論文の概要: Personality Shapes Gender Bias in Persona-Conditioned LLM Narratives Across English and Hindi: An Empirical Investigation
- arxiv url: http://arxiv.org/abs/2604.23600v1
- Date: Sun, 26 Apr 2026 08:25:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:07.453929
- Title: Personality Shapes Gender Bias in Persona-Conditioned LLM Narratives Across English and Hindi: An Empirical Investigation
- Title（参考訳）: 英語とヒンディー語におけるパーソナリティとジェンダーバイアス : 実証的研究
- Abstract要約: 英語とヒンディー語におけるペルソナ条件の物語生成に関する制御された研究について述べる。
性格特性は男女差の大きさと方向の両方に大きく関連していることがわかった。
- 参考スコア（独自算出の注目度）: 16.70411532307821
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large Language Models (LLMs) are increasingly deployed in persona-driven applications such as education, customer service, and social platforms, where models are prompted to adopt specific personas when interacting with users. While persona conditioning can improve user experience and engagement, it also raises concerns about how personality cues may interact with gender biases and stereotypes. In this work, we present a controlled study of persona-conditioned story generation in English and Hindi, where each story portrays a working professional in India producing context-specific artifacts (e.g., lesson plans, reports, letters) under systematically varied persona gender, occupational role, and personality traits from the HEXACO and Dark Triad frameworks. Across 23,400 generated stories from six state-of-the-art LLMs, we find that personality traits are significantly associated with both the magnitude and direction of gender bias. In particular, Dark Triad personality traits are consistently associated with higher gender-stereotypical representations compared to socially desirable HEXACO traits, though these associations vary across models and languages. Our findings demonstrate that gender bias in LLMs is not static but context-dependent. This suggests that persona-conditioned systems used in real-world applications may introduce uneven representational harms, reinforcing gender stereotypes in generated educational, professional, or social content.
- Abstract（参考訳）: 大規模言語モデル(LLM)は、教育、カスタマーサービス、ソーシャルプラットフォームといったペルソナ駆動のアプリケーションにますます多くデプロイされており、そこでは、モデルがユーザと対話する際に特定のペルソナを採用するように促される。
ペルソナ条件付けはユーザー体験とエンゲージメントを改善することができるが、パーソナリティの手がかりがジェンダーバイアスやステレオタイプとどのように相互作用するかという懸念も引き起こす。
本研究では,HEXACOとダークトライアドの枠組みから,システマティックに変化するペルソナのジェンダー,職業的役割,人格的特性の下で,それぞれの物語がインドで作業する専門家(例:授業計画,報告,手紙)を創造する,イングリッシュとヒンディー語におけるペルソナ条件の物語生成に関する制御された研究を提案する。
23,400件にまたがって、6つの最先端のLCMから生成された物語から、性格特性が男女差の大きさと方向の両方に大きく関連していることが判明した。
特に、ダークトライアドの性格特性は、モデルや言語によって異なるが、社会的に望ましいHEXACOの特徴と比較して、より高い性別・ステレオタイプ表現と一貫して関連付けられている。
以上の結果から,LSMの性別バイアスは静的ではないが文脈依存であることがわかった。
このことは、現実世界のアプリケーションで使用されるペルソナ条件付きシステムは、生成した教育、専門家、社会コンテンツにおけるジェンダーステレオタイプを強化し、不均一な表現的害をもたらす可能性があることを示唆している。
関連論文リスト
- Investigating Gender Bias in LLM-Generated Stories via Psychological Stereotypes [8.091664636677637]
本研究では,大規模言語モデル(LLM)におけるジェンダーバイアスについて,心理学で研究されたジェンダーステレオタイプを用いて検討する。
我々は,25の心理的ステレオタイプから1,2,6のランダム属性に無条件または条件付きのいずれかの短いストーリーを含むStereoBias-Storiesという新しいデータセットを紹介した。
これらの属性に反応して、全体の物語におけるジェンダーコントリビューションがどのように変化するかを分析し、3つの重要な知見を提示する。
論文 参考訳（メタデータ） (2025-08-05T10:10:26Z) - From Individuals to Interactions: Benchmarking Gender Bias in Multimodal Large Language Models from the Lens of Social Relationship [13.416624729344477]
我々はジェネレス(Genres)について紹介する。ジェネレス(Genres)は、MLLMにおけるジェンダーバイアスを評価するための新しいベンチマークである。
本研究は,MLLMにおける性差の微妙な性差の診断における関係認識ベンチマークの重要性を裏付けるものである。
論文 参考訳（メタデータ） (2025-06-29T06:03:21Z) - More Women, Same Stereotypes: Unpacking the Gender Bias Paradox in Large Language Models [3.154053412440065]
大規模言語モデル(LLM)は自然言語処理に革命をもたらしたが、社会的偏見を反映または増幅する傾向について懸念が持たれている。
本研究では,LSMにおける性別バイアスを明らかにするための新しい評価枠組みを提案する。
10の著名なLSMの体系的な分析は、職業全体にわたって女性キャラクターを過剰に表現する一貫したパターンを示している。
論文 参考訳（メタデータ） (2025-03-20T07:15:45Z) - Gender Bias in Text-to-Video Generation Models: A case study of Sora [63.064204206220936]
本研究では,OpenAIのテキスト・ビデオ生成モデルであるSoraにおけるジェンダーバイアスの存在について検討した。
性別ニュートラルとステレオタイププロンプトの多種多様なセットから生成されたビデオを分析し、バイアスの有意な証拠を明らかにした。
論文 参考訳（メタデータ） (2024-12-30T18:08:13Z) - Revealing and Reducing Gender Biases in Vision and Language Assistants (VLAs) [82.57490175399693]
画像・テキスト・ビジョン言語アシスタント(VLA)22種における性別バイアスの検討
以上の結果から,VLAは実世界の作業不均衡など,データ中の人間のバイアスを再現する可能性が示唆された。
これらのモデルにおける性別バイアスを排除するため、微調整に基づくデバイアス法は、デバイアス化と性能維持の最良のトレードオフを実現する。
論文 参考訳（メタデータ） (2024-10-25T05:59:44Z) - Inclusivity in Large Language Models: Personality Traits and Gender Bias in Scientific Abstracts [49.97673761305336]
我々は,3つの大きな言語モデル (LLM) を,人間の物語スタイルと潜在的な性別バイアスに適合させることで評価した。
以上の結果から,これらのモデルは一般的にヒトの投稿内容によく似たテキストを生成するが,スタイル的特徴の変化は有意な性差を示すことが示唆された。
論文 参考訳（メタデータ） (2024-06-27T19:26:11Z) - Leveraging Large Language Models to Measure Gender Representation Bias in Gendered Language Corpora [9.959039325564744]
大規模言語モデル(LLM)は、しばしば、トレーニングデータに埋め込まれた社会的バイアスを継承し、増幅する。
性バイアスとは、特定の役割や特性と特定の性別の関連性である。
ジェンダー表現バイアスは、性別の異なる個人への参照の不平等な頻度である。
論文 参考訳（メタデータ） (2024-06-19T16:30:58Z) - Hire Me or Not? Examining Language Model's Behavior with Occupation Attributes [7.718858707298602]
大規模言語モデル(LLM)は、採用やレコメンデーションシステムなど、プロダクションパイプラインに広く統合されている。
本稿では、職業意思決定の文脈において、ジェンダーステレオタイプに関するLCMの行動について検討する。
論文 参考訳（メタデータ） (2024-05-06T18:09:32Z) - Are Personalized Stochastic Parrots More Dangerous? Evaluating Persona
Biases in Dialogue Systems [103.416202777731]
我々は、対話モデルが採用するペルソナに付随する有害な行動の感度であると定義する「ペルソナバイアス」について検討する。
我々は,人格バイアスを有害な表現と有害な合意のバイアスに分類し,攻撃性,有害継続性,関連性,ステレオタイプ合意,および有害合意の5つの側面において,人格バイアスを測定する包括的な評価枠組みを確立する。
論文 参考訳（メタデータ） (2023-10-08T21:03:18Z) - Towards Understanding and Mitigating Social Biases in Language Models [107.82654101403264]
大規模事前訓練言語モデル(LM)は、望ましくない表現バイアスを示すのに潜在的に危険である。
テキスト生成における社会的バイアスを軽減するためのステップを提案する。
我々の経験的結果と人的評価は、重要な文脈情報を保持しながらバイアスを緩和する効果を示す。
論文 参考訳（メタデータ） (2021-06-24T17:52:43Z) - Multi-Dimensional Gender Bias Classification [67.65551687580552]
機械学習モデルは、性別に偏ったテキストでトレーニングする際に、社会的に望ましくないパターンを不注意に学習することができる。
本稿では,テキスト中の性バイアスを複数の実用的・意味的な次元に沿って分解する一般的な枠組みを提案する。
このきめ細かいフレームワークを用いて、8つの大規模データセットにジェンダー情報を自動的にアノテートする。
論文 参考訳（メタデータ） (2020-05-01T21:23:20Z)
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。