論文の概要: Gender Bias in LLM Hiring Decisions: Evidence from a Japanese Context and Evaluation of Mitigation Strategies

• arxiv url: http://arxiv.org/abs/2606.18649v1
• Date: Wed, 17 Jun 2026 03:33:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 13:55:51.808206
• Title: Gender Bias in LLM Hiring Decisions: Evidence from a Japanese Context and Evaluation of Mitigation Strategies
• Title（参考訳）: LLM採用決定におけるジェンダーバイアス--日本語文脈からの証拠と緩和方略の評価
• Authors: Serena A. Hoffstedde, Machiko Hirota, Akshara Nadayanur Sathis Kanna, Rihito Kotani, Ujwal Kumar, Gabriele Trovato, Phan Xuan Tan,
• Abstract要約: 本研究は,女性の性別偏見が日本の企業文脈に及んでいるかどうかを考察する。 ベースライン,プロンプト命令,プライバシフィルタ条件で43,200のAPIコールを行った。 名前信頼分析は、候補名を第一性チャンネルとして正式に識別する。
• 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: Large language models (LLMs) are increasingly deployed in hiring workflows, yet most research on gender bias in LLM hiring decisions has focused on English-language, Western-format resumes. This study examines whether pro-female gender bias extends to a Japanese corporate context and evaluates two practical mitigation strategies. Using a counterfactual resume design with 60 Japanese rirekisho-format resumes, 12 name pairs selected on linguistically grounded gender-signal criteria, and five state-of-the-art LLMs (Claude Sonnet 4.6, GPT-4o, DeepSeek-V3, Gemini 2.5 Flash, Llama 3.3 70B), we conducted 43,200 API calls across baseline, prompt instruction, and privacy filter conditions. A crossed random-effects linear mixed model confirms a significant pro-female bias across all five models, replicating Western findings in a non-Western context. A prompt-level gender-neutrality instruction produces no meaningful reduction in bias. A name-reliance analysis formally identifies the candidate name as the primary gender channel: removing the name from the prompt reduces the female effect by nearly its full magnitude. An unexpected incompatibility between the privacy filter and GPT-4o's content safety filter, resulting in a 42% refusal rate, highlights a practical deployment challenge for name anonymization in LLM-assisted recruitment pipelines.
• Abstract（参考訳）: 大規模言語モデル(LLM)はますます採用ワークフローに導入されているが、LLM採用決定における性別バイアスに関するほとんどの研究は、英語、西洋の履歴書に焦点を当てている。 本研究は、女性の男女差が日本の企業文脈に及んでいるかどうかを調査し、2つの実践的緩和戦略を評価する。 日本語のリラクショフォーマー60の履歴書と、言語的に根拠付けられた性別信号の基準で選択された12の名前対と、5つの最先端LCM(Claude Sonnet 4.6, GPT-4o, DeepSeek-V3, Gemini 2.5 Flash, Llama 3.3 70B)を用いて、ベースライン、プロンプト命令、プライバシフィルタ条件で43,200のAPI呼び出しを行った。 交叉ランダム効果線形混合モデルでは、5つのモデルにまたがる有意な前性偏見が確認され、西洋の知見を非西洋の文脈で再現する。 プロンプトレベルの性中立性命令は、バイアスを有意に減少させるものではない。 名前信頼分析(英語版)は、候補者名を正式に第一の性別チャンネルとして識別し、プロンプトから名前を取り除くことで、女性の効果をほぼ全等級で減少させる。 プライバシフィルタとGPT-4oのコンテンツ安全性フィルタの予期せぬ非互換性は、42%の拒絶率をもたらし、LLM支援リクルートパイプラインにおける名前匿名化の実践的なデプロイ課題を浮き彫りにした。

関連論文リスト

• Who Gets Cited? Gender- and Majority-Bias in LLM-Driven Reference Selection [0.16317061277456998]
  本研究では,大規模言語モデル(LLM)における性別バイアスを系統的に研究する。 以上の結果から,男性による基準に対する永続的嗜好と,候補プールにおいてどの性別が一般的であるかを優先する多数派偏見の2つの形態が明らかとなった。 以上の結果から, LLMは学術的認識において, 既存の男女不均衡を補強・悪化させることができることが示唆された。
  論文  参考訳（メタデータ） (2025-08-02T13:27:32Z)
• 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)
• Evaluating Gender, Racial, and Age Biases in Large Language Models: A Comparative Analysis of Occupational and Crime Scenarios [0.0]
  本稿では,Large Language Models(LLMs)におけるバイアスについて検討する。 LLMは、様々な職業において、男性よりも頻繁に女性キャラクターを描いていることが判明した。 性別と人種の偏見を減らそうとする努力は、しばしば1つのサブクラスを超越する結果をもたらす。
  論文  参考訳（メタデータ） (2024-09-22T20:21:20Z)
• Beyond Binary Gender: Evaluating Gender-Inclusive Machine Translation with Ambiguous Attitude Words [85.48043537327258]
  既存の機械翻訳の性別バイアス評価は主に男性と女性の性別に焦点を当てている。 本研究では,AmbGIMT (Gender-Inclusive Machine Translation with Ambiguous attitude words) のベンチマークを示す。 本研究では,感情的態度スコア(EAS)に基づく性別バイアス評価手法を提案する。
  論文  参考訳（メタデータ） (2024-07-23T08:13:51Z)
• What's in a Name? Auditing Large Language Models for Race and Gender Bias [45.1187517058961]
  我々は、GPT-4を含む最先端の大規模言語モデルのバイアスを調査するために監査設計を採用する。 このアドバイスは、一般的に人種的マイノリティや女性に結びついている名前に系統的に不利であることがわかった。
  論文  参考訳（メタデータ） (2024-02-21T18:25:25Z)
• 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)

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。