LLM 在招聘决策中的性别与位置偏见：基于比较简历/求职信评估的实证研究
计算与语言
2025-05-28 v2 人工智能
计算机与社会
摘要
本研究检验了大型语言模型（LLM）在基于求职信或课程 vitae（CV）评估专业候选人的行为。在一次包含 22 家领先 LLM 的实验中，每个模型均被系统性地给定一份职位描述和一对职业匹配的简历，其中一方带有男性名字，另一方带有女性名字，并被要求选出更合适的候选人。每对简历被呈现两次，名字互换，以确保所观察到的候选人选择偏好源于性别化名字线索。尽管性别间的专业资格完全相同，所有 LLM 在 70 种不同职业领域均一致偏好女性化名字的候选人。进一步在简历中添加明确的性别字段（男性/女性）后，偏好女性申请人的倾向进一步增加。当性别化名字被替换为性别中性标识符“Candidate A”和“Candidate B”时，several 模型显示偏好选择“Candidate A”。通过在性别中性标识符之间进行平衡性性别分配，导致候选人选择在性别上实现平等。当被要求就简历进行独立评分而非比较时，LLM 为女性简历的平均得分略高，但效应规模可忽略不计。最后，大多数模型在简历列表中首位候选人上的位置偏见显著，导致该候选人被选中的概率显著上升。这些发现凸显在部署用于高风险自主决策情境中的 LLM 需要谨慎，并对 LLM 是否持续应用原则性推理提出疑问。
引用
@article{arxiv.2505.17049,
title = {Gender and Positional Biases in LLM-Based Hiring Decisions: Evidence from Comparative CV/R\'esum\'e Evaluations},
author = {David Rozado},
journal= {arXiv preprint arXiv:2505.17049},
year = {2025}
}