論文の概要: Evaluating Regional Bias in LLMs From Abstract Stereotype to Concrete Social Decision-Making

• arxiv url: http://arxiv.org/abs/2607.27022v1
• Date: Wed, 29 Jul 2026 15:20:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.722309
• Title: Evaluating Regional Bias in LLMs From Abstract Stereotype to Concrete Social Decision-Making
• Title（参考訳）: LLMにおける地域バイアスの評価 : 抽象ステレオタイプからコンクリート社会決定まで
• Abstract要約: 大規模言語モデル(LLM)における地域バイアスは、地域集団の認識と異なる地域からの個人に関する決定の両方を形作る可能性がある。 本稿では,抽象ステレオタイプから具体的な社会的決定に至るまでの地域的偏見を評価する体系的枠組みであるS2Dについて紹介する。
• 参考スコア（独自算出の注目度）: 14.339541636354943
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Regional bias in large language models (LLMs) may shape both perceptions of regional groups and decisions about individuals from different regions. Yet existing studies often examine these manifestations separately, leaving their structure and consequences unclear. We introduce Stereotypes-to-Decisions (S2D), a systematic framework evaluating regional bias from abstract stereotypes to concrete social decisions. Covering all 34 provincial-level administrative regions of China, S2D evaluates six LLMs using stereotype ratings of Warmth (perceived friendliness and trustworthiness) and Competence (perceived capability and intelligence), along with paired-choice tasks across Education, Occupation, and Social Interaction. Results reveal substantial regional differences in regional scores, with considerable agreement across models, especially for Competence and Occupation decisions. Furthermore, these patterns are associated with regional economic and digital development indicators and display mixed human-like stereotypes, with some regions rated highly on one dimension but poorly on the other. They also remain largely stable across Chinese and English prompts. Overall, our findings show that regional bias in LLMs is prevalent, systematic, and consequential, motivating more regionally aware evaluation and mitigation.
• Abstract（参考訳）: 大規模言語モデル(LLM)における地域バイアスは、地域集団の認識と異なる地域からの個人に関する決定の両方を形作る可能性がある。 しかし、既存の研究はしばしばこれらの徴候を別々に調べ、その構造と結果がはっきりしないままである。 本稿では,抽象ステレオタイプから具体的な社会的決定に至るまでの地域的偏見を評価する体系的枠組みであるS2Dについて紹介する。 中国34の地方行政区をカバーするS2Dは、Warmth(友好性と信頼度)とCompetence(能力と知性)のステレオタイプ評価と、教育、職業、社会的相互作用の対選択タスクを用いて、6つのLCMを評価している。 結果は、特に能力と職業の決定に関して、モデル間でかなりの合意が得られた地域スコアの相当な地域差を示している。 さらに、これらのパターンは、地域経済・デジタル開発指標と関連付けられ、人間のような混合ステレオタイプが示され、ある領域は1次元で高く評価されているが、他方では不十分である。 また、中国語や英語のプロンプトも安定している。 総じて, LLMの局所的偏見は広く, 体系的, 連続的であり, より地域的に認識された評価と緩和の動機となっている。

関連論文リスト

• Sociodemographic Biases in Educational Counselling by Large Language Models [61.30199414932204]
  本研究では,Large Language Models(LLMs)における社会デマトグラフィーバイアスについて検討する。 多様な状況下で生徒を記述した900のヴィグネットに関する質問に答える6つのLDMからの回答を評価した。
  論文  参考訳（メタデータ） (2026-04-03T14:08:22Z)
• IndRegBias: A Dataset for Studying Indian Regional Biases in English and Code-Mixed Social Media Comments [0.1749935196721634]
  本稿では,人気のソーシャルメディアプラットフォームに対するユーザのコメントに反映されたインドの文脈における地域バイアスからなるデータセットIndRegBiasの作成に焦点をあてる。 RedditのさまざまなスレッドやYouTubeのビデオで、インドの地域問題に関するトレンドについて、25,000のコメントを慎重に選びました。 IndRegBiasにおける地域バイアスの存在とその重症度を検出するため,ゼロショット,少数ショット,微調整戦略を用いて,オープンソースのLarge Language Models (LLMs) とIndic Language Models (ILMs) を評価した。
  論文  参考訳（メタデータ） (2026-01-10T08:13:03Z)
• SESGO: Spanish Evaluation of Stereotypical Generative Outputs [1.1549572298362782]
  本稿では,多言語大言語モデル(LLM)におけるバイアス評価における限界ギャップについて論じる。 現在の評価は、主に米国英語中心であり、他の言語や文化の文脈で潜在的に危害が及ばないままである。 教科学習における社会的偏見を検出するための,新しい文化的な枠組みを提案する。
  論文  参考訳（メタデータ） (2025-09-03T14:04:51Z)
• FairReason: Balancing Reasoning and Social Bias in MLLMs [54.26091556079722]
  MLLM(Multimodal Large Language Models)は、様々なタスクやモダリティにおいて、最先端の成果をすでに達成している。 近年の研究では、推論能力をさらに推し進めるために、先進的なプロンプトスキームと後続の微調整を探求している。
  論文  参考訳（メタデータ） (2025-07-30T19:57:22Z)
• Unequal Opportunities: Examining the Bias in Geographical Recommendations by Large Language Models [11.585115320816257]
  本研究では,米国の都市・都市におけるLarge Language Models(LLMs)勧告におけるバイアスについて検討した。 我々は, LLMs応答の一貫性と, 過度に表現されたり, あるいは過度に表現されたりする傾向に注目した。 以上の結果から,従来の経済格差を拡大するリッチ・ゲット・リッチ・エフェクトが持続する可能性が示唆された。
  論文  参考訳（メタデータ） (2025-03-16T18:59:00Z)
• Unveiling Linguistic Regions in Large Language Models [49.298360366468934]
  大規模言語モデル (LLM) は言語間アライメントと一般化能力を示す。 本稿では,LLMの言語能力に関するいくつかの調査を行う。
  論文  参考訳（メタデータ） (2024-02-22T16:56:13Z)
• Large Language Models are Geographically Biased [47.88767211956144]
  我々は、地理のレンズを通して、我々の住む世界について、Large Language Models (LLM)が何を知っているかを研究する。 我々は,地理空間予測において,システム的誤りと定義する,様々な問題的地理的バイアスを示す。
  論文  参考訳（メタデータ） (2024-02-05T02:32:09Z)
• Unveiling A Core Linguistic Region in Large Language Models [49.860260050718516]
  本稿では,脳局在化をプロトタイプとして用いた類似研究を行う。 我々は、言語能力に対応する大規模言語モデルにおいて、中核領域を発見した。 我々は,言語能力の向上が必ずしもモデルの知識レベルの向上に伴わないことを観察する。
  論文  参考訳（メタデータ） (2023-10-23T13:31:32Z)
• StereoMap: Quantifying the Awareness of Human-like Stereotypes in Large Language Models [11.218531873222398]
  大規模言語モデル(LLM)は、トレーニングデータに存在する有害な関連を符号化し、永続する。 本稿では,人口集団が社会によってどのように見られているかについての認識を得るために,StereoMapという理論的基盤を持つフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-20T17:22:30Z)
• Stable Bias: Analyzing Societal Representations in Diffusion Models [72.27121528451528]
  本稿では,テキスト・ツー・イメージ(TTI)システムにおける社会的バイアスを探索する新しい手法を提案する。 我々のアプローチは、プロンプト内の性別や民族のマーカーを列挙して生成された画像の変動を特徴づけることに依存している。 我々はこの手法を利用して3つのTTIシステムによって生成された画像を分析し、そのアウトプットが米国の労働人口層と相関しているのに対して、彼らは常に異なる範囲において、限界化されたアイデンティティを低く表現している。
  論文  参考訳（メタデータ） (2023-03-20T19:32:49Z)
• HERB: Measuring Hierarchical Regional Bias in Pre-trained Language Models [33.0987914452712]
  言語モデル(LM)における地域バイアスは、長年の世界的な差別問題である。 本稿では,事前学習した言語モデルから得られた地域バイアスを分析し,そのギャップを埋める。 本研究では,HyErarchical Regional Bias Evaluation法(HERB)を提案する。
  論文  参考訳（メタデータ） (2022-11-05T11:30:57Z)
• 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)

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。