arXiv cs.CL· Kalyan Bhetwal, Ceren Mert, Ian Whitehouse·· 2 天前AI 评分31
大语言模型中的姓名偏见研究
Name-Bias in Large Language Models
AI 导读
一项针对6个本地大语言模型的评估发现，模型在填空任务中系统性偏好刻板印象中男性化程度更低、更年长、更常见及白人姓名。研究基于30万条模型回复，发现性别偏见最显著，其次为年龄、姓名流行度和种族，且姓名偏见高度依赖句子模板。
正文 · AI 翻译
摘要：姓名带有年龄、性别和种族等人口统计指标，这使其成为大型语言模型（LLM）中一个微妙但强烈的偏见目标。在这项工作中，我们对 6 个本地大型语言模型进行了基于姓名的偏见评估，这些模型来自多个提供商并涵盖不同参数规模。通过填空任务，我们提示这些模型在取自美国社会保障管理局数据集和 Rosenman 等人的种族分类数据集的名字对之间进行选择。我们的实验设计通过平衡的名字配对和具有固定句法结构的句子模板，分离出年龄和性别效应。在 300,000 条本地 LLM 响应中，我们发现了持续且可测量的姓名偏见。模型偏好那些不那么刻板男性化、更年长、更常见以及白人的名字。此外，我们发现姓名偏见高度依赖于句子，但不比相关刻板印象更强，而性别是最显著的偏见，其次是年龄、姓名流行度和种族。我们的结果表明，即使在本地 LLM 中，基于姓名的偏见仍然普遍存在，凸显了标准化评估方法和缓解策略的必要性。
| 学科： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.22053 [cs.CL] |
| （或 arXiv:2610.22053v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.22053 arXiv 颁发的 DOI，通过 DataCite（待注册） |
提交历史
来自：Kalyan Bhetwal [查看电子邮件]
[v1]
2026年10月15日星期四 15:19:55 UTC（99 KB）
来源：arXiv cs.CL · arxiv.org