Badacze z arXiv zidentyfikowali siedem cech językowych, które wzmacniają preferencję modelu Llama-3.2-1B wobec pro-zwierzęcego rozumowania, oraz dwie cechy, które tę preferencję osłabiają. Analiza przeprowadzona na kontrolowanym benchmarku ochrony zwierząt wykazała statystycznie istotne przesunięcia w ośmiu z dziesięciu badanych cech lingwistycznych. Najbardziej skuteczne okazały się asertywne stwierdzenia pewności, jawny słownik moralny, słowa o zabarwieniu emocjonalnym, eksplicytne oceny ewaluacyjne, struktura narracyjna, opisanie zakresu zaobserwowanego cierpienia i czasowe osadzenie na osi teraźniejszości.
Language z zastrzeżeniami i konkretnymi opisami sensorycznymi miała odwrotny efekt - osłabiała pro-zwierzęce stanowisko mimo zawartości treści profilantropijnej. Perspektywa pierwszoosobowa nie wykazała statystycznie istotnego wpływu. Badanie sugeruje, że w kontekście trwającego treningu dużych modeli języka na coraz większych zbiorach tekstów ze świata, sposób w jaki opisuje się kwestie ochrony zwierząt ma bezpośredni wpływ na to, jakie stanowiska będą później preferować systemy AI.
Praktyczne implikacje tej pracy są znaczące dla osób tworzących zawartość o ochronie zwierząt - asymetryczna zależność między sposobem wysłowienia a wpływem na modele AI oznacza, że asercja własnej pozycji jest skuteczniejsza niż neutralna, opisowa narracja. Cechy które sprawiają, że stanowisko jest eksplicytne, są tym samym bardziej wpływowe na kształtowanie się preferencji sieci neuronowych, podczas gdy zachowywanie neutralności i sensorycznej konkretyzacji zmniejsza siłę pro-zwierzęcego przesłania w oczach LLM.