LLM生成招聘情境中的可能主义：交叉性残疾偏见

大型语言模型（LLM）在高风险领域如招聘中被广泛用于，因而引发对其对残疾人群（PwD）身份偏见的关注。然而，现有研究主要以西方为中心，忽略了性别、种姓等交叉边缘化形式如何塑造全球南方 PwD 的体验。我们对六种 LLM 进行了全面审计，涵盖2820个招聘情境，涉及多样化的残疾、性别、国籍和种姓配置。为捕捉细微的交叉性伤害与偏见，我们引入ABLEIST（Ableism, Inspiration, Superhumanization, and Tokenism），一套包含五项可能主义特定指标和三项交叉性伤害指标的度量体系，基于残疾研究文献。我们的结果显示，针对残疾候选人的ABLEIST 伤害显著增加——许多最先进的模型未能检测到这些伤害。这些伤害还因性别和种姓边缘化残疾候选人的交叉性伤害（如Tokenism）的显著上升而被放大，凸显当前安全工具在高风险领域（如招聘）中对前沿模型进行交叉性安全评估的关键盲点。