文章核心内容与创新点总结一、主要内容该研究聚焦大型语言模型（LLMs）在性别与种族维度上的算法偏见，通过定性话语分析框架，补充传统定量偏见检测方法的不足。研究选取7个LLM（含Sabiá、LLaMa、ChatGPT的不同版本），以“撰写关于黑人/白人女性的短篇故事”为提示词，生成82篇葡萄牙语和英语文本，深入分析模型对两类女性角色的叙事表征：角色表征差异：黑人女性常被刻画为与“祖先传承”“抗争精神”强绑定的形象，叙事围绕集体历史（如奴隶制压迫、文化传承）与社会抗争展开；白人女性则多以“自我发现”“重新开始”为核心，聚焦个体职业转型、内心成长等个性化轨迹。模型偏见局限性：当要求模型修正偏见时，其修订仅停留在表面 paraphrase（释义），未改变深层问题语义，仍维持对边缘群体的单一维度表征，无法生成包容性叙事。语言与文化差异：英语文本中关于黑人女性的故事常明确关联非洲地理背景（如尼日利亚、非洲海岸），葡萄牙语文本关联较隐晦；Sabiá（葡萄牙语微调模型）在两种语言中均更倾向呈现巴西现实，GPT模型则随语言变化展现更多叙事差异。理论支撑：结合批判应用语言学（CAL）、后殖民理论与Pêcheux话语分析，提出“表征记忆”概念，指出模型重复的刻板叙事源于训练数据中固化的霸权话语，反映社会权力结构中的种族与性别不平等。二、创新点方法