論文の概要: White Men Without Degrees Receive the Lowest Ratings from Large Language Models

• arxiv url: http://arxiv.org/abs/2610.00185v1
• Date: Thu, 17 Sep 2026 10:22:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 14:48:16.390939
• Title: White Men Without Degrees Receive the Lowest Ratings from Large Language Models
• Title（参考訳）: 白人男性、言語モデルから最も低い評価を受ける
• Abstract要約: 学位を持たない白人は8つのジェンダー・レース教育グループの中で最低評価を受けている。 黒人女性の平均評価は2.94点、3.66点、3.56点である。 このパターンは、学位を持たない白人男性の間で経済と健康の脆弱性が増大している証拠と結びついている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: White men without an undergraduate degree receive the lowest average ratings among eight gender-race-education groups in controlled large-language-model evaluations of credit, hiring, and rental applications. We conduct full-factorial vignette experiments with 18 models from 12 developer groups, varying gender, race, age, citizenship, and education while holding stated financial or occupational circumstances constant within each setting. Each model evaluates all 32 profiles ten times per setting, yielding 17,280 ratings. Averaging over models, age, and citizenship, ratings for White men without degrees are the lowest among the eight groups, at 75.87 in credit, 92.71 in hiring, and 86.62 in rental housing on a 0-100 scale. Black women with degrees receive the highest average ratings, with corresponding gaps of 2.94, 3.66, and 3.56 points. Separate attribute effects favor women, Black applicants, and degree holders in all three settings. White men without degrees have the lowest or second-lowest mean in 46 of 54 model-scenario combinations (85.2%). This pattern connects to evidence of growing economic and health vulnerabilities among White men without degrees, highlighting a group whose disadvantages can be obscured by broad racial or gender categories.
• Abstract（参考訳）: 学位を持たない白人男性は、信用、雇用、レンタルアプリケーションの大言語モデルの評価をコントロールしている8つのジェンダーレース教育グループの中で、最低評価を受けている。 12の開発者グループから18のモデル(性別、人種、年齢、市民権、教育)を用いてフルファクター・ヴィグネット実験を行い、各設定内で一定の財務状況や職業状況を維持しながら実施する。 各モデルは設定毎に32のプロファイルを10回評価し、17,280のレーティングを得る。 モデル、年齢、市民権に対する平均的な評価は8つのグループの中で最低であり、75.87の信用、92.71の雇用、86.62の賃貸住宅が0-100スケールである。 黒人女性の平均評価は2.94点、3.66点、3.56点である。 異なる属性効果は、女性、黒人の応募者、学位保持者に3つの設定で好意的だ。 学位を持たない白人男性は、54のモデルとシナリオの組み合わせ(85.2%)の中で、最低または2番目に低い平均である。 このパターンは、学位のない白人男性の間で経済と健康の脆弱性が増大している証拠と結びつき、幅広い人種や性別のカテゴリーによって不利益が隠蔽されるグループを浮き彫りにしている。

関連論文リスト

• Algorithmic Monocultures in Hiring [70.15400013850069]
  多くの雇用主は、同じ少数のアルゴリズムベンダーによって構築されたアルゴリズムで求職者をスクリーニングしている。 私たちは、400万のアプリケーションを提出する300万の応募者の新しいデータセットを取得し、分析します。 応募者の結果には明確な人種格差がある。
  論文  参考訳（メタデータ） (2026-05-26T17:59:55Z)
• AI Alignment Amplifies the Role of Race, Gender, and Disability in Hiring Decisions [10.42652006165847]
  我々は、言語モデルが雇用決定に人口統計情報を使用するかどうかを分析するための大規模な研究を行っている。 言語モデルでは、女性候補者と黒人候補者が、そうでなければ比較可能な男性候補者と白人候補者を対象とし、障害のある候補者は不利益を与える。
  論文  参考訳（メタデータ） (2026-05-02T16:08:07Z)
• Small Changes, Big Impact: Demographic Bias in LLM-Based Hiring Through Subtle Sociocultural Markers in Anonymised Resumes [44.408853022070105]
  シンガポールにおける公正雇用のための総合的なストレステストフレームワークを紹介する。 100の履歴書は4つの民族と2つの性別にまたがる4100の変種に拡張されている。 以上より,匿名化を継続する無害なマーカーが,自動採用の成果を著しく損なう可能性が示唆された。
  論文  参考訳（メタデータ） (2026-03-05T13:58:07Z)
• Adultification Bias in LLMs and Text-to-Image Models [55.02903075972816]
  若い女性の人種やジェンダーの軸に沿った偏見について研究する。 我々は「文化バイアス」に焦点を当てており、黒人の女の子は白人の仲間よりも、より排他的で、性的に親密で、教育可能であると推定される現象である。
  論文  参考訳（メタデータ） (2025-06-08T21:02:33Z)
• "You Gotta be a Doctor, Lin": An Investigation of Name-Based Bias of Large Language Models in Employment Recommendations [29.183942575629214]
  我々はGPT-3.5-TurboとLlama 3-70B-Instructを利用して、人種や性別を強く示す320のファーストネームを持つ候補者の雇用決定と給与勧告をシミュレートする。 以上の結果から,40の職種にまたがる他の人口集団よりも,白人女性の名前を持つ候補者を雇用する傾向が示唆された。
  論文  参考訳（メタデータ） (2024-06-18T03:11:43Z)
• White Men Lead, Black Women Help? Benchmarking and Mitigating Language Agency Social Biases in LLMs [58.27353205269664]
  社会的バイアスは、Large Language Model(LLM)生成コンテンツにおいて言語エージェンシーに現れる。 LLMのバイアスを包括的に評価するLanguage Agency Bias Evaluationベンチマークを導入する。 LABEを用いて,近年の3つのLLM(ChatGPT,Llama3,Mistral)における言語エージェントの社会的バイアスを明らかにした。
  論文  参考訳（メタデータ） (2024-04-16T12:27:54Z)
• Markedness in Visual Semantic AI [3.4157048274143316]
  年齢,性別,人種,民族のマーキングに関連するバイアスに対して,最先端のマルチモーダルな「視覚意味」モデルであるCLIPを評価した。 20歳未満の女性は、男性よりも性別ラベルでマークされる可能性が高いが、年齢ラベルでマークされる可能性は低い。 年齢が増加するにつれて、女性の表現の自己相似性が男性よりも高い速度で増加する。
  論文  参考訳（メタデータ） (2022-05-23T15:14:41Z)

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。