检验跨文化情景下的大语言模型生成解释中的交叉性偏见：印度与美国 STEM 教育中的系统性劣势
计算机与社会
2026-05-19 v3 计算与语言
摘要
大型语言模型正在跨越高收入与低收入国家的教育机构，用于提供个性化教学指令和反馈。这些系统旨在根据学生需求调整内容，但是否基于实际能力还是人口统计学信号进行调整，尚未在大规模环境下进行测试。本文在两个文化语境中，确立了LLM生成的STEM内容在系统性不利于边缘化学生档案的问题，最特权与最不利档案之间的差距可达2.55个年级水平。我们审计了四个LLM（Qwen 2.5-32B-Instruct、GPT-4o、GPT-4o-mini、GPT-OSS 20B），使用合成档案穿越印度教育（种姓、教学语言、学院层级）和美国教育（种族、HBCU 参训、学校类型）的维度，以及收入、性别和残疾状态，在排名与生成任务中采用 FDR 校正显著性检验和 SHAP 特征归因。收入在所有模型和语境中产生显著效应，教学语言在印度语境中驱动最大单一效应，残疾状态触发更简洁的解释。效应非加性地复合：在多个维度上受边缘化会产生超过任何单个维度预测的差距，偏见在精英机构中仍然持续。所有四种架构的偏见均一致，且通过模型选择仍然持续，这表明在部署前进行交叉性、跨文化审计已成为结构性要求。
引用
@article{arxiv.2601.14506,
title = {Compounding Disadvantage: Auditing Intersectional Bias in LLM-Generated Explanations Across Indian and American STEM Education},
author = {Amogh Gupta and Niharika Patil and Sourojit Ghosh and SnehalKumar and S Gaikwad},
journal= {arXiv preprint arXiv:2601.14506},
year = {2026}
}