编码不平等：审视 LLM 驱动的机器人护理中的人口统计偏差
计算机与社会
2025-03-11 v1 人工智能
人机交互
摘要
随着机器人承担护理角色，确保其与不同人群进行公平且无偏见的互动至关重要。尽管大型语言模型（LLM）在塑造机器人行为、语音和决策方面作为关键组件，但这些模型可能编码并传播社会偏见，导致基于人口统计因素的护理差异。本文研究了当输入与性别、性取向、种族、民族、国籍、残疾和年龄相关的人口统计信息时，LLM 生成的响应如何塑造机器人护理的特征和责任。结果显示，针对残疾和年龄的描述被简化，针对残疾和 LGBTQ+ 身份的情感倾向较低，并且在护理叙事中存在强化刻板印象的独特聚类模式。这些结果强调了伦理和包容性 HRI 设计的必要性。
引用
@article{arxiv.2503.05765,
title = {Encoding Inequity: Examining Demographic Bias in LLM-Driven Robot Caregiving},
author = {Raj Korpan},
journal= {arXiv preprint arXiv:2503.05765},
year = {2025}
}
备注
Accepted at the 4th Diversity, Equity, & Inclusion in HRI Workshop at HRI'25, the 20th edition of the ACM/IEEE International Conference on Human-Robot Interaction