arXiv cs.CL· Mahika Phutane, Hayoung Jung, Matthew Kim, Tanushree Mitra, Aditya Vashistha·· 6 天前AI 评分33
ABLEIST：LLM 招聘场景中的交叉性残障偏见
ABLEIST: Intersectional Disability Bias in LLM-Generated Hiring Scenarios
AI 导读
研究对 6 个 LLM 在 2,820 个招聘场景中展开审计，覆盖残障、性别、国籍与种姓等画像，并提出 ABLEIST 指标集，包含 5 项残障歧视专属指标与 3 项交叉性伤害指标。结果显示，针对残障候选人的 ABLEIST 伤害显著上升，且许多 SOTA 模型未能检出；性别与种姓边缘化的残障候选人还面临 Tokenism 等交叉性伤害加剧。
正文 · AI 翻译
摘要：大型语言模型（LLM）在招聘等高风险领域中延续基于身份的歧视，尤其是对残障人士（PwD）的歧视，正日益受到审视。然而，现有研究在很大程度上以西方为中心，忽视了性别和种姓等交叉形式的边缘化如何塑造全球南方残障人士的经历。我们对六个 LLM 在 2,820 个招聘场景中进行了全面审计，这些场景涵盖了不同的残障、性别、国籍和种姓特征。为了捕捉细微的交叉性伤害和偏见，我们引入了 ABLEIST（Ableism, Inspiration, Superhumanization, and Tokenism），这是一组基于残障研究文献的五个残障歧视特定指标和三个交叉性伤害指标。我们的结果揭示，针对残障候选人的 ABLEIST 伤害显著增加——许多最先进的模型未能检测到这些伤害。对于性别和种姓边缘化的残障候选人，交叉性伤害（例如 Tokenism）的急剧增加进一步放大了这些伤害，凸显了当前安全工具的关键盲点，以及在招聘等高风险领域对前沿模型进行交叉性安全评估的必要性。
| Comments: | To appear at AIES 2026. Please cite AIES version when the proceedings are available |
| Subjects: | 计算与语言（cs.CL）；人工智能（cs.AI）；计算机与社会（cs.CY）；人机交互（cs.HC）；机器学习（cs.LG） |
| 引用为： | arXiv:2510.10998 [cs.CL] |
| （或 arXiv:2510.10998v2 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2510.10998 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Hayoung Jung [查看电子邮件]
[v1]
2025年10月13日星期一 04:18:23 UTC（1,493 KB）
[v2]
2026年10月8日星期四 22:37:37 UTC（1,389 KB）
来源：arXiv cs.CL · arxiv.org