Hoe taal- en culturele vooroordelen in GenAI te overwinnen

In 2025 domineren ChatGPT en AI-geactiveerde Google-zoekopdrachten, maar het is cruciaal om verschillende communicatiemodussen in gedachten te houden. Generatieve AI (GenAI) is voornamelijk tekstgebaseerd en functioneert in het Engels, wat de gebruiksscenario’s voor niet-moedertaalsprekers kan isoleren.

Hoewel Engels door minder dan 20% van de wereldbevolking als moedertaal wordt gesproken, maakt het 67,3% van de websites uit. Veel GenAI-platforms zijn getraind in de Engelse taal, wat betekent dat communicatie kan worden vertekend in werkomgevingen die meerdere talen of culturen betreffen.

Communicatie is zo veel meer dan letters op een scherm: het omvat toon, lichaamstaal, gezichtsuitdrukkingen, ritme en culturele nuances, om er maar een paar te noemen. Organisaties die GenAI implementeren, moeten ervoor zorgen dat ze ook potentieel taal- en culturele vooroordelen mitigeren, vooral gezien het feit dat we in een geglobaliseerde wereld leven.

Waarom stem nog steeds belangrijk is

Er zijn meerdere theorieën die de belangrijkheid van multimodale communicatie uitbreiden, vooral binnen multiculturele en meertalige settings.

Een van de meest prominente is Edward T. Halls theorie over hoge- en lage-contextculturen. Hall schetst de inherente verschillen in hoe verschillende culturen communiceren. Hoge-contextculturen, die in veel Aziatische landen worden aangetroffen, vertrouwen op indirecte en non-verbale signalen in communicatie. Japans is bijvoorbeeld een hoge-contexttaal, waarbij onomatopee en subtiele verschuivingen in expressie de intentie en inferentie dramatisch beïnvloeden.

Lage-contextculturen, daarentegen, zoals veel van die in het Westen (de VS en veel Europese landen), vertrouwen op directe en verbale communicatie. Aangezien lage-contextculturen tendens hebben om explicieter te zijn, past digitale tekstgebaseerde messaging naadloos in hun communicatie-weefsel. Het contextualiseren van de overwegend tekstgebaseerde kenmerken van GenAI tegen deze theorie, is het geen verrassing dat mensen uit hoge-contextculturen, met name niet-moedertaalsprekers van het Engels, moeite hebben om effectief te communiceren met deze tools.

In een geïnternationaliseerde zakelijke omgeving, waar mensen van alle achtergronden samenkomen, kan het ontbreken van subtiele signalen zoals lichaamstaal en toon de communicatie met AI aanzienlijk minder betrouwbaar maken. Digitale of technologiegebaseerde communicatie, in het bijzonder die via GenAI-tools, moet andere modi omvatten dan alleen tekstgebaseerde messaging.

Het probleem van Engelse vooroordelen in GenAI

Er zijn ook ernstige bezorgdheden geuit over vooroordelen in AI-detectors (die ironisch genoeg door AI worden aangedreven) tegen niet-moedertaalsprekers van het Engels. Bovendien suggereert recent onderzoek in de wetenschap dat tot 38% van de niet-moedertaalsprekers van het Engels wordt afgewezen door tijdschriften vanwege een waargenomen taalbarrière. De auteur van dit onderzoek stelt dat het doorbreken van taalbarrières de sleutel is tot kennisdeling.

Onderzoekers waarschuwen voor het ontbreken van taaldiversiteit in LLM’s en de risico’s van het uitsluiten van grote aantallen mensen die geen moedertaalsprekers van het Engels zijn. Dit is een diepgeworteld probleem dat beperkt hoe mensen met AI-tools kunnen omgaan.

Het is ook een probleem dat moet worden aangepakt, gezien 95% van de Amerikaanse bedrijven GenAI heeft geadopteerd. Deze technologie wordt steeds vaker toegepast in drukke werkomgevingen zoals fabrieksvloeren. Niet-moedertaalsprekers van het Engels worden echter vaak buiten de besluitvorming gehouden bij het bespreken van AI-implementatiestrategieën.

Laten we eens kijken naar wat barrières voor succesvolle AI-adoptie er in het echte leven zijn. Niet-moedertaalsprekers van het Engels hebben moeite met prompts, wat leidt tot scheve uitvoer en risico’s van misinterpreteerde informatie of instructies. Bijvoorbeeld, Vietnamese fabrikanten met een beperkte kennis van het Engels vertrouwen op Engelse vertalingen via GenAI voor instructies. Dat zorgt voor een enorme ruimte voor fouten, omdat de context en meer subtiele signalen zijn weggenomen.

Bovendien worden vertrouwen en vertrouwen ondermijnd. Dit kan de weerstand tegen het gebruik van technologie in workflows verhogen, terwijl het de moraal en motivatie van werknemers ondermijnt.

De kloof dichten

Deze barrières en uitdagingen moeten zo snel mogelijk worden aangepakt. Om het speelveld rond GenAI-adoptie te nivelieren, moeten culturele en linguïstische nuances in overweging worden genomen. Er zijn verschillende strategieën die organisaties kunnen implementeren om deze kloven te overbruggen en GenAI-adoptie te bouwen voor een meertalige toekomst.

Cognitieve en analytische kaders incorporeren

Een bijzonder nuttig cognitief kader is de OODA-lus, ontwikkeld door de bekende gevechtsvlieger John Boyd. De vijf componenten van “oriënteren” die deel uitmaken van een van de vier stappen van de OODA-lus – genetisch erfgoed, culturele tradities, eerdere ervaringen, nieuwe informatie en analyse/synthese – kunnen worden toegepast om te begrijpen hoe individuele beslissingen worden beïnvloed door invoer.

Mijn aanbeveling is om taal te behandelen als een deel van ‘culturele tradities’ en speciale aandacht te besteden aan het ‘genetisch erfgoed’ en de ‘analyse/synthese’ van individuen. Hier is een uitleg van hoe elk onderdeel een rol speelt bij het trainen van AI-modellen om linguïstisch breder te worden.

• Genetisch erfgoed (ingebouwde menselijke trekken): train AI-systemen om universele signalen zoals toon en ritme te detecteren die tussen talen en culturen worden gedeeld. Een multimodale benadering van GenAI die stem, tekst en video-signalen omvat – niet alleen tekst.

• Culturele tradities: creëer datasets om bepaalde taalkarakteristieken te vangen, zoals onomatopee en contextzware vormen van communicatie. Curate modellen voor regio’s in plaats van een universeel model te gebruiken dat niet zo cultureel of linguïstisch flexibel is.

• Eerdere ervaringen: mensen zijn meer geneigd om systemen te vertrouwen die hun geleefde realiteit weerspiegelen. Bijvoorbeeld, werknemers in Vietnam of Japan zullen AI anders gebruiken dan Amerikaanse teams, afhankelijk van hun niveau van blootstelling en vertrouwen in deze tools. Workshops waar lokale teams GenAI kunnen testen en oefenen. Ze kunnen dan feedback delen over hoe goed het hun linguïstische en culturele context weerspiegelt. Organisaties kunnen dan promptbibliotheken dienovereenkomstig aanpassen, met inachtneming van de use-cases van deze gidsen (fabrieksarbeiders geven de voorkeur aan visuele gidsen).

• Nieuwe informatie: GenAI-tools moeten continu worden bijgewerkt met echte wereldgegevens. Gebruik meertalige data-invoer over datasets zodat het geïntegreerde systeem de nuances van verschillende talen en communicatievormen leert.

• Analyse/synthese: hier gebeurt de afstemming tussen mensen en AI. Linguïstische gegevens en signalen zijn vaak gefragmenteerd, wat niet compatibel is met GenAI-modellen. Deze gegevens moeten worden omgezet in AI-verteerbare gegevens zodat ze vervolgens kunnen worden verwerkt en geanalyseerd om cultureel en linguïstisch flexibele uitvoer te genereren.

Praktische training voor beste praktijken

Werknemers moeten ook worden getraind in beste praktijken rond het aansturen van GenAI-platforms, met een focus op duidelijkheid. Promptbibliotheken kunnen buitengewoon nuttig zijn om teams vertrouwd te maken met de beste praktijken voor prompts.

Belangrijk is dat in AI-trainingworkshops, ik ook aanbeveel om in te zoomen op principes zoals eerlijkheid en transparantie. Deze zijn fundamentele aspecten van onbevooroordeelde AI-implementatie, en teams moeten ook goed op de hoogte zijn van het herkennen van tekenen van hallucinaties en vooroordelen, die taalbarrières verergeren.

Bovendien, vermijd ‘echo-kamers’ door ervoor te zorgen dat nieuwe informatie van AI niet alleen van een individu komt, maar van een breed scala aan bronnen. Echo-kamers zijn een aanzienlijk probleem in technologie, inclusief AI, waardoor bestaande vooroordelen worden versterkt en uitvoer wordt vertekend. Werknemers worden blootgesteld aan het risico om in een vooroordeelval te vallen en misleidende richtlijnen of informatie te volgen.

Ten slotte, erken dat elk AI-hulpmiddel, inclusief GenAI, moet worden behandeld als een ‘consultant’, niet als een strikte richtlijn. Teams moeten worden aangemoedigd om altijd een mens in te schakelen om eventuele verwarring te verduidelijken en het risico van misinformatie of misleiding te mitigeren.

AI transformeert bedrijfsprocessen, maar het is belangrijk om niemand achter te laten op weg. Het integreren van deze strategieën binnen AI-implementatie stelt bedrijven in staat om taalbarrières te overbruggen die anders vooroordelen en sneeuwbaleffecten zouden veroorzaken.