論文の概要: Gender bias across LLMs is common and highly heterogeneous

• arxiv url: http://arxiv.org/abs/2609.38036v2
• Date: Wed, 30 Sep 2026 15:18:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.336039
• Title: Gender bias across LLMs is common and highly heterogeneous
• Title（参考訳）: LLM間のジェンダーバイアスは一般的であり、非常に異種である
• Abstract要約: これまでの研究では、小さなモデルに焦点が当てられており、性別バイアスがLSM全体で一般的で異質な程度に開放されている。 女性や男性に対する虐待や拷問の道徳的判断は、破滅的な結果を防ぐために、2つのパラダイムを使用する。 以上の結果から, LLMでは男女関係バイアスが一般的であるが, その方向や大きさは異種であることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding gender biases in large language models (LLMs) is increasingly important as these systems become embedded in decision-support tools with real consequences. Prior research has focused only on a small set of models, leaving open the extent to which gender biases are common and heterogeneous across LLMs. We address this gap across ten models released between April 2025 and June 2026, spanning nine vendors, using two paradigms: gender attribution to stereotyped phrases (Study 1) and moral judgment of abuse or torture against a woman or a man to prevent a catastrophic outcome (Study 2). In Study 1, two of ten models attributed masculine-stereotyped phrases to female writers more often than the reverse, while three models showed the opposite pattern. In Study 2, several models converged on a male-disadvantaging asymmetry that was directionally consistent with a documented human tendency to protect female targets from harm, though the specific conditions under which this asymmetry emerged varied by model; three other models, by contrast, showed no variation across conditions. These results indicate that gender-related biases are common in LLMs. Their direction and magnitude, however, are highly heterogeneous, to the point that some models behave in diametrically opposite ways to others. Bias auditing should therefore be treated as an ongoing, multi-vendor process, rather than a one-time assessment.
• Abstract（参考訳）: 大規模言語モデル(LLM)における性別バイアスの理解は、意思決定支援ツールに実際の結果をもたらすため、ますます重要になっている。 これまでの研究では、小さなモデルにのみ焦点を合わせており、性バイアスがLSM全体で一般的で異種である範囲を開放している。 2025年4月から2026年6月までに発行された10モデル間のこのギャップに対処し、9つのベンダーを対象とし、ステレオタイプ句への性帰属(研究1)と、破滅的な結果を防ぐために女性や男性に対する虐待や拷問の道徳的判断(研究2)という2つのパラダイムを用いて解決した。 研究1では,10のモデルのうち2つのモデルが男性ステレオタイプのフレーズを逆のモデルよりも頻繁に女性作家に当てはめ,一方3つのモデルでは反対のパターンを示した。 研究2では、この非対称性が出現する特定の条件はモデルによって異なり、対照的に他の3つのモデルでは条件によって変化は見られなかった。 これらの結果から, LLMでは性別関連バイアスが一般的であることが示唆された。 しかし、その方向と大きさは極めて異質であり、あるモデルが他のモデルと対等に振る舞う点である。 したがって、バイアス監査は1回評価ではなく、進行中のマルチベンダプロセスとして扱われるべきである。

関連論文リスト

• Investigating Gender Bias in LLM-Generated Stories via Psychological Stereotypes [8.091664636677637]
  本研究では,大規模言語モデル(LLM)におけるジェンダーバイアスについて,心理学で研究されたジェンダーステレオタイプを用いて検討する。 我々は,25の心理的ステレオタイプから1,2,6のランダム属性に無条件または条件付きのいずれかの短いストーリーを含むStereoBias-Storiesという新しいデータセットを紹介した。 これらの属性に反応して、全体の物語におけるジェンダーコントリビューションがどのように変化するかを分析し、3つの重要な知見を提示する。
  論文  参考訳（メタデータ） (2025-08-05T10:10:26Z)
• The LLM Wears Prada: Analysing Gender Bias and Stereotypes through Online Shopping Data [8.26034886618475]
  本研究では,オンラインショッピング履歴のみに基づいて,大規模言語モデルが個人の性別を予測できるかどうかを検討する。 米国ユーザーのオンライン購入履歴のデータセットを用いて、性別を分類する6つのLCMの能力を評価する。 結果は、モデルが適度な精度で性別を推測できる一方で、その決定は製品カテゴリーと性別のステレオタイプ的関連に根ざしていることを示している。
  論文  参考訳（メタデータ） (2025-04-02T17:56:08Z)
• The Root Shapes the Fruit: On the Persistence of Gender-Exclusive Harms in Aligned Language Models [91.86718720024825]
  我々はトランスジェンダー、ノンバイナリ、その他のジェンダー・ディバースのアイデンティティを中心とし、アライメント手順が既存のジェンダー・ディバースバイアスとどのように相互作用するかを検討する。 以上の結果から,DPO対応モデルは特に教師付き微調整に敏感であることが示唆された。 DPOとより広範なアライメントプラクティスに合わせたレコメンデーションで締めくくります。
  論文  参考訳（メタデータ） (2024-11-06T06:50:50Z)
• Gender Bias in Decision-Making with Large Language Models: A Study of Relationship Conflicts [15.676219253088211]
  大規模言語モデル(LLM)におけるジェンダーエクイティを意思決定レンズを用いて検討する。 我々は3つの名前リスト(男性、女性、中立)にまたがる名前ペアを通して9つの関係構成を探索する。
  論文  参考訳（メタデータ） (2024-10-14T20:50:11Z)
• Locating and Mitigating Gender Bias in Large Language Models [40.78150878350479]
  大規模言語モデル(LLM)は、人間の好みを含む事実や人間の認知を学ぶために、広範囲なコーパスで事前訓練されている。 このプロセスは、社会においてバイアスや一般的なステレオタイプを取得するこれらのモデルに必然的に導かれる可能性がある。 本稿では,職業代名詞の性別バイアスを軽減する知識編集手法LSDMを提案する。
  論文  参考訳（メタデータ） (2024-03-21T13:57:43Z)
• The Male CEO and the Female Assistant: Evaluation and Mitigation of Gender Biases in Text-To-Image Generation of Dual Subjects [58.27353205269664]
  本稿では,Paired Stereotype Test (PST) フレームワークを提案する。 PSTクエリT2Iモデルは、男性ステレオタイプと女性ステレオタイプに割り当てられた2つの個人を描写する。 PSTを用いて、ジェンダーバイアスの2つの側面、つまり、ジェンダーの職業におけるよく知られたバイアスと、組織力におけるバイアスという新しい側面を評価する。
  論文  参考訳（メタデータ） (2024-02-16T21:32:27Z)
• Identifying and examining machine learning biases on Adult dataset [0.7856362837294112]
  この研究は、エンサンブルラーニングによる機械学習モデルバイアスの低減を念頭に置いている。 我々の厳密な方法論は、様々なカテゴリー変数にまたがる偏見を包括的に評価し、最終的に顕著な男女属性偏見を明らかにします。 本研究は,データ駆動型社会における倫理的考察とハイブリッドモデルの実現を提唱する。
  論文  参考訳（メタデータ） (2023-10-13T19:41:47Z)

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。