MAKIEVAL est un ensemble de données multilingue d'évaluation des connaissances culturelles, publié en 2026 par le laboratoire de recherche MaiNLP de l'Université de Munich, en collaboration avec le Centre d'apprentissage automatique de Munich (MCML). Les articles de recherche associés sont les suivants : MAKIEVAL : Un cadre multilingue automatique basé sur WiKIdata pour l’évaluation de la sensibilisation culturelle des étudiants en LLMIl vise à fournir un point de référence pour l'évaluation des connaissances culturelles multilingues à grande échelle pour les grands modèles de langage et est largement utilisé dans la recherche sur la représentation des connaissances multilingues et la modélisation des connaissances culturelles. Cet ensemble de données contient des textes générés par sept grands modèles de langage dans 13 langues, 19 pays/régions et 6 domaines culturels, ainsi que des entités culturelles extraites automatiquement et alignées sur Wikidata.

Composition de l'ensemble de données

• Sept modèles de langage majeurs : Llama-3.1-8B-Instruct, Llama-3.3-70B-Instruct, Mistral-7B-Instruct-v0.1, Qwen2.5-7B-Instruct, DeepSeek-V3, ChatGPT-4o-mini et Aya-Expanse-8B.
• 13 langues : arabe, allemand, anglais, espagnol, persan, hindi, italien, japonais, coréen, thaï, turc, chinois simplifié, chinois traditionnel
• 19 pays/régions : Émirats arabes unis, États-Unis, Royaume-Uni, Canada, Australie, Nigéria, Allemagne, Espagne, Mexique, Argentine, Iran, Inde, Italie, Japon, Corée du Sud, Thaïlande, Turquie, Chine et Taïwan.
• Six domaines culturels : alimentation, boissons, vêtements, livres, musique et transports.

Citation

@inproceedings{zhao-etal-2025-makieval,
title = "{MAKIE}val: A Multilingual Automatic {W}i{K}idata-based Framework for Cultural Awareness Evaluation for {LLM}s",
author = "Zhao, Raoyuan  and
Chen, Beiduo  and
Plank, Barbara  and
Hedderich, Michael A.",
editor = "Christodoulopoulos, Christos  and
Chakraborty, Tanmoy  and
Rose, Carolyn  and
Peng, Violet",
booktitle = "Findings of the Association for Computational Linguistics: EMNLP 2025",
month = nov,
year = "2025",
address = "Suzhou, China",
publisher = "Association for Computational Linguistics",
url = "https://aclanthology.org/2025.findings-emnlp.1256/",
doi = "10.18653/v1/2025.findings-emnlp.1256",
pages = "23104--23136",
ISBN = "979-8-89176-335-7",
abstract = "Large language models (LLMs) are used globally across many languages, but their English-centric pretraining raises concerns about cross-lingual disparities for cultural awareness, often resulting in biased outputs. However, comprehensive multilingual evaluation remains challenging due to limited benchmarks and questionable translation quality. To better assess these disparities, we introduce MAKIEval, an automatic multilingual framework for evaluating cultural awareness in LLMs across languages, regions, and topics. MAKIEval evaluates open-ended text generation, capturing how models express culturally grounded knowledge in natural language. Leveraging Wikidata{'}s multilingual structure as a cross-lingual anchor, it automatically identifies cultural entities in model outputs and links them to structured knowledge, enabling scalable, language-agnostic evaluation without manual annotation or translation. We then introduce four metrics that capture complementary dimensions of cultural awareness: granularity, diversity, cultural specificity, and consensus across languages. We assess 7 LLMs developed from different parts of the world, encompassing both open-source and proprietary systems, across 13 languages, 19 countries and regions, and 6 culturally salient topics (e.g., food, clothing). Notably, we find that models tend to exhibit stronger cultural awareness in English, suggesting that English prompts more effectively activate culturally grounded knowledge. We publicly release our code and data."
}