ある研究は、検索拡張生成（RAG）フレームワークが、取得された資料から大規模言語モデル（LLM）の応答へとイデオロギー的バイアスをどのように伝達するかを調査している。この研究では、サンプリング温度がこのイデオロギー的転送の強度に大きく影響することが特定された。

  • 研究者らは、1,117件のCOVID-19治療記事からなるコーパスに対して多変量語彙分析を適用し、外部知識として使用される3つのイデオロギー的言説を特定した。
  • LLMは異なるサンプリング温度でイデオロギーに関する質問にテストされ、出力は参照テキストとの意味的および語彙的類似性について評価された。
  • 生成された回答と参照テキスト間の談話的アライメントは、確率性と検索による grounding のバランスを取る中程度の温度で最大になる。
  • アライメントは低温で低下し、過度に決定論的なサンプリングがイデオロギー的言説の転送を抑制することを示している。

これらの知見は、RAGシステムが取得元に基づいてイデオロギー的立場を増幅したり抑制したりしやすいこと、そして温度が談話的アライメントにとって重要な制御要因であることを浮き彫りにしている。