論文の概要: Who Gets Access? Global Region and Academic Status Bias in AI-Generated Academic Gatekeeping Scenarios
- arxiv url: http://arxiv.org/abs/2608.05178v1
- Date: Sat, 27 Jun 2026 18:06:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.158236
- Title: Who Gets Access? Global Region and Academic Status Bias in AI-Generated Academic Gatekeeping Scenarios
- Title（参考訳）: AIによる学術的ゲートキーピングシナリオにおける世界的地域と学術的地位のバイアス
- Abstract要約: 本稿では,大規模言語モデル(LLM)をベースとした教授が,要求者1名にのみアクセスを許可しなければならない制御シミュレーションフレームワークを提案する。
グローバル・ノース対グローバル・サウス(Global North vs. Global South)と学術的年功によって、要請者は様々である。
モデル行動に埋め込まれた規範的仮定がいかにゲートキーピングの決定を形作るかを明らかにする。
- 参考スコア（独自算出の注目度）: 1.2744523252873352
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Equitable access to scientific knowledge often depends on informal gatekeeping decisions, particularly when resources such as paywalled articles, datasets, or professional materials such as curriculum vitae (CV) must be shared selectively. We introduce a controlled simulation framework in which large language model (LLM)-based professors must grant access to only one requestor. Across prompts, requesters vary systematically by global region (Global North vs. Global South) and academic seniority (undergraduate student, PhD candidate, postdoctoral researcher, and tenured professor), while all other factors remain constant. Across varying evaluation scenarios, LLMs exhibit contrasting academic status biases, with some prioritizing PhD candidates, while others favor tenured professors. However, when global regions differ, a distinct divergence emerges based on model architecture: while many frontier LLMs systematically favor requesters from the Global South due to pro-equity bias that results from equity-focused safety alignment, open-weight and small models frequently flip this preference to favor the Global North, reflecting the global region bias and unaligned geographic distribution of their baseline pre-training data. Our findings highlight how normative assumptions embedded in model behavior can shape gatekeeping decisions, underscoring the importance of auditing AI systems for fairness and value alignment.
- Abstract（参考訳）: 科学知識への平等なアクセスは、しばしば非公式なゲートキーピングの決定に依存し、特にペイウォールされた記事やデータセット、カリキュラムヴィタエ(CV)のような専門的な資料を選択的に共有する必要がある場合である。
本稿では,大規模言語モデル(LLM)をベースとした教授が,要求者1名にのみアクセスを許可しなければならない制御シミュレーションフレームワークを提案する。
要請者はグローバル・リージョン(グローバル・ノース対グローバル・サウス)と学年(学部生、博士号候補、博士研究員、在職教授)によって体系的に異なるが、その他の要因はすべて一定である。
様々な評価シナリオにおいて、LLMは学術的地位バイアスと対照的な傾向を示し、PhD候補を優先順位付けする者もいれば、在任の教授を好む者もいる。
しかし、グローバルな地域が異なる場合、多くのフロンティアLSMは、株式中心の安全アライメントから生じる不平等なバイアスのために、グローバル・サウスからの要求者を体系的に好んでいるが、オープン・ウェイトと小さなモデルは、グローバル・ノースを好んで、グローバル・リージョンのバイアスと、ベースラインの事前訓練データの非整合な地理的分布を反映して、しばしばこの好みを覆している。
我々の研究は、モデル行動に埋め込まれた規範的仮定がゲートキーピングの決定をいかに形成するかを強調し、公正さとバリューアライメントのためにAIシステムの監査の重要性を強調した。
関連論文リスト
- Global Federated Learning Strategies for Building Efficient Personalized Models [1.3537117504260623]
フェデレートラーニング(FL)は、データプライバシを保証しながら、分散ユーザデータ上でモデルをトレーニングできる実践的なフレームワークである。
この論文は、効率的なパーソナライズされたモデルを構築するための方法論を提示する。
本研究では,地域適応時のユーザ固有のパフォーマンスを確保しつつ,グローバルな知識の保存方法を示す。
論文 参考訳（メタデータ） (2026-08-15T08:12:52Z) - Teachers' Perceived Benefits and Risks of AI Across Fifty-Five Countries: An Audit of LLM Alignment and Steerability [3.5499018649362015]
大規模な言語モデル (LLM) は、教育における検証が限られているにもかかわらず、研究、政策、教師の専門職でますます使われている。
55か国・地域のOECD TALISデータを用いて,教師の認識するAIのメリットとリスクの国家間変動を測定した。
その結果、LLM出力に確実に反映されない教師の知覚において、実質的なクロスナショナルな変化が明らかとなった。
論文 参考訳（メタデータ） (2026-05-08T21:03:25Z) - Same Claim, Different Judgment: Benchmarking Scenario-Induced Bias in Multilingual Financial Misinformation Detection [64.75447949495307]
大規模言語モデル (LLM) は金融分野に広く適用されている。
行動バイアスは、意思決定における不安定性と不確実性をもたらす可能性がある。
mfmdscenは様々な経済シナリオで mfmdの行動バイアスを評価するベンチマークです
論文 参考訳（メタデータ） (2026-01-08T22:00:32Z) - "As Eastern Powers, I will veto." : An Investigation of Nation-level Bias of Large Language Models in International Relations [7.585969077788284]
本稿では国際関係領域(IR)における大規模言語モデル(LLM)による国家レベルの偏見を体系的に検討する。
各国のLLMにおける国家レベルのバイアスを探索する3つの異なるテストからなるバイアス評価フレームワークを開発した。
本稿では,LLMとRetrieval-Augmented GenerationとReflexion-based self-reflex(自己回帰)技術を組み合わせることで,現実的推論を改善する脱バイアスフレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-12T08:42:54Z) - Epidemiology of Large Language Models: A Benchmark for Observational Distribution Knowledge [69.50062870487349]
我々のゴールは、実世界を記述する確率分布の知識の観点から、LLMの能力を理解するためのベンチマークを構築することである。
以上の結果から,LLMは全体の性能が悪く,実世界の統計を自然に内在化していないことが示唆された。
論文 参考訳（メタデータ） (2025-11-04T23:34:52Z) - Addressing Bias in LLMs: Strategies and Application to Fair AI-based Recruitment [49.81946749379338]
この研究は、トランスフォーマーベースのシステムの能力を分析して、データに存在する人口統計バイアスを学習する。
最終ツールにおける偏りを緩和する手段として,学習パイプラインからの性別情報を削減するためのプライバシー向上フレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-13T15:29:43Z) - Investigating Implicit Bias in Large Language Models: A Large-Scale Study of Over 50 LLMs [0.0]
大規模言語モデル(LLM)は幅広いタスクで採用されている。
最近の研究では、LLMは明示的な偏見評価をパスしても暗黙の偏見を抑えることができることが示されている。
この研究は、新しい言語モデルやより大きな言語モデルが自動的にバイアスを減らさないことを強調している。
論文 参考訳（メタデータ） (2024-10-13T03:43:18Z) - Identifying and Mitigating Social Bias Knowledge in Language Models [52.52955281662332]
個々人の社会的偏見をきめ細かなキャリブレーションを可能にする新しいデバイアス・アプローチであるFairness Stamp(FAST)を提案する。
FASTは最先端のベースラインを超え、デバイアス性能が優れている。
これは、大きな言語モデルにおける公平性を達成するためのきめ細かいデバイアス戦略の可能性を強調している。
論文 参考訳（メタデータ） (2024-08-07T17:14:58Z) - 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) - Global-Liar: Factuality of LLMs over Time and Geographic Regions [3.715487408753612]
本研究は, GPT-3.5 や GPT-4 を含む広く採用されている GPT モデルにおける実測精度, 安定性, バイアスを評価する。
地理的および時間的表現の観点から一意にバランスのとれたデータセットである「Global-Liar」を導入する。
論文 参考訳（メタデータ） (2024-01-31T13:57:24Z) - Adaptive Global-Local Representation Learning and Selection for
Cross-Domain Facial Expression Recognition [54.334773598942775]
ドメインシフトは、クロスドメイン顔表情認識(CD-FER)において重要な課題となる
適応的グローバルローカル表現学習・選択フレームワークを提案する。
論文 参考訳（メタデータ） (2024-01-20T02:21:41Z)
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。