論文の概要: Whose startup does the AI back? An algorithm audit of reputation and demographic signals in LLM-assisted crowdfunding

• arxiv url: http://arxiv.org/abs/2611.03993v1
• Date: Mon, 02 Nov 2026 21:31:37 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:22:55.803506
• Title: Whose startup does the AI back? An algorithm audit of reputation and demographic signals in LLM-assisted crowdfunding
• Title（参考訳）: AIが復活するスタートアップは誰か? LLM支援クラウドファンディングにおける評判と人口統計のアルゴリズム監査
• Abstract要約: 大きな言語モデル(LLM)アシスタントは、どのクラウドファンディングキャンペーンをサポートするかの支援者に対して、ますますアドバイスする。 LLMアシスタントはいつ、どの意思決定プロセスを通じて、創業者の性別と民族性を利用するのかを問う。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Large language model (LLM) assistants increasingly advise backers on which crowdfunding campaigns to support. LLMs have known race and gender problems, and it is unsettled whether they reproduce, erase, or reverse the discrimination documented in entrepreneurial finance. We ask when, and through which decision process, LLM assistants use founders' gender and ethnicity. In a pre-specified choice-based conjoint experiment, seven LLMs chose among five synthetic campaigns with independently randomized quality signals and founder names, under three backer personas and a persona-free control (40,248 responses). By default, founder names barely matter: under budget-conscious and delivery-focused personas, gender and Black-name effects are statistically equivalent to zero. When the backer wants to support underrepresented creators, the models favor Black-signaled (+8.1 percentage points; positive in all seven models) and female-signaled (+5.1) founders. They do so most strongly among near-tied campaigns and for the founder who alone carries the signal, and they almost never name gender or ethnicity in their reasons. The results fit an agency account of algorithmic discrimination: an aligned assistant takes its demographic preferences from its user rather than from its training data.
• Abstract（参考訳）: 大きな言語モデル(LLM)アシスタントは、どのクラウドファンディングキャンペーンをサポートするかの支援者に対して、ますますアドバイスする。 LLMは人種や性別の問題を知っており、起業家ファイナンスで記録された差別を再現、消去、あるいは覆すかは未定である。 LLMアシスタントはいつ、どの意思決定プロセスを通じて、創業者の性別と民族性を利用するのかを問う。 事前に特定された選択に基づくコンジョイント実験では、7つのLSMが、独立にランダム化された品質信号と創始者名を持つ5つの総合キャンペーンのうち、3つの支援者ペルソナとペルソナフリーコントロール(40,248の応答)の中から選ばれた。 デフォルトでは、ファウンダーの名前はほとんど重要ではない。予算意識と配達に焦点を当てたペルソナの下では、性別とブラックネームの効果は統計的にゼロに等しい。 支援者が表現不足のクリエーターを支援したい場合、モデルはブラックサイン(+8.1ポイント、全7モデルでプラス)と女性サイン(+5.1)の創業者を好む。 彼らは、最寄りのキャンペーンや、シグナルを単独で伝える創業者たちにとって、最も強く行動しており、その理由から性別や民族を付けることはほとんどない。 その結果はアルゴリズムによる差別のエージェンシーの勘定に適合する: 一致したアシスタントは、トレーニングデータからではなく、そのユーザーから人口統計上の好みを採る。

関連論文リスト

• Quantifying Gender Bias in Large Language Models: When ChatGPT Becomes a Hiring Manager [0.0]
  我々は,大規模言語モデルが社会的バイアスを持続する程度を定量化し,バイアス緩和手法としての迅速な工学を考察する。 以上の結果から, LLMは女性候補者を雇用し, 男性候補者に対する低い給与を推奨する傾向が示唆された。
  論文  参考訳（メタデータ） (2026-03-10T00:27:00Z)
• Who Gets the Callback? Generative AI and Gender Bias [0.030693357740321777]
  大規模言語モデル(LLM)は特に高賃金の役割において男性を好む傾向にある。 求人広告における言語的特徴の包括的分析は、モデルレコメンデーションと伝統的なジェンダーステレオタイプとの強い整合性を示す。 我々の調査結果は、AIによる雇用が労働市場のバイアスを持続させ、企業内の公正性と多様性に影響を及ぼす可能性があることを強調している。
  論文  参考訳（メタデータ） (2025-04-30T07:55:52Z)
• Mind the Gap! Choice Independence in Using Multilingual LLMs for Persuasive Co-Writing Tasks in Different Languages [51.96666324242191]
  チャリティー広告作成タスクにおける新規筆記アシスタントのユーザ利用が、第2言語におけるAIの性能に影響を及ぼすかどうかを分析する。 我々は、これらのパターンが、生成したチャリティー広告の説得力に変換される程度を定量化する。
  論文  参考訳（メタデータ） (2025-02-13T17:49:30Z)
• What Does a Software Engineer Look Like? Exploring Societal Stereotypes in LLMs [9.007321855123882]
  本研究では,OpenAIのGPT-4とMicrosoft Copilotが,性別や人種のステレオタイプをいかに強化するかを検討する。 それぞれのLSMを用いて300のプロファイルを生成し,100の性別ベースと50の性別ニュートラルプロファイルで構成された。 分析の結果,両モデルとも男性とコーカサス人のプロファイルが好まれていることが明らかとなった。
  論文  参考訳（メタデータ） (2025-01-07T06:44:41Z)
• Gender Biases in LLMs: Higher intelligence in LLM does not necessarily solve gender bias and stereotyping [0.0]
  大規模言語モデル(LLM)は、生命のあらゆる面で応用されているが、偏見、特にジェンダーのステレオタイピングに対する感受性は、倫理的懸念を引き起こす。 本研究では,新しい方法論,ペルソナに基づく枠組み,および高知能LLMがそのようなバイアスを低減させるか否かを調査するためのユニセックス名手法を紹介する。
  論文  参考訳（メタデータ） (2024-09-30T05:22:54Z)
• Do Large Language Models Discriminate in Hiring Decisions on the Basis of Race, Ethnicity, and Gender? [15.362940175441048]
  大規模言語モデル(LLM)が雇用決定において人種と性別に基づく名前の差別を示すか否かを検討する。 我々は、LLMに対して、雇用決定を告げるメールを書くための一連のテンポラティックなプロンプトを設計する。 応募者のファーストネームを操作することで、LLMが受信メールや拒否メールを生成する確率に対する、認識された人種、民族、性別の影響を測定する。
  論文  参考訳（メタデータ） (2024-06-15T03:31:16Z)
• 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)
• Aligning Large Language Models with Human Opinions through Persona Selection and Value--Belief--Norm Reasoning [67.33899440998175]
  Chain-of-Opinion (COO)は、単純な4段階のソリューションモデリングであり、ペルソナによる推論方法である。 COOは明示的な人格(デモグラフィーとイデオロギー)と暗黙的な人格(歴史学的な意見)を区別する COOは、推論コールを5回だけ促すことで、新しい最先端の意見予測を効率的に達成し、以前のテクニックを最大4%改善する。
  論文  参考訳（メタデータ） (2023-11-14T18:48:27Z)

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。