Pressing Matters How AI Irons Out Epistemic Friction and Smooths Over Diversity Questions pressantes Comment l’IA élimine les frictions épistémiques et atténue la diversité

Abstract

This paper explores how Large Language Models (LLMs) foster the homogenization of both style and content and how this contributes to the epistemic marginalization of underrepresented groups. Utilizing standpoint theory, the paper examines how biased datasets in LLMs perpetuate testimonial and hermeneutical injustices and restrict diverse perspectives. The core argument is that LLMs diminish what Jose Medina calls “epistemic friction,” which is essential for challenging prevailing worldviews and identifying gaps within standard perspectives, as further articulated by Miranda Fricker (Medina 2013, 25). This reduction fosters echo chambers, diminishes critical engagement, and enhances communicative complacency. AI smooths over communicative disagreements, thereby reducing opportunities for clarification and knowledge generation. The paper emphasizes the need for enhanced critical literacy and human mediation in AI communication to preserve diverse voices. By advocating for critical engagement with AI outputs, this analysis aims to address potential biases and injustices and ensures a more inclusive technological landscape. It underscores the importance of maintaining distinct voices amid rapid technological advancements and calls for greater efforts to preserve the epistemic richness that diverse perspectives bring to society.

Keywords:

• algorithmic bias,
• artificial intelligence,
• echo chambers,
• epistemic friction,
• epistemic injustice,
• standpoint theory

Résumé

Cet article examine la façon dont les grands modèles de langage (GML) favorisent l’homogénéisation du style et du contenu et dont ils contribuent à la marginalisation épistémique des groupes sous-représentés. En s’appuyant sur la théorie du point de vue, l’article explique comment les ensembles de données biaisés des GML perpétuent les injustices testimoniales et herméneutiques et limitent les différents points de vue. L’argument principal est que les GML atténuent ce que Jose Medina appelle la « friction épistémique », qui est essentielle pour remettre en question les visions du monde qui sont prédominantes et déceler les lacunes dans les points de vue courants, comme l’explique Miranda Fricker (Medina 2013, 25). Cette réduction favorise les chambres d’écho, diminue l’engagement critique et renforce la complaisance dans la communication. L’IA concilie les désaccords de communication, réduisant ainsi les possibilités de clarification et de création du savoir. L’article souligne la nécessité d’améliorer la littératie critique et la médiation humaine dans la communication par l’IA afin de préserver la diversité des voix. En préconisant un engagement critique à l’égard des résultats de l’IA, cette analyse vise à lutter contre les préjugés et les injustices potentiels et à garantir un environnement technologique plus inclusif. Elle souligne l’importance de maintenir des voix distinctes dans un contexte où la technologie évolue rapidement et appelle à redoubler d’efforts pour préserver la richesse épistémique que les différents points de vue apportent à la société.

Mots-clés :

• biais algorithmique,
• intelligence artificielle,
• chambres d’écho,
• friction épistémique,
• injustice épistémique,
• théorie du point de vue