MARC

 008260126s2025        us                              c    eng  d
■001000017359848
■00520260202105224
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291566541
■035    ▼a(MiAaPQ)AAI32271834
■035    ▼a(MiAaPQ)umichrackham006210
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aSeth,  Agrima.
■24510▼aCultural  Variability  and  Bias  in  Online  Social  Interactions  and  Large  Language  Models
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a133  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-03,  Section:  B.
■500    ▼aAdvisor:  Toyama,  Kentaro.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2025.
■520    ▼aDespite  their  intended  global  usage,  most  technologies  are  designed  and  developed  within  narrow  cultural  frames,  reflecting  the  values  and  assumptions  of  their  often  Western  developers.  Thus,  when  deployed  across  cultures  without  consideration  of  different  cultural  viewpoints,  the  resulting  cultural  misalignment  fails  to  serve  diverse  cultural  contexts.  This  cultural  misalignment  actively  reinforces  cultural  logics  and  assumptions  that  could  inadvertently  perpetuate  existing  inequalities.  This  thesis  examines  the  intersection  of  culture  and  computing  through  three  studies  that  focus  on  understanding  the  cultural  biases  encoded  in  large  language  models  and  the  impact  of  culture  on  user  behavior  in  online  platforms.  To  assess  cultural  biases  in  LLMs,  the  first  study  evaluates  how  well  the  cultural  information  encoded  in  four  leading  publicly  available  LLMs  aligns  with  the  shared  cultural  understanding  of  members  from  one  Global  South  culture,  India.  The  second  study  introduces  a  prompt-based  framework  to  analyze  the  extent  of  biases  encoded  in  LLMs,  specifically  examining  underrepresentation  and  erasure  through  the  task  of  generating  responses  to  culturally  sensitive  questions  focused  on  social  dimensions  such  as  religion  and  caste.  Finally,  the  third  study  explores  how  cultural  values  drive  user  interactions  on  social  media  platforms  like  Snapchat,  which  deploy  uniform  features  globally,  by  analyzing  friendship  network  structures  and  content  consumption  patterns  among  users  across  73  countries.  My  first  study  finds  a  significant  lack  of  cultural  information  encoded  in  these  models,  with  performance  varying  substantially  across  subcultures  (states)  within  the  country  based  on  the  socio-economic  status  of  the  region  and  the  localized  nature  of  the  knowledge.  While  accuracy  was  high  for  some  subcultures,  model  performance  was  worse  for  regions  with  lower  socio-economic  status,  and  performance  declined  as  knowledge  became  more  culturally  localized.  My  second  study,  an  audit  of  caste  and  religious  identity  representation  in  LLM  outputs,  reveals  that  model  defaults  overwhelmingly  favor  socially  dominant  groups  regardless  of  their  numerical  representation,  and  that  light  prompt-based  interventions  prove  inconsistent  in  mitigating  these  biases.  These  two  studies  demonstrate  that  despite  user  feedback  requesting  corrections  and  diverse  outputs,  LLMs  consistently  favor  information  from  dominant  groups  and  globally  popular  cultural  elements,  and  they  do  not  adapt  their  generation  to  marginalized  or  locally  specific  perspectives.  This  reveals  that  while  information  about  subcultures  exists  within  the  models,  it  doesn't  surface  readily,  highlighting  that  the  issue  extends  beyond  missing  data  and  includes  problems  with  algorithmic  generation.  Finally,  my  third  study  shows  that  even  on  platforms  (such  as  Snapchat)  with  uniform  affordances  across  all  users,  cultural  values  drive  significant  differences  in  user  behavior,  such  as  friendship  network  structures  and  content  consumption  patterns  (Stories).  Specifically,  compared  to  collectivism,  individualism  and  high  relational  mobility  lead  to  the  formation  of  larger  and  less  egocentric  friendship  networks  and  negatively  moderate  the  effect  of  tie  strength  on  content  engagement.    Collectively,  these  studies  reveal  that  current  algorithmic  technologies  inadequately  serve  diverse  cultural  contexts,  demonstrating  the  need  for  a  conscious  effort  to  understand  and  incorporate  cultural  diversity  into  the  data  used  for  training  and  the  design  of  algorithms  that  operate  on  this  data  to  surface  culturally  diverse  information.  Finally,  through  its  examination  of  cultural  biases  in  LLM  and  cross-cultural  user  behaviors  on  social  media  platforms,  this  dissertation  contributes  to  the  growing  field  of  culturally  aware  computing  by  advancing  our  understanding  of  LLM  cultural  alignment  and  bias,  revealing  patterns  in  cross-cultural  digital  behavior,  and  providing  suggestions  for  frameworks  that  allow  for  developing  more  inclusive  computational  systems.
■590    ▼aSchool  code:  0127.
■650  4▼aComputer  science
■650  4▼aInformation  science
■650  4▼aInformation  technology
■653    ▼aResponsible  AI
■653    ▼aNatural  language  processing
■653    ▼aCross-cultural  AI
■653    ▼aHuman-computer  interaction
■653    ▼aFairness  and  ethics  in  AI
■690    ▼a0723
■690    ▼a0984
■690    ▼a0489
■690    ▼a0800
■71020▼aUniversity  of  Michigan▼bInformation.
■7730  ▼tDissertations  Abstracts  International▼g87-03B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359848▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서