論文の概要: Quantifying Gender Bias in Large Language Models: When ChatGPT Becomes a Hiring Manager

• arxiv url: http://arxiv.org/abs/2604.00011v1
• Date: Tue, 10 Mar 2026 00:27:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 02:36:13.186657
• Title: Quantifying Gender Bias in Large Language Models: When ChatGPT Becomes a Hiring Manager
• Title（参考訳）: 大規模言語モデルにおけるジェンダーバイアスの定量化: ChatGPTが採用マネージャになったとき
• Authors: Nina Gerszberg, Janka Hamori, Andrew Lo,
• Abstract要約: 我々は,大規模言語モデルが社会的バイアスを持続する程度を定量化し,バイアス緩和手法としての迅速な工学を考察する。 以上の結果から, LLMは女性候補者を雇用し, 男性候補者に対する低い給与を推奨する傾向が示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The growing prominence of large language models (LLMs) in daily life has heightened concerns that LLMs exhibit many of the same gender-related biases as their creators. In the context of hiring decisions, we quantify the degree to which LLMs perpetuate societal biases and investigate prompt engineering as a bias mitigation technique. Our findings suggest that for a given resumé, an LLM is more likely to hire a female candidate and perceive them as more qualified, but still recommends lower pay relative to male candidates.
• Abstract（参考訳）: 日常生活における大きな言語モデル(LLM)の普及は、LLMが創造者と同じ性別に関するバイアスの多くを示すという懸念を高めている。 雇用決定の文脈では、LLMが社会的バイアスを持続する程度を定量化し、バイアス緩和技術として迅速なエンジニアリングを調査する。 以上の結果から, LLMは女性候補者を雇用し, 男性候補者に対する低い給与を推奨する傾向が示唆された。

関連論文リスト

• Gender and Positional Biases in LLM-Based Hiring Decisions: Evidence from Comparative CV/Résumé Evaluations [0.0]
  本研究は,言語モデル (LLM) の履歴やCVに基づく職業的候補の評価における行動について検討する。 すべてのLLMは、70の異なる職業にまたがる女性の名前の候補者を一貫して好んだ。 CVに性フィールド(男性/女性)を追加することで、女性応募者の嗜好がさらに高まった。
  論文  参考訳（メタデータ） (2025-05-16T06:19:35Z)
• Who Gets the Callback? Generative AI and Gender Bias [0.030693357740321777]
  大規模言語モデル(LLM)は特に高賃金の役割において男性を好む傾向にある。 求人広告における言語的特徴の包括的分析は、モデルレコメンデーションと伝統的なジェンダーステレオタイプとの強い整合性を示す。 我々の調査結果は、AIによる雇用が労働市場のバイアスを持続させ、企業内の公正性と多様性に影響を及ぼす可能性があることを強調している。
  論文  参考訳（メタデータ） (2025-04-30T07:55:52Z)
• Disclosure and Mitigation of Gender Bias in LLMs [64.79319733514266]
  大規模言語モデル(LLM)はバイアス応答を生成することができる。 条件生成に基づく間接探索フレームワークを提案する。 LLMにおける明示的・暗黙的な性バイアスを明らかにするための3つの戦略を探求する。
  論文  参考訳（メタデータ） (2024-02-17T04:48:55Z)
• Probing Explicit and Implicit Gender Bias through LLM Conditional Text Generation [64.79319733514266]
  大規模言語モデル(LLM)はバイアスと有害な応答を生成する。 本研究では,あらかじめ定義されたジェンダーフレーズやステレオタイプを必要としない条件付きテキスト生成機構を提案する。
  論文  参考訳（メタデータ） (2023-11-01T05:31:46Z)
• "Kelly is a Warm Person, Joseph is a Role Model": Gender Biases in LLM-Generated Reference Letters [97.11173801187816]
  大規模言語モデル(LLM)は、個人が様々な種類のコンテンツを書くのを支援する効果的なツールとして最近登場した。 本稿では, LLM 生成した参照文字の性別バイアスについて批判的に検討する。
  論文  参考訳（メタデータ） (2023-10-13T16:12:57Z)
• Public Perceptions of Gender Bias in Large Language Models: Cases of ChatGPT and Ernie [2.1756081703276]
  本研究では,大規模言語モデルにおけるジェンダーバイアスの認知度を評価するために,ソーシャルメディア上での議論の内容分析を行った。 人々は、個人使用における性別バイアスの観察と、LSMにおける性別バイアスに関する科学的知見の両方を共有した。 LLMにおけるジェンダーバイアスを規制するためのガバナンスレコメンデーションを提案する。
  論文  参考訳（メタデータ） (2023-09-17T00:53:34Z)
• Gender bias and stereotypes in Large Language Models [0.6882042556551611]
  本稿では,ジェンダーステレオタイプに関する大規模言語モデルの振る舞いについて考察する。 我々は、WinoBiasとは違って、性別バイアスの存在をテストするための単純なパラダイムを用いています。 a) LLMは、人の性別とステレオタイプ的に一致した職業を選択する確率が3～6倍、(b) これらの選択は、公務員の統計に反映された基礎的真実よりも人々の知覚に適合し、(d) LLMは、我々の研究項目の95%の時間において重要な曖昧さを無視する。
  論文  参考訳（メタデータ） (2023-08-28T22:32:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。