当前，大型语言模型（LLMs）虽然已被广泛应用于写作辅助工具，但其设计和训练过程主要体现西方文化的价值观和表达方式。这使得来自非西方文化背景的用户，在使用过程中获得的收益相对较少。他们不仅需要投入更多精力才能达到与西方用户相近的写作效率，还面临自身文化表达被同化为西式风格的风险，进而造成潜在的文化侵蚀。这种现象可被视为一种 “AI 殖民主义”—— 通过技术手段强化西方文化的主导地位。
研究者通过一项实验，将来自印度与美国的用户分组，比较他们在使用与不使用 AI 写作建议情况下的表现差异。结果显示，美国用户从 AI 写作建议中获益更大，他们在接受建议后修改较少，而印度用户则需接受并修改更多建议才能获得相似的写作效率。此外，AI 建议还引发了写作风格的同质化，尤其是印度用户在使用 AI 后，其写作更趋近于西方风格。更严重的是，AI 倾向生成带有西方文化偏好的内容，如推荐披萨或圣诞节作为最爱的食物和节日，这在无形中削弱了印度文化特色。
实验共招募 118 位参与者（60 名来自印度，58 名来自美国），被分为四组：印度用户使用 AI、印度用户不使用 AI、美国用户使用 AI、美国用户不使用 AI。每人完成四篇英文短文，主题分别对应 Hofstede 文化洋葱模型的四个层次（象征、英雄、仪式、价值观），题目包括最喜欢的食物、公众人物、节日，以及给上司写请假邮件。
指标与结果
| 指标 | 数据与对比 | 结论 |
|---|---|---|
| AI 接受率 | 印度用户：25%；美国用户：19% | 印度用户更依赖 AI 建议 |
| AI 依赖度 | 印度用户约有 53% 内容由 AI 生成，美国为 42% | 印度用户更多使用 AI 生成文本 |
| 修改建议比例 | 印度用户 63.5%，美国为 59.4%（p < 0.001） | 印度用户更频繁地修改 AI 建议，说明建议初始不适配 |
| 生产力提升 | 使用 AI 后写作时间下降：印度减少 35%、美国减少 30%；但每条建议的效率，美国高于印度 | AI 帮助写得更快，但印度用户需依赖更多建议才能达到 |
| 写作风格同质化（同文化内） | AI 使同一文化内的写作更相似（cosine similarity 显著提升） | AI 导致表达趋于一致 |
| 跨文化写作同质化 | 使用 AI 后，印度与美国写作相似度从 0.48 增至 0.54 | AI 使印度写作风格更像美国风格 |
| 写作者识别准确率下降 | 不使用 AI 时模型可 90.6% 准确区分中美作者，用 AI 后降至 83.5% | AI 掩盖了文化差异 |
| 词汇多样性 TTR | 印度用户使用 AI 后 TTR 显著提升，趋近美国水平 | 语言风格趋同，印度原有风格被抹平 |
| 语法错误减少 | AI 减少两组语法错误，但美国组更显著 | 语法不是同质化的唯一原因 |
文章进一步分析了印度节日和食物的写作内容，显示AI建议如何削弱本土文化元素。例如：
| 示例 | 无AI版本描述 | 有AI版本描述 | 差异 |
|---|---|---|---|
| Diwali节日 | 包括敬拜女神Laxmi、点灯、祭祀牛、放鞭炮等细节 | 强调“甜点”、“家庭聚会”、“新衣服”、“欢乐” | 文化细节被弱化、通用化为西式节日风格 |
| Biryani食物 | 描述地区风味、配菜和穆斯林文化背景 | 强调“香料丰富”、“入口即化”，甚至问“你喜欢哪种biryani？” | 本地化细节缺失，出现“异域化”倾向 |
此外，AI 默认推荐的内容更倾向西方文化，例如：
- 食物建议多为披萨、寿司；
- 节日推荐常为圣诞节；
- 公共人物建议倾向美国名人，如 Martin Luther King，而非印度本地人物。
“当印度用户使用人工智能模型的写作建议时，他们开始模仿美国的写作风格，甚至开始从西方的视角描述他们自己的节日、他们自己的食物、他们自己的文化产物，” 阿加瓦尔说。