Hoewel moderne kunstmatige intelligentie in staat is om een redelijk accuraat beeld te schetsen van de huidige culturele status van diverse landen, worstelen deze systemen met het begrijpen van maatschappelijke veranderingen over een langere periode. Een recente analyse legt bloot dat de zogenaamde culturele intelligentie van AI-modellen beperkt blijft tot statische momentopnames, waardoor de dynamiek van culturele evolutie verloren gaat.
In de wetenschappelijke publicatie "Accurate in space, unreliable in time", die op 1 september 2026 verscheen via arxiv.org, onderzoeken Yalda Daryani, Miranda Bogen en Madeleine I. G. Daepp de culturele trajecten van 40 verschillende naties. De onderzoeksters baseerden hun analyse op gegevens van de World Values Survey, die over een periode van ruim twintig jaar zijn verzameld. De centrale stelling van het onderzoek is dat een werkelijk cultuurbewust model niet enkel de huidige positie van een samenleving moet kennen, maar ook het proces en de richting van de verschuivingen die tot die positie hebben geleid.
De resultaten van de studie, waarbij vier geavanceerde taalmodellen werden getoetst aan de culturele kaart van Inglehart-Welzel, tonen een problematisch patroon. Hoewel de modellen landen vaak correct kunnen plaatsen op basis van recente gegevens, treden er grote fouten op zodra de tijdlijn een rol speelt. Volgens de vertonen de systemen een vorm van 'temporal flattening', waarbij de complexiteit van culturele evolutie wordt versimpeld of volledig genegeerd.
Concreet wijst het onderzoek op verschillende tekortkomingen. Ten eerste is er sprake van een tijdsvertraging, waarbij de representaties van de AI vaak jaren achterlopen op de werkelijke, meest recente maatschappelijke posities. Daarnaast onderschatten de modellen de omvang van culturele veranderingen. Opvallend is dat de AI soms beweging suggereert in culturele trajecten terwijl er in werkelijkheid nauwelijks sprake was van verschuiving. Bovendien lukt het de modellen zelden om situaties waarin culturele trajecten van richting veranderen correct te reproduceren.
De technologische basis van deze systemen is complex. ibcom dat Large Language Models (LLM's) steunen op machine learning en transformer-architecturen, waarbij technieken zoals vector embedding en attention-mechanismen worden gebruikt om patronen in enorme hoeveelheden data te herkennen. Ondanks deze geavanceerde rekenkracht blijkt dat de huidige evaluatiemethoden, die vaak uitgaan van een statisch beeld, een misleidend optimistisch beeld geven van de culturele competentie van AI.
Deze bevindingen hebben significante implicaties voor de governance van AI. Wanneer modellen een verouderd of incompleet beeld hebben van culturele waarden, kan dit leiden tot representatieve schade, zeker nu culturele alignment een prioriteit is bij de ontwikkeling van LLM's. De onderzoekers concluderen dat focus op enkel de huidige nauwkeurigheid onvoldoende is. Voor een rechtvaardige en veilige inzet van AI is het cruciaal dat systemen ook de historische context en de richting van maatschappelijke transformaties kunnen vatten. Zonder deze temporele precisie blijven beperkt in hun vermogen om de diversiteit van wereldwijde perspectieven op een correcte manier te reflecteren.