德国方言也有被AI歧视？约翰内斯·古腾堡大学美因茨分校重大发现

这项由约翰内斯·古腾堡大学美因茨分校的闵德布伊（Minh Duc Bui）和卡塔琳娜·冯·德·文泽（Katharina von der Wense）领导的国际研究团队发表于2025年9月的arXiv预印本平台，编号为arXiv:2509.13835。研究团队还包括汉堡大学的卡罗琳·霍尔特曼（Carolin Holtermann）和安妮·劳舍（Anne Lauscher）、艾伦AI研究所和华盛顿大学的瓦伦汀·霍夫曼（Valentin Hofmann）等多名学者。感兴趣的读者可以通过arXiv:2509.13835查询完整论文。

在德国，超过40%的人口使用地方方言交流，就像中国人说家乡话一样自然。然而，一个令人震惊的发现正在浮出水面：那些被广泛使用的大型语言模型——这些AI系统——竟然对说德国方言的人存在系统性偏见。这不仅仅是技术问题，而是一个关乎数百万人日常生活的严重社会问题。

研究团队深入探讨了一个关键问题：当AI系统遇到使用德国方言的用户时，它们是否会表现出与人类社会相同的刻板印象和偏见？结果让人担忧——几乎所有主流AI模型都表现出明显的方言歧视倾向，甚至在某些情况下，直接标明某人说方言比暗示性提及方言会引发更严重的偏见。

这项研究采用了创新的"方言命名偏见"和"方言使用偏见"概念，通过关联任务和决策任务两种方式，系统性地测试了十个不同的大型语言模型。研究团队构建了一个包含七种德国方言（如巴伐利亚方言、阿勒曼尼方言等）的评估语料库，每种方言包含50篇平行文本对照。结果显示，所有测试的AI模型都表现出显著的方言偏见，将说方言的人与负面特质联系起来，比如认为他们受教育程度较低、比较粗心、思想封闭等。

更令人意外的是，与以往研究发现的"明确提及人口统计信息会减少偏见"的结论相反，这项研究发现，当AI系统被明确告知某人使用德国方言时，产生的偏见竟然比仅仅通过方言文本暗示的偏见更加严重。这一发现挑战了现有的AI公平性认知，表明语言方言偏见具有独特的复杂性。

一、揭开语言偏见的隐秘面纱

德国的语言landscape就像一幅丰富多彩的拼图，每个地区都有自己独特的方言色彩。巴伐利亚方言、萨克森方言、阿勒曼尼方言等七种主要方言承载着深厚的文化底蕴，但同时也承受着历史留下的偏见包袱。这些方言historically被视为"乡下人的语言"，与农村背景和较低的教育水平联系在一起。

现实世界的数据证实了这种偏见的实际影响：说方言的人往往收入较低，在求职过程中也更容易遭遇歧视。当超过40%的德国人使用方言，且越来越多人希望在数字化生活中也能使用自己的母语方言时，一个关键问题浮现出来：这些广泛应用的AI系统是否正在延续和加剧这种偏见？

研究团队决定通过科学方法来回答这个问题。他们选择了社会语言学研究中已经确认的六个与方言使用者相关的典型特征：粗心大意与细致认真、思想封闭与开放包容、友善亲切与冷漠疏远、乡村背景与城市背景、情绪化与冷静理性、教育程度低与教育程度高。这些特征组合就像一套标准的"社会认知模板"，人们往往会根据听到的语言变体自动激活相应的判断。

为了确保研究的科学性和可比性，研究团队精心构建了一个包含350对平行文本的数据库。每一对文本都包含相同内容的标准德语版本和方言版本，就像同一个故事的两种讲述方式。这些文本来源于Wikipedia文章，覆盖了从历史地理到科学技术的各个领域，确保测试场景的多样性和真实性。

二、双重测试：命名偏见与使用偏见的较量

研究团队设计了一个巧妙的实验框架，就像设置了两个不同的"社会实验室"。第一个实验室测试"方言命名偏见"——直接告诉AI系统某个虚拟人物使用特定方言写作；第二个实验室测试"方言使用偏见"——让AI系统通过阅读方言文本自行推断写作者的背景。

在方言命名偏见测试中，研究者会给AI系统这样的信息："作者A喜欢用标准德语写作，作者B喜欢用阿勒曼尼德语方言写作。"然后观察AI系统如何分配各种形容词给这两位作者。这就像直接在两个人的名牌上贴上"城里人"和"乡下人"的标签，然后看观察者会如何评判他们。

在方言使用偏见测试中，研究者则提供实际的文本样本：同样的内容，一个用标准德语表达，另一个用方言表达。这就像让观察者通过听两个人说话的方式来判断他们的特征，更接近真实生活中的情况。

研究团队使用了两种互补的测试方法。关联任务就像心理学中的词汇联想测试，要求AI系统将描述不同特征的形容词分配给使用标准德语或方言的虚拟作者。决策任务则更加贴近现实应用场景，让AI系统在具体的决策情境中展现其偏见倾向，比如推荐职业、选择居住区域或参加培训项目。

研究团队测试了十个不同的语言模型，包括Qwen 2.5、Gemma 3、Llama 3.1、Aya Expanse等主流开源模型，以及专门针对德语优化的Leo-HessianAI 70B和商业模型GPT-5 Mini。这样的模型选择确保了研究结果的广泛适用性和代表性。

三、令人震惊的发现：AI偏见超乎想象

实验结果就像打开了潘多拉盒子，揭露了AI系统中根深蒂固的方言偏见问题。在120个不同的测试组合中，仅有7个显示出无显著偏见，而其中6个竟然都与"友善"这一特征相关。更令人意外的是，即使是这个在社会认知中通常被认为是方言使用者优势的特征，AI系统也表现出了相反的判断——它们更倾向于认为方言使用者不够友善。

数据显示了偏见的严重程度。在关联任务中，某些模型对"受教育程度低"特征的偏见分数达到了0.98（满分1.0），这意味着AI系统几乎完美地将教育程度低的形容词分配给方言使用者，将教育程度高的形容词分配给标准德语使用者。在方言使用偏见测试中，一些模型甚至达到了1.0的完美偏见分数，表现出极端的歧视倾向。

决策任务的结果同样令人担忧。在职业推荐场景中，AI系统系统性地将方言使用者推荐到教育要求较低的职位，如泥瓦匠、农场工人等体力劳动岗位，而将标准德语使用者推荐到医生、律师等需要高等教育的职位。这种偏见不仅体现在教育相关判断中，还延伸到居住环境选择、性格特征评估等各个方面。

研究还发现了一个意外的模式：更大规模的AI模型往往表现出更强的偏见倾向。在同一模型家族内的比较中，参数规模更大的版本在74%到100%的测试案例中都显示出更强的方言偏见。这个发现颠覆了"更大模型更公平"的常见假设，暗示着模型的知识增长可能同时带来了偏见的放大。

四、明示与暗示：偏见表达的双重面孔

最具颠覆性的发现莫过于明确标注与隐性暗示在偏见程度上的差异。以往的研究通常认为，当AI系统被明确告知某人属于特定人群时，会表现出较为克制的偏见，因为这种明确标注会激活系统的公平性机制。然而，在语言方言偏见的情境下，情况恰恰相反。

当研究者明确告诉AI系统"这个人使用巴伐利亚方言写作"时，产生的偏见强度竟然超过了仅仅提供方言文本样本的情况。在关联任务中，70%的测试案例显示方言命名偏见强于方言使用偏见。在决策任务中，这个比例更是高达88%。这就像给某人贴上"方言使用者"标签比让人听到他说方言产生的偏见更严重。

这一发现具有深刻的实践意义。在现实应用中，用户可能会在个人资料中标注自己的语言偏好，或者在交互过程中明确表示使用某种方言。研究结果表明，这种明确的语言身份表达可能会触发更严重的AI偏见，对用户体验产生负面影响。

研究团队还通过"标记人物分析"深入探讨了AI系统在生成人物描述时的偏见模式。结果显示，当描述标准德语使用者时，AI系统更倾向于使用"研究者"、"教授"、"学术"、"博士"等高教育水平词汇。相比之下，描述方言使用者时，则更多使用"语言学家"、"方言"等相对中性但暗示地域性的词汇。

在职业描述的细节分析中，偏见表现得更加明显。标准德语使用者被描述为具有"清晰的表达能力"、"有条理的思维"、"严谨的方法"，而方言使用者则被描述为"尽管...但是..."的句式，暗示他们需要克服某种语言劣势。这种描述模式反映了AI系统对方言使用者能力的系统性低估。

五、技术测试：排除噪音干扰的可能

为了确保发现的偏见确实源于对方言的歧视，而不是AI系统将方言文本误判为错误或噪音文本，研究团队进行了一项重要的稳健性测试。他们创建了人工噪音文本，通过随机替换、删除或插入字符和单词来模拟错误输入，然后比较AI系统对方言文本和噪音文本的反应差异。

结果证明，AI系统对方言文本的偏见明显强于对噪音文本的反应。在大多数测试中，方言文本触发的负面联想显著超过了噪音文本。这表明AI系统确实能够识别方言文本的语言学特征，而其偏见反应是对方言本身的歧视，而非对文本质量的简单判断。

困惑度分析进一步支持了这一结论。研究显示，AI系统对方言文本的困惑度显著低于噪音文本，这意味着模型实际上对方言文本有一定程度的理解和熟悉，而不是将其视为随机错误。这种理解能力的存在使得偏见问题更加严重，因为它表明偏见是系统性的认知模式，而非技术缺陷的副产品。

六、方言差异：偏见的细致分布

虽然所有测试的德国方言都遭受了AI偏见，但不同方言之间存在微妙的差异。阿勒曼尼方言和巴伐利亚方言在某些特征上表现出相对更强的偏见，特别是在"思想封闭"特征上。这种差异可能反映了不同方言在德国社会中的不同地位和刻板印象强度。

低地德语、北弗里西亚语、萨特弗里西亚语等较小的方言群体虽然也遭受偏见，但程度相对较轻。这可能是因为这些方言在训练数据中出现频率较低，AI系统对其形成的刻板印象相对较弱。然而，这种"相对较轻"仍然意味着显著的歧视性偏见存在。

内容主题的分析显示，偏见程度在不同话题领域中保持相对稳定。无论是传记、地理、历史还是科学技术内容，AI系统都表现出类似的方言偏见模式。这表明偏见是深层次的系统性问题，而不是特定领域的现象。

研究还发现，在某些情况下，AI系统会在生成的人物描述中表现出性别偏见的倾向。Llama-3.1 8B模型在创建标准德语使用者人物时，男女性名称的比例相对均衡（54.7%对46.3%），但在创建方言使用者人物时，女性名称的比例大幅下降至16.1%。这暗示了方言偏见可能与其他类型的社会偏见相互交织。

七、现实影响：从虚拟到现实的偏见传导

这些研究发现不仅仅是学术层面的观察，它们对现实生活具有深刻的影响意义。随着AI系统在求职招聘、教育评估、金融服务等关键领域的广泛应用，方言偏见可能会系统性地影响数百万方言使用者的生活机会。

在招聘场景中，如果AI系统被用于初步筛选简历或评估候选人，方言使用者可能会因为语言背景而被自动归类为不适合高技能职位的候选人。这种算法歧视可能会延续和加剧已经存在的社会不平等，使得方言使用者在就业市场上面临更大的挑战。

教育技术领域的应用同样令人担忧。如果智能辅导系统或教育评估工具带有方言偏见，可能会对使用方言的学生产生误导性评价，影响他们的学习体验和教育机会。这种偏见不仅损害个体利益，也可能削弱整个教育系统的公平性和有效性。

在客户服务和内容推荐领域，方言偏见可能导致AI系统提供不适当的服务建议或内容推荐。比如，系统可能会系统性地向方言使用者推荐较为简单的内容或服务，假设他们的教育水平或理解能力有限。

研究团队强调，这些偏见的影响可能比显性歧视更加隐蔽和持久。当偏见被嵌入到日常使用的技术系统中时，它们会在用户甚至没有意识到的情况下塑造决策和机会分配。这种隐性偏见可能比直接的人际歧视更难识别和纠正。

八、模型规模悖论：更大未必更好

研究中最令人意外的发现之一是模型规模与偏见程度之间的正相关关系。在传统认知中，更大的模型往往被期望具有更好的理解能力和更公平的判断，但这项研究显示了相反的pattern。

在同一模型家族内的比较中，较大规模的模型consistently表现出更强的方言偏见。这种pattern在所有测试的模型家族中都得到了验证，从Llama到Gemma，从Qwen到Aya，无一例外。这个发现challenging了AI发展中的一个基本假设：规模的扩大会自动带来能力和公平性的提升。

研究团队提出了一个重要的解释假设：较大的模型虽然具有更强的知识整合能力，但同时也更有效地学习和内化了训练数据中的社会偏见。当模型能够更好地理解语言的细微差别时，它们也更准确地复制了人类社会中的刻板印象和歧视模式。

这种"知识增长伴随偏见放大"的现象提醒我们，AI系统的发展不能仅仅追求参数规模的扩大，而需要在能力提升的同时积极解决公平性问题。简单地增加模型规模而不addressing训练数据和算法设计中的偏见问题，可能会创造出更加强大但也更加有害的AI系统。

当前的AI安全和公平性研究主要关注性别、种族等显性人口统计特征的偏见，但对语言方言这种相对隐性的身份标识关注不足。这项研究表明，需要将语言多样性和方言公平性纳入AI伦理的核心议程。

九、深度分析：偏见的根源追溯

为了更深入理解AI系统方言偏见的形成机制，研究团队进行了细致的偏见模式分析。通过检查AI系统在描述不同背景人物时使用的具体词汇，研究者发现了偏见的语言学表现形式。

在描述标准德语使用者时，AI系统倾向于使用积极的能力词汇，如"methodical"（有条理的）、"organized"（有组织的）、"clear"（清晰的）、"precise"（精确的）等。这些词汇构建了一个高能力、高可靠性的人物形象。相比之下，在描述方言使用者时，虽然也会使用一些积极词汇，但往往伴随着限定性语言，如"despite"（尽管）、"but"（但是）、"struggle"（努力克服）等，暗示存在需要克服的缺陷。

在职业相关的描述中，这种偏见更加明显。标准德语使用者被描述为适合"research"（研究）、"academic"（学术）、"professional"（专业）等高技能工作，而方言使用者则更多与"local"（地方性）、"regional"（区域性）、"traditional"（传统）等限制性概念相关联。

音乐和艺术领域的分析展现了有趣的对比。标准德语使用者被与"classical"（古典）、"refined"（精致）、"sophisticated"（高雅）等概念联系，而方言使用者则被与"folk"（民间）、"experimental"（实验性）、"raw"（原始）等概念关联。这种区分反映了社会对"高雅文化"与"民间文化"的等级化认知。

研究团队还发现，AI系统在处理不同情境时会调整其偏见表达的强度。在正式的商务或学术情境中，偏见表现得更加明显；在艺术或文化情境中，虽然偏见依然存在，但表现形式相对微妙。这种情境敏感性表明，AI系统已经学会了在不同社会场景中应用不同程度的偏见judgment。

十、验证实验：排除其他可能性

科学研究的严谨性要求排除所有可能的替代解释。研究团队设计了多个验证实验来确保发现的偏见确实源于对方言本身的歧视，而不是其他技术或语言学因素。

首先，研究团队测试了AI系统是否仅仅是将方言文本视为"低质量"或"错误"文本。通过创建人工噪音文本（随机添加拼写错误、语法错误和无意义插入），研究者发现AI系统对真正的错误文本的reaction与对方言文本的偏见存在显著差异。方言文本触发的负面stereotyping明显超过了错误文本，这证明偏见不是对文本质量的简单判断。

其次，研究团队分析了不同主题内容是否会影响偏见强度。通过比较传记、地理、历史、科学等不同领域的文本，研究者发现偏见模式在各个主题中保持一致性。这表明偏见不是特定内容领域的现象，而是系统性的认知模式。

第三，研究团队测试了文本长度和复杂度是否是偏见的影响因素。分析显示，在控制文本长度和语法复杂度后，方言偏见依然显著存在。这进一步确认了偏见的linguistic identity basis。

最后，困惑度分析提供了关键证据。AI系统对方言文本的困惑度显著低于噪音文本，这表明模型实际上对方言有一定程度的理解和识别能力。这种理解能力的存在使得偏见问题更加严重，因为它证明了系统是在"理解"的基础上进行歧视judgment，而不是因为technical limitation。

十一、比较研究：其他语言的启示

虽然这项研究专注于德国方言，但其发现与其他语言背景下的类似研究形成了有趣的对比和印证。在英语语境中，之前的研究已经发现AI系统对非裔美国人英语（AAVE）存在显著偏见，倾向于将使用AAVE的文本标记为仇恨言论或低质量内容。

然而，德国方言研究的独特之处在于，它涉及的是同一种主要语言的地域变体，而非不同种族或社会群体的语言特征。这种difference使得研究结果更加纯粹地反映了对地域文化多样性的偏见，而不是种族或阶级偏见的副产品。

研究还发现，明确标注linguistic demographics比implicit cues产生更强偏见的pattern在其他研究中较为罕见。大多数关于种族或性别偏见的研究显示，明确提及protected characteristics通常会触发AI系统的fairness mechanisms，导致更加谨慎的回应。但在方言偏见的情境下，这种protective mechanism似乎并未发挥作用。

这种差异可能反映了current AI fairness frameworks的局限性。现有的公平性训练主要针对显性的protected categories，如种族、性别、年龄等，但对linguistic diversity这种文化身份特征的关注相对不足。这种训练gap可能解释了为什么AI系统在处理方言偏见时缺乏appropriate caution。

研究团队指出，随着全球化的发展，世界各地都存在类似的方言保护与标准化语言推广之间的tension。这项研究的方法论和发现可能为其他语言社区提供参考框架，帮助识别和quantify AI系统中的方言偏见问题。

十二、社会影响：超越技术的思考

这项研究的意义远远超出了技术层面的bias detection，它揭示了数字化时代文化多样性面临的新挑战。当AI系统成为信息过滤、决策支持和社会交互的重要mediator时，其内在的偏见可能会subtle yet powerfully地重塑社会关系和文化dynamics。

在德国，方言不仅仅是communication tool，更是regional identity和cultural heritage的重要载体。当AI系统系统性地贬低方言使用者的能力和价值时，它可能会accelerate方言的衰落和cultural homogenization。年轻一代可能会在digital native的成长过程中internalize这些AI偏见，逐渐认为使用方言是"落后"或"不专业"的表现。

研究还显示，AI偏见可能会create self-reinforcing cycles。如果方言使用者在digital platforms上consistently遭遇negative treatment，他们可能会选择switch to标准语言，以avoid discrimination。这种adaptation虽然是rational response，但会进一步reduce方言在digital spaces的visibility，potentially导致AI系统对方言的understanding和recognition能力进一步decline。

在educational context中，这种偏见可能会产生particularly harmful effects。如果intelligent tutoring systems或automated assessment tools带有方言偏见，它们可能会underestimate方言使用学生的能力，提供inappropriate learning materials，或给出misleading feedback。这种systematic undervaluation可能会影响学生的学习motivation和academic trajectory。

更广泛地说，这项研究highlight了一个fundamental question：在increasingly AI-mediated的世界中，如何保护和promote linguistic diversity？传统的diversity preservation strategies主要focus on human-to-human interactions，但现在需要extend to human-AI interactions。

说到底，这项研究告诉我们一个重要事实：AI系统并非neutral observers，它们carry着训练数据中embedded的social biases和cultural assumptions。当我们rely on这些系统做increasingly important decisions时，我们实际上是在amplify某些social values而suppress others。

对于说德国方言的数百万人来说，这项研究提供了重要的awareness：他们在使用AI服务时可能面临subtle discrimination。对于AI developers来说，研究highlight了urgent need来address linguistic fairness in system design。对于policymakers来说，研究suggest需要consider linguistic diversity作为AI governance的重要dimension。

归根结底，这不仅仅是一个技术问题，而是一个关于我们希望创造什么样的digital society的fundamental choice。我们是否愿意accept一个linguistic uniformity的数字世界，还是努力create一个celebrate和protect linguistic diversity的technological ecosystem？这项研究给了我们tools来understand现状，但真正的challenge在于如何act upon these insights来create more inclusive AI systems。

研究团队最终强调，解决AI中的方言偏见需要多方面的努力：改进training data的diversity，发展更sophisticated fairness metrics，增强AI系统的cultural competence，以及建立appropriate regulatory frameworks。只有通过这些综合努力，我们才能ensure AI technology成为促进rather than威胁linguistic diversity的力量。

感兴趣的读者如希望深入了解研究的technical details和完整findings，可以通过arXiv:2509.13835访问完整论文。这项研究为我们理解AI时代的语言公平性问题提供了重要baseline，也为future research和policy development指明了方向。

Q&A

Q1：什么是方言偏见？AI系统为什么会有这种偏见？

A：方言偏见是指AI系统会根据用户使用的方言（如德国的巴伐利亚方言），自动认为他们教育程度较低、思想保守、适合体力工作等。这种偏见来源于AI训练数据中的社会刻板印象，系统学会了将方言与负面特征联系起来。

Q2：明确说明使用方言和暗示使用方言，哪种情况下AI偏见更严重？

A：令人意外的是，明确标注某人使用德国方言比仅仅让AI读方言文本产生的偏见更严重。在88%的决策任务测试中，直接说"这个人说巴伐利亚方言"比让AI自己从文本中推断产生的歧视更明显。

Q3：德国方言偏见对普通人的生活会有什么实际影响？

A：如果AI系统被用于招聘筛选、教育评估或服务推荐，说方言的人可能被系统性地推荐到较低技能的工作岗位，获得较简单的学习内容，或收到不适当的服务建议，从而影响他们的就业机会和生活质量。