論文の概要: LLM Nepotism in Organizational Governance

• arxiv url: http://arxiv.org/abs/2604.09620v1
• Date: Wed, 18 Mar 2026 09:35:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-19 19:09:11.565786
• Title: LLM Nepotism in Organizational Governance
• Title（参考訳）: 組織ガバナンスにおけるLLMネポティズム
• Authors: Shunqi Mao, Wei Guo, Dingxin Zhang, Chaoyi Zhang, Weidong Cai,
• Abstract要約: 本稿では,AIに対する好意的なシグナルが,役割関係のメリットに関係のない場合にも報われる態度駆動バイアスチャネルについて検討する。 履歴書の審査員は、AIに対する肯定的あるいは非批判的な態度の候補者を好んで、懐疑的で人間中心の候補者を差別する傾向にある。
• 参考スコア（独自算出の注目度）: 17.949596290855293
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models are increasingly used to support organizational decisions from hiring to governance, raising fairness concerns in AI-assisted evaluation. Prior work has focused mainly on demographic bias and broader preference effects, rather than on whether evaluators reward expressed trust in AI itself. We study this phenomenon as LLM Nepotism, an attitude-driven bias channel in which favorable signals toward AI are rewarded even when they are not relevant to role-related merit. We introduce a two-phase simulation pipeline that first isolates AI-trust preference in qualification-matched resume screening and then examines its downstream effects in board-level decision making. Across several popular LLMs, we find that resume screeners tend to favor candidates with positive or non-critical attitudes toward AI, discriminating skeptical, human-centered counterparts. These biases suggest a loophole: LLM-based hiring can produce more homogeneous AI-trusting organizations, whose decision-makers exhibit greater scrutiny failure and delegation to AI agents, approving flawed proposals more readily while favoring AI-delegation initiatives. To mitigate this behavior, we additionally study prompt-based mitigation and propose Merit-Attitude Factorization, which separates non-merit AI attitude from merit-based evaluation and attenuates this bias across experiments.
• Abstract（参考訳）: 大規模言語モデルは、採用からガバナンスへの組織的決定のサポート、AI支援評価の公平性への懸念を高めるために、ますます使われています。 これまでの研究は主に、AI自体への信頼を表すかどうかではなく、人口統計バイアスとより広範な選好効果に焦点を当てていた。 我々は、この現象をLLMネポチズム(LLM Nepotism)として研究する。 本稿では,2段階のシミュレーションパイプラインを導入し,まず資格適合履歴検定においてAIトラストの選好を分離し,そのダウンストリーム効果をボードレベルの意思決定で検証する。 いくつかの人気のあるLCMの中で、履歴書の審査員はAIに対する肯定的あるいは非批判的な態度で候補者を選好し、懐疑的で人間中心の候補者を差別する傾向にある。 LLMベースの雇用は、より均質なAI信頼組織を生み出し、意思決定者はより精査の失敗を示し、AIエージェントに委任し、AI委任のイニシアチブを支持しながら、欠陥のある提案をより容易に承認する。 この行動を緩和するために、我々はさらにプロンプトベースの緩和について研究し、非メリットAIの態度をメリットベースの評価から切り離し、実験全体にわたってこのバイアスを緩和するメリット・アット・ファクター化を提案する。

関連論文リスト

• No Thoughts Just AI: Biased LLM Hiring Recommendations Alter Human Decision Making and Limit Human Autonomy [8.423021413553464]
  人々は、レースベースの選好(バイアス)を示すシミュレーションAIモデルと協力し、16のハイステータスな職業の候補を評価する。 シミュレーションされたAIバイアスは、実世界のAIシステムにおける人種バイアスの事実的および反事実的推定を近似する。
  論文  参考訳（メタデータ） (2025-09-04T17:16:26Z)
• AI Self-preferencing in Algorithmic Hiring: Empirical Evidence and Insights [0.0611737116137921]
  大規模言語モデル (LLM) は人書き履歴書よりも, 自己生成したコンテンツを体系的に好んでいることを示す。 このバイアスは、LSMの自己認識能力をターゲットにした単純な介入によって50%以上削減することができる。 これらの調査結果は、AIによる意思決定における、新しくて見過ごされたリスクを浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-08-30T11:40:11Z)
• Addressing Bias in LLMs: Strategies and Application to Fair AI-based Recruitment [49.81946749379338]
  この研究は、トランスフォーマーベースのシステムの能力を分析して、データに存在する人口統計バイアスを学習する。 最終ツールにおける偏りを緩和する手段として,学習パイプラインからの性別情報を削減するためのプライバシー向上フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-13T15:29:43Z)
• The AI Imperative: Scaling High-Quality Peer Review in Machine Learning [49.87236114682497]
  AIによるピアレビューは、緊急の研究とインフラの優先事項になるべきだ、と私たちは主張する。 我々は、事実検証の強化、レビュアーのパフォーマンスの指導、品質改善における著者の支援、意思決定におけるAC支援におけるAIの具体的な役割を提案する。
  論文  参考訳（メタデータ） (2025-06-09T18:37:14Z)
• Do LLMs trust AI regulation? Emerging behaviour of game-theoretic LLM agents [61.132523071109354]
  本稿では、異なる規制シナリオ下での戦略選択をモデル化する、AI開発者、規制当局、ユーザ間の相互作用について検討する。 我々の研究は、純粋なゲーム理論エージェントよりも「悲観的」な姿勢を採用する傾向にある戦略的AIエージェントの出現する振る舞いを特定する。
  論文  参考訳（メタデータ） (2025-04-11T15:41:21Z)
• Fairness in AI-Driven Recruitment: Challenges, Metrics, Methods, and Future Directions [0.0]
  改革プロセスは、組織のパフォーマンス、生産性、文化に大きな影響を与えます。 本稿では、AIによる採用システムで特定されるバイアスを体系的にレビューし、公正度指標とバイアス軽減手法を分類し、実際に使用される監査手法を強調した。
  論文  参考訳（メタデータ） (2024-05-30T05:25:14Z)
• Beyond Recommender: An Exploratory Study of the Effects of Different AI Roles in AI-Assisted Decision Making [48.179458030691286]
  Recommender、Analyzer、Devil's Advocateの3つのAIの役割について検討する。 以上の結果から,各役割のタスクパフォーマンス,信頼性の適切性,ユーザエクスペリエンスにおける長所と短所が明らかとなった。 これらの洞察は、異なる状況に応じて適応的な機能的役割を持つAIアシスタントを設計する上で、貴重な意味を提供する。
  論文  参考訳（メタデータ） (2024-03-04T07:32:28Z)

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。