Estudi: encara que entrenis la IA en català, segueix pensant en anglès — el cas de la coca

«Coca Is Not Cocaine: Three Lexical-Cultural Collision Modes in Open-Weight LLMs, Probed in Catalan» és un estudi empíric publicat a GitHub per Xavier Vinaixa Roselló (Sorensen.ai) que prova si els grans models de llenguatge entenen els conceptes culturals catalans o els confonen amb les seves traduccions a l'anglès.

La pregunta central és deliberadament casolana: quan dius coca en català — un dolç tradicional, una pasta plana de la cuina catalana — el model té al cap el postre o té al cap la cocaïna i la Coca-Cola? Resposta empírica: 10 dels 11 models provats, sense context, col·loquen coca al costat dels anclatges de soroll (drogues, marques, begudes).

No és un cas anecdòtic: és un fenomen estructural de la geometria de l'espai latent. La col·lisió no depèn només de les dades d'entrenament — apareix també en els models entrenats explícitament per parlar català (Salamandra, ALIA) del Barcelona Supercomputing Center. La bona notícia: tots els models es recuperen amb un marc de prompt en català.

L'estudi analitza les relacions K-Nearest Neighbors (KNN) als espais d'embeddings de cada model, mesurant quants ancoratges del «clúster soroll» (cocaïna, Coca-Cola, drogues, begudes, marques) apareixen entre els 10 veïns més propers de la paraula coca. Es defineix un llindar preregistrat de ≥ 2 ancoratges de soroll fora del marc anglès per identificar una col·lisió estructural.

Cada model es prova amb quatre marcs de prompt diferents per aïllar l'efecte del context: bare (sense context), anglo_en (context en anglès), catalan_frame (marc cultural català) i neutral_ca (text neutre en català). Així es mesura no només la posició inicial de la paraula a l'espai latent, sinó també la capacitat de rescat del model en funció del marc lingüístic.

Tot el codi (Python), els CSVs amb les dades en brut, els scripts de reproducció i el report final són públics al repositori de GitHub. La metodologia detallada està documentada al fitxer metodologia.pdf i a docs/methodology.md.

Tot el material — codi en Python, datasets en CSV, scripts de reproducció, taules de resultats i la documentació completa — és codi obert i està al repositori de GitHub. Llicència MIT per al codi i CC-BY 4.0 per a les dades. La carpeta /docs conté: methodology.md, findings.md, limitations.md, related-work.md i reproduce.md.

Per citar l'estudi: Vinaixa Roselló, X. (2026). Coca Is Not Cocaine: Three Lexical-Cultural Collision Modes in Open-Weight LLMs, Probed in Catalan. GitHub. ORCID: 0009-0005-2769-9215.