論文の概要: Name-Bias in Large Language Models

• arxiv url: http://arxiv.org/abs/2610.22053v1
• Date: Thu, 15 Oct 2026 15:19:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.155576
• Title: Name-Bias in Large Language Models
• Title（参考訳）: 大規模言語モデルにおける名前バイアス
• Abstract要約: 6つの局所的大言語モデルにまたがる名前に基づくバイアスの評価を行う。 我々は30,000のローカルLSM応答に対して一貫した、測定可能な名前バイアスを求める。 ジェンダーは最も重要な偏見であり、年齢、名前の人気、人種が続く。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Names carry demographic indicators such as age, gender, and race, which makes them a subtle but strong target of bias in large language models (LLMs). In this work, we present an evaluation of name-based bias across 6 local large language models spanning multiple providers and parameter scales. Using a fill-in-the-blank task, we prompt these models to choose between pairs of first names drawn from U.S. Social Security Administration datasets and a race classification dataset by Rosenman et al.. Our experimental de- sign isolates age and gender effects through balanced name pairings and sentence templates that share a fixed syntactic structure. Across 300,000 local LLM responses, we find consistent and measurable name bias. Models prefer names that are less stereotypically male, older, popular, and white. Furthermore, we find that name-bias is highly sentence-dependent, but not more than associated stereotypes, and gender is the most significant bias, followed by age, name popularity, and race. Our results demonstrate that name-based bias remains pervasive even in local LLMs, highlighting the necessity for standardized evaluation methods and mitigation strategies.
• Abstract（参考訳）: 名前には年齢、性別、人種などの人口統計指標があり、大きな言語モデル(LLM)では微妙だが強い偏見の対象となっている。 本研究では、複数のプロバイダとパラメータスケールにまたがる6つのローカルな大言語モデルに対して、名前に基づくバイアスの評価を行う。 これらのモデルに対して,米国社会保障局(Social Security Administration)のデータセットから抽出されたファーストネームのペアと,Rosenman氏らによるレース分類データセットのペアを選択するように促す。 実験的なデサインは、固定構文構造を共有するバランスの取れた名前のペアリングと文テンプレートによって年齢と性別の影響を分離する。 30万件のローカルLSM応答に対して、一貫性があり測定可能な名前バイアスが見つかる。 モデルは、典型的には男性、老人、人気、白人ではない名前を好む。 さらに、名前バイアスは非常に文依存的であるが、関連するステレオタイプに留まらず、性別が最も重要なバイアスであり、年齢、人気度、人種が続く。 評価手法の標準化と緩和戦略の必要性を浮き彫りにした。

関連論文リスト

• 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)
• 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)
• Uncovering Name-Based Biases in Large Language Models Through Simulated Trust Game [0.0]
  個人の名前から推測される性や人種は、社会的相互作用に微妙に影響を及ぼすステレオタイプやバイアスの顕著な源泉である。 提案手法は,ベースモデルと命令調整モデルの両方において,名前に基づくバイアスを検出する。
  論文  参考訳（メタデータ） (2024-04-23T02:21:17Z)
• 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)
• What's in a Name? Auditing Large Language Models for Race and Gender Bias [45.1187517058961]
  我々は、GPT-4を含む最先端の大規模言語モデルのバイアスを調査するために監査設計を採用する。 このアドバイスは、一般的に人種的マイノリティや女性に結びついている名前に系統的に不利であることがわかった。
  論文  参考訳（メタデータ） (2024-02-21T18:25:25Z)
• "I'm sorry to hear that": Finding New Biases in Language Models with a Holistic Descriptor Dataset [12.000335510088648]
  新しい包括的バイアス測定データセットであるHollisticBiasを紹介します。 HolisticBiasは、これらの用語の生きた経験を持つ専門家やコミュニティメンバーを含む参加的なプロセスで組み立てられた。 我々は,HolisticBiasが,言語モデルからトークンの確率において,検出不能なバイアスを測定するのに有効であることを実証した。
  論文  参考訳（メタデータ） (2022-05-18T20:37:25Z)
• Assessing Demographic Bias in Named Entity Recognition [0.21485350418225244]
  合成コーパスを用いたグループ間における英語の固有認識システムのバイアス評価を行った。 ELMoのような文字ベースの文脈化された単語表現モデルは、人口統計学において最小のバイアスをもたらす。
  論文  参考訳（メタデータ） (2020-08-08T02:01:25Z)

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。