論文の概要: Contaminated Collaboration: Measuring Gender Bias Transfer in LLM-Assisted Student Writing

• arxiv url: http://arxiv.org/abs/2606.15914v1
• Date: Sun, 14 Jun 2026 16:44:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 18:36:04.931499
• Title: Contaminated Collaboration: Measuring Gender Bias Transfer in LLM-Assisted Student Writing
• Title（参考訳）: 汚染されたコラボレーション: LLM支援学生によるジェンダーバイアス伝達の測定
• Abstract要約: LLM書記助手のジェンダーバイアスが学生が書いた職業計画エッセイに移行するかどうかを検討する。 偏見のある条件の学生は、コントロール条件と中立条件の学生よりもはるかに大きなエージェントギャップとジェンダーステレオタイプな職業提案を持つエッセイを作成した。 また, このバイアス伝達は非対称であり, エージェンシーは女性ターゲットエッセイにおいて抑制される一方, 男性ターゲットの執筆は影響を受けないままである。
• 参考スコア（独自算出の注目度）: 1.8393763289985177
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Gender bias in LLMs has been studied extensively in model outputs, with biased prompts shown to amplify stereotyped generations. Whether such bias propagates into text produced by humans who use these systems, however, remains underexplored. We investigate whether gender bias in an LLM writing assistant transfers into career plan essays written by students. We first verify that a gender-biased prompt induces gender-differentiated language in LLM-generated essays, while a neutral prompt does not. We then recruited participants (N = 123) in a controlled environment to write career plan essays for paired biographical profiles differing only in gender under three conditions: no AI assistance, neutral LLM assistance, or gender-biased LLM assistance. Students in the biased condition produced essays with a significantly larger agentic gap and more gender-stereotypic occupation suggestions than those in the control and neutral conditions. Our results also reveal that this bias transfer is asymmetric: agency is suppressed in female-target essays while male-target writing remains largely unaffected. Our findings highlight the risk of bias propagation in AI-assisted writing, calling for fairness-aware design in educational AI tools.
• Abstract（参考訳）: LLMにおける性バイアスは、モデル出力において広範囲に研究され、バイアスドプロンプトはステレオタイプ世代を増幅することを示した。 しかし、そのようなバイアスが、これらのシステムを使用する人間が生成したテキストに伝播するかどうかは未解明のままである。 LLM書記助手のジェンダーバイアスが学生が書いた職業計画エッセイに移行するかどうかを検討する。 まず、ジェンダーバイアスのあるプロンプトは、中性なプロンプトがそうでないのに対して、LSM生成エッセイにおいてジェンダーバイアスのあるプロンプトが性差言語を誘導することを示す。 次に、AI支援、中立LLM支援、ジェンダーバイアスLLM支援の3つの条件下で、性別のみが異なる2つの伝記プロファイルのためのキャリアプランエッセイを書くために、制御された環境で参加者(N = 123)を募集した。 偏見のある条件の学生は、コントロール条件と中立条件の学生よりもはるかに大きなエージェントギャップとジェンダーステレオタイプな職業提案を持つエッセイを作成した。 また, このバイアス伝達は非対称であり, エージェンシーは女性ターゲットエッセイにおいて抑制される一方, 男性ターゲットの執筆は影響を受けないままである。 我々の研究結果は、AI支援書記におけるバイアス伝播のリスクを強調し、教育用AIツールにおける公正な設計を要求している。

関連論文リスト

• BioPro: On Difference-Aware Gender Fairness for Vision-Language Models [50.40913324046528]
  VLM(Vision-Language Models)は、特にジェンダー表現において、トレーニングデータから重要な社会的バイアスを継承する。 我々は、画像キャプションとテキスト・ツー・イメージ生成における差認識性フェアネスの問題を定式化するために、テキストのみのモデルにおける差認識性フェアネスの最近の進歩の上に構築する。 我々は、中立な文脈における望ましくないバイアスを軽減し、明示的な文脈における有効な区別を保ちながら、BioProを提案する。
  論文  参考訳（メタデータ） (2025-11-30T09:33:09Z)
• 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 LLM-generated Interview Responses [1.6124402884077915]
  本研究は, モデル, 質問タイプ, 職種にまたがって, LLM生成面接応答の多面的監査を行うための3つのLCMを評価した。 その結果,男女の偏見は一貫しており,性別のステレオタイプや仕事の優位性と密接に一致していることが判明した。
  論文  参考訳（メタデータ） (2024-10-28T05:08:08Z)
• White Men Lead, Black Women Help? Benchmarking and Mitigating Language Agency Social Biases in LLMs [58.27353205269664]
  社会的バイアスは、Large Language Model(LLM)生成コンテンツにおいて言語エージェンシーに現れる。 LLMのバイアスを包括的に評価するLanguage Agency Bias Evaluationベンチマークを導入する。 LABEを用いて,近年の3つのLLM(ChatGPT,Llama3,Mistral)における言語エージェントの社会的バイアスを明らかにした。
  論文  参考訳（メタデータ） (2024-04-16T12:27:54Z)
• 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)
• Unraveling Downstream Gender Bias from Large Language Models: A Study on AI Educational Writing Assistance [13.276943737418417]
  大規模言語モデル (LLMs) は、学生に文章の提示などの教育的タスクにますます活用されている。 これまでの研究は、モデルとデータ表現のバイアスを別々に研究してきた。 本稿では,AI記述支援パイプラインによるバイアス伝達について検討する。
  論文  参考訳（メタデータ） (2023-11-06T18:01:34Z)
• 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)
• 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)
• Towards Understanding Gender-Seniority Compound Bias in Natural Language Generation [64.65911758042914]
  本研究では,事前学習したニューラルジェネレーションモデルにおける性別バイアスの程度に,高齢者がどのような影響を及ぼすかを検討する。 以上の結果から, GPT-2は, 両領域において, 女性を中年, 男性を中年として考えることにより, 偏見を増幅することが示された。 以上の結果から, GPT-2を用いて構築したNLPアプリケーションは, プロの能力において女性に害を与える可能性が示唆された。
  論文  参考訳（メタデータ） (2022-05-19T20:05:02Z)

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。