arXiv cs.CL· Noah Dasanaike·· 2 天前AI 评分30
大语言模型可从个人记录中朴素推断族裔
Large Language Models Naively Recover Ethnicity from Individual Records
AI 导读
一项已撤回的研究显示，大语言模型无需额外训练数据即可从姓名推断族裔，在佛罗里达和北卡罗来纳选民样本上准确率达 84.7%，超过 BISG 的 68.2%。测试涵盖 Gemini 3 Flash、GPT-4o、DeepSeek v3.2 和 GLM-4.7 等六个模型，启用扩展推理可提升 1-3 个百分点，加入党派登记等元数据可达 86.7%。
正文 · AI 翻译
本论文已被 Noah Dasanaike 撤回
摘要：我证明，大型语言模型可以在无需额外训练数据的情况下，从姓名中推断族裔，其准确率超过贝叶斯改进姓氏地理编码（BISG），从而能够在美国以外地区进行推断，并适用于符合语境的分类类别。使用佛罗里达州和北卡罗来纳州选民档案中具有自我报告种族的分层样本，基于 LLM 的分类在平衡样本上达到最高 84.7% 的准确率，优于 BISG（68.2%）。我测试了六个模型，包括 Gemini 3 Flash、GPT-4o，以及 DeepSeek v3.2 和 GLM-4.7 等开源替代方案。启用扩展推理可将准确率提高 1-3 个百分点，不过效果因语境而异；纳入政党登记等元数据可达到 86.7%。LLM 分类还减少了 BISG 固有的收入偏差，即较富裕社区的少数族裔会被系统性地误分类为白人。我进一步使用带有宗教教派的黎巴嫩选民登记（64.3% 准确率）、来自保留选区的印度议员（99.2%）以及带有种姓分类的印度土地记录（74.0%）进行了验证。使用原始全量选民名册在印度、乌干达、尼泊尔、亚美尼亚、智利和哥斯达黎加进行的汇总验证表明，在命名习惯具有显著特征的地方，该方法能够恢复已知的人口分布。对于大规模应用，在 LLM 标签上微调的小型 transformer 模型可超过 BISG 的准确率，同时能够以零成本进行本地部署。
| Comments: | 本论文已被 arXiv:2610.19048 取代（合并自 arXiv:2601.21132 和 arXiv:2601.21138） |
| Subjects: | 计算与语言（cs.CL） |
| Cite as: | arXiv:2601.21132 [cs.CL] |
| （或 arXiv:2601.21132v2 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2601.21132 arXiv 颁发的 DOI，经由 DataCite |
Submission history
来自：Noah Dasanaike [查看电子邮件]
[v1]
2026年1月29日星期四 00:17:58 UTC（33 KB）
[v2]
2026年10月15日星期四 01:58:16 UTC（1 KB） （已撤回）
来源：arXiv cs.CL · arxiv.org