Une étude examine comment les frameworks de Génération Augmentée par Récupération (RAG) transmettent le biais idéologique des documents récupérés aux réponses des grands modèles de langage (LLM). La recherche identifie que la température d'échantillonnage influence significativement l'intensité de ce transfert idéologique.
- Les chercheurs ont appliqué l'Analyse Multidimensionnelle Lexicale à un corpus de 1 117 articles sur les traitements de la COVID-19 pour identifier trois discours idéologiques utilisés comme connaissances externes.
- Les LLM ont été testés sur des questions idéologiques à différentes températures d'échantillonnage, et leurs sorties ont été évaluées pour leur similarité sémantique et lexicale par rapport aux textes de référence.
- L'alignement discursif entre les réponses générées et les textes de référence atteint son pic à des températures modérées, équilibrant la stochasticité et l'ancrage par récupération.
- L'alignement diminue à basses températures, indiquant qu'un échantillonnage trop déterministe supprime le transfert du discours idéologique.
Les résultats soulignent que les systèmes RAG sont susceptibles d'amplifier ou de supprimer des positions idéologiques en fonction de leurs sources de récupération, la température servant de facteur de contrôle critique pour l'alignement discursif.