Fugu-MT 論文翻訳(概要): Can LLMs Hire Fairly? Racial Bias in Resume Screening

論文の概要: Can LLMs Hire Fairly? Racial Bias in Resume Screening

arxiv url: http://arxiv.org/abs/2606.28978v1
Date: Sat, 27 Jun 2026 15:28:23 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-30 18:07:15.744035
Title: Can LLMs Hire Fairly? Racial Bias in Resume Screening
Title（参考訳）: LLMは公平に雇用できるのか?
Abstract要約: 我々は、Kline、Rose、Walters(2022)のペア・リスト・方法論を用いて、差別を雇用するために14の大規模言語モデルを監査する。唯一の2023-ヴィンテージモデルでは、労働市場の差別に関するフィールド実験で記録されたホワイト派のコールバックギャップを再現する。 2024年またはその後にリリースされたすべてのモデルは、ヌルギャップまたは重要なプロブラック逆転を示す。
参考スコア（独自算出の注目度）: 4.129225533930966
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We audit fourteen mainstream large language models (LLMs) for hiring discrimination using the paired-resume methodology of Kline, Rose, and Walters (2022). The sole 2023-vintage model reproduces the pro-White callback gap documented in field experiments on labor market discrimination ($+2.12$ pp, significant at the 1\% level). Every model released in 2024 or after shows either a null gap or a significant pro-Black reversal (up to $-3.01$ pp). The same pattern holds on the gender axis. Based on 24,024 paired postings per model across 14 models, our results document a reversal in the direction of algorithmic hiring bias across model generations.
Abstract（参考訳）: 我々は,Kline,Rose,Walters (2022) のペア・リソーム手法を用いて,差別を雇用するための14の主流大規模言語モデル (LLM) を監査した。唯一の2023-ヴィンテージモデルでは、労働市場の差別に関するフィールド実験(+2.12$ pp, significant at the 1\%)で記録されたホワイト派のコールバックギャップを再現している。 2024年またはその後にリリースされたすべてのモデルは、ヌルギャップまたは重要なブラック逆転(最大$-3.01$ pp)を示す。同じパターンが性別軸に当てはまる。 24,024対のモデル毎の投稿を14モデルで比較した結果, モデル世代間でのアルゴリズム的採用バイアスの方向を逆転させる結果が得られた。

関連論文リスト

Robustly Improving LLM Fairness in Realistic Settings via Interpretability [0.16843915833103415]
現実的な文脈の詳細が導入されたとき、アンチバイアスプロンプトは失敗する。企業名や公的キャリアページからの文化記述などの現実的なコンテキストの追加,選択的な雇用制限は,人種的および性別的偏見を著しく引き起こすことが判明した。我々の内部バイアス緩和は人種や性別に関連する方向を特定し、推論時にアフィンの概念を編集する。
論文参考訳（メタデータ） (2025-06-12T17:34:38Z)
Surface Fairness, Deep Bias: A Comparative Study of Bias in Language Models [45.41676783204022]
大規模言語モデル(LLM)におけるバイアスの様々なプロキシ尺度について検討する。 MMLU (Multi-subject benchmark) を用いた人格評価モデルでは, スコアの無作為かつ大半がランダムな差が生じることがわかった。 LLMアシスタントメモリとパーソナライゼーションの最近の傾向により、これらの問題は異なる角度から開かれている。
論文参考訳（メタデータ） (2025-06-12T08:47:40Z)
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)
Robust Bias Detection in MLMs and its Application to Human Trait Ratings [9.109707981619007]
混合モデルを用いてバイアスを定量化するための統計的手法を提案する。我々は、$textitpersonality$と$textitcharacter$ traitsという文脈でジェンダーバイアスの新たな問題を探求する。 ALBERTは二分性には偏りがないが、非二分性には最も偏りがあるのに対して、RoBERTa-largeは二分性には最も偏りがあるが、$textitneo$には偏りがない。
論文参考訳（メタデータ） (2025-02-21T17:18:02Z)
Gender, Race, and Intersectional Bias in Resume Screening via Language Model Retrieval [5.122502168590131]
文書検索フレームワークを用いて,履歴書のスクリーニング設定において,大規模言語モデル (LLM) を用いることの可能性を検討する。次に、履歴スクリーニングシナリオにおいて、MTE(Massive Text Embedding)モデルの選択がバイアスされているかどうかを判定するために、履歴監査を行う。 MTEは偏りがあり、85.1%のケースでは白人関連、11.1%のケースでは女性関連である。
論文参考訳（メタデータ） (2024-07-29T18:42:39Z)
GenderBias-\emph{VL}: Benchmarking Gender Bias in Vision Language Models via Counterfactual Probing [72.0343083866144]
本稿では,GenderBias-emphVLベンチマークを用いて,大規模視覚言語モデルにおける職業関連性バイアスの評価を行う。ベンチマークを用いて15のオープンソースLVLMと最先端の商用APIを広範囲に評価した。既存のLVLMでは男女差が広くみられた。
論文参考訳（メタデータ） (2024-06-30T05:55:15Z)
VLBiasBench: A Comprehensive Benchmark for Evaluating Bias in Large Vision-Language Model [72.13121434085116]
我々は、LVLM(Large Vision-Language Models)におけるバイアスを評価するベンチマークであるVLBiasBenchを紹介する。 VLBiasBenchは、年齢、障害ステータス、性別、国籍、身体的外観、人種、宗教、職業、社会経済ステータスを含む9つの異なる社会バイアスのカテゴリを含むデータセットと、人種x性別と人種x社会経済ステータスの2つの交叉バイアスのカテゴリを含む。 15のオープンソースモデルと2つの高度なクローズドソースモデルに対して広範な評価を行い、これらのモデルに存在するバイアスに関する新たな洞察を得る。
論文参考訳（メタデータ） (2024-06-20T10:56:59Z)
JobFair: A Framework for Benchmarking Gender Hiring Bias in Large Language Models [12.12628747941818]
本稿では,Large Language Models (LLMs) における階層的ジェンダー採用バイアスのベンチマークを行うための新しいフレームワークを提案する。我々は、労働経済学、法原則、現在のバイアスベンチマークの批判に根ざした新しい構成を導入する。我々は、現在最先端の10のLCMにおける性別採用バイアスを分析する。
論文参考訳（メタデータ） (2024-06-17T09:15:57Z)
Self-Debiasing Large Language Models: Zero-Shot Recognition and Reduction of Stereotypes [73.12947922129261]
ステレオタイピングを減らすために,大規模言語モデルのゼロショット機能を活用している。自己嫌悪は、9つの異なる社会集団におけるステレオタイピングの度合いを著しく低下させることが示される。この研究が、バイアス軽減のための他のゼロショット技術に関する調査をオープンにすることを願っている。
論文参考訳（メタデータ） (2024-02-03T01:40:11Z)
Quantifying Bias in Text-to-Image Generative Models [49.60774626839712]
テキスト・トゥ・イメージ(T2I)モデルにおけるバイアスは不公平な社会的表現を伝播させ、アイデアを積極的にマーケティングしたり、議論の的となっている議題を推進したりするのに用いられる。既存のT2Iモデルバイアス評価手法は、社会的バイアスのみに焦点を当てる。本稿では,T2I生成モデルにおける一般バイアスの定量化手法を提案する。
論文参考訳（メタデータ） (2023-12-20T14:26:54Z)
Debiasing Vision-Language Models via Biased Prompts [79.04467131711775]
本稿では,テキスト埋め込みにおけるバイアスのある方向を投影することで,視覚言語基盤モデルを疎外する一般的な手法を提案する。偏平投影行列を組み込んだテキストのみをデバイアスすることで、ロバストな分類器と公正な生成モデルが得られることを示す。
論文参考訳（メタデータ） (2023-01-31T20:09:33Z)
How True is GPT-2? An Empirical Analysis of Intersectional Occupational Biases [50.591267188664666]
下流のアプリケーションは、自然言語モデルに含まれるバイアスを継承するリスクがある。一般的な生成言語モデルであるGPT-2の作業バイアスを分析した。特定の仕事について、GPT-2は米国におけるジェンダーと民族の社会的偏見を反映しており、場合によってはジェンダー・パリティの傾向を反映している。
論文参考訳（メタデータ） (2021-02-08T11:10:27Z)

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。