI 模型而言，英语是提取文化逻辑最稳定的语言。

总结

论文表明，我们可以将 AI 模型视为巨大的文化知识档案馆。通过要求人工智能构建文化逻辑的“火车轨道”（如果发生这件事，那么会发生那件事），我们可以创建一个结构化的地图，展示不同文化是如何运作的。然而，这里有一个转折：目前，这些人工智能模型在用英语表达这些文化地图时，似乎理解得最为清晰，即便所描述的文化并非英语文化。“英语优势”有助于较小的 AI 模型表现得更好，但也凸显了我们目前的 AI 工具在呈现世界多样化文化方面仍然是不均衡的。

技术摘要：LLM 作为文化档案：文化常识知识图谱提取

问题陈述
大语言模型（LLMs）从海量的网络规模数据中编码了大量的文化知识，为大规模建模文化常识提供了一个潜在资源。然而，这些知识在很大程度上是隐性的、非结构化的且难以解释的。现有的计算常识推理方法在历史上往往将文化视为中立或以西方为中心的（例如 ATOMIC），而近期构建文化知识库的努力则往往依赖于来自维基百科或社交媒体的静态、孤立的事实。这些方法无法捕捉文化实践的程序性、序列性和上下文特性，因为文化实践通常由有序的动作链而非原子化陈述来定义。此外，目前缺乏能够反映不同语言中局部规范和实践的结构化、推理性表示。

方法论
作者提出了一个迭代的、基于提示词的框架来构建文化常识知识图谱（CCKG），将 LLMs 视为“文化档案”，以系统地提取并结构化特定文化的知识。

框架构建：
- 图定义： CCKG 是一个有向标签图 $G = (V, E)$ ，其中节点代表动作，边代表标签关系。一个断言是一个三元组 $(A_i, R, A_j)$ ，解释为“如果动作 $A_i$ 发生，那么动作 $A_j$ 随后发生。”
- 关系类型： 该框架利用了五种关系类型：$xNext $（代理人的下一个动作）、$ xEffect $（对代理人的影响）、$ xNeed $（代理人的先决条件）、$ oNext $（他人的下一个动作）以及$ oEffect$（对他人的影响）。
- 提取过程（算法 1）：
  - 初始生成： 给定一个子话题、国家和语言，LLM（GPT-4o）根据预定义的关系类型生成初始的“如果-那么”断言。
  - 迭代扩展： 通过两种机制丰富知识库：
    - 中间扩展（Intermediate Expansion）： 将一个直接链接 $(A_i \to A_j)$ 分解为更细粒度的中间步骤序列。
    - 前向扩展（Forward Expansion）： 从生成的动作 $A_j$ 开始生成新的延续。
  - 剪枝： 为了确保效率并减少冗余，生成的动作通过相似度得分与现有节点进行匹配；合并重复项，并将每个节点的扩展列表限制为六个断言。
实验设置：
- 范围： 该框架被应用于五个国家（中国、印度尼西亚、日本、英国、埃及），涵盖 11 个日常生活话题和 65 个子话题。
- 语言： 知识图谱同时以英语和各自的母语（中文、印尼语、日语、阿拉伯语）进行生成。
- 评估： 人类标注员（母语使用者）从三个维度评估生成的图谱：正确性（有效的动作和关系）、文化相关性（对目标文化的特异性）以及逻辑路径连贯性（推理性链条的一致性）。
- 下游任务： 提取的 CCKG 被用于增强较小的 LLMs，用于三个任务：多项选择问答（MCQA）、句子补全和故事生成。基准测试包括 IndoCulture 和 ArabCulture。

核心贡献

CCKG 框架： 引入了一种从 LLMs 中提取多语言、特定文化推理性知识链的方法，超越了静态事实，转向程序化、多步推理结构。
文化编码的实证分析： 通过系统性评估发现，虽然母语能捕捉到更丰富的文化细节，但英语通常作为当前 LLMs 中表示文化知识图谱更连贯且一致的媒介。
性能增强： 证明了通过 CCKG（通过上下文断言或路径）增强较小或基础模型，可以显著提高其在文化推理和故事生成任务上的表现，特别是在使用针对特定文化背景的母语断言时。

结果

图质量： 在人类评估中，对于非英语文化（如中国、印尼、阿拉伯），英语生成的 CCKG 在正确性、文化相关性和路径连贯性方面始终优于母语版本。这表明当前的多种语言 LLMs 存在一种不对称性，即英语作为文化推理的更稳定的表示媒介，这可能是由于其预训练数据更丰富。
推理任务（MCQA）： 集成 CCKG 知识提高了在 IndoCulture 和 ArabCulture 基准测试中的准确率。母语增强带来了最高的收益（平均 +1.2 点），优于英语增强和现有的 Mango 等基准。值得注意的是，思维链（CoT）提示的表现差于基准，这表明文化常识更多地依赖于直觉式的上下文，而非显式的逐步逻辑。
生成任务： 对于句子补全和故事生成，CCKG 增强（特别是基于路径的增强）提高了句子相似度和连贯性得分。在故事生成中，引入 CCKG 路径一致地提高了文化相关性得分（Llama 模型平均增加了 +1.4），其中在英语故事生成中观察到的改进最为显著，尽管母语生成在特定情况下（如 Llama3.1-8B-IT 生成印尼故事）也从中受益。
LLM-as-a-Judge（LLM 作为评判者）： 使用 LLMs 进行的自动化评估与人类对母语故事的判断高度相关，但在处理英语故事时，在流畅度和连贯性方面表现出中等或弱相关性，这可能是由于风格差异和翻译细微差别所致。

意义与主张
论文认为，只要提取过程是系统性的，LLMs 就可以作为提取结构化、推理性知识的有效“文化档案”。作者声称，链式结构的文化知识是开发具有文化根基的 NLP 系统的实用底层架构。

研究强调了一个关键的局限性和洞察：尽管目标是建模局部文化推理，但目前的 LLMs 通过英语最有效地表示文化常识，即使目标文化是非英语文化。这一发现挑战了“母语输出在文化任务中本质上更优越”的假设，并表明英语在当前模型中可能充当了连贯文化推理的“枢纽（pivot）”。

作者总结道，虽然他们的方法展现出了潜力，但这仍是一个研究原型。他们警告不要在未解决潜在风险（如强化刻板印象）的情况下，将提取的内容作为生产系统的正式数据集，并强调未来的工作需要调查偏差并将该框架扩展到更细粒度的文化层面。