探测多语言大语言模型中的性别偏见：波斯语刻板印象案例研究
计算与语言
2025-09-25 v1
摘要
多语言大语言模型（LLM）在全球范围内被日益广泛使用，确保其不受性别偏见影响以防止表征性伤害至关重要。虽然已有研究考察了高资源语言中的此类偏见，但低资源语言仍研究不足。在本文中，我们提出了一种基于模板的探测方法，该方法经过真实数据验证，用于揭示大语言模型中的性别刻板印象。作为该框架的一部分，我们引入了领域特定性别偏斜指数（DS-GSI），一种量化性别均等偏差的指标。我们在四个语义领域评估了四个著名模型——GPT-4o mini、DeepSeek R1、Gemini 2.0 Flash 和 Qwen QwQ 32B——重点关注波斯语这一具有独特语言特征的低资源语言。结果表明，所有模型均表现出性别刻板印象，且在所有领域中波斯语的性别差异均大于英语。其中，体育领域反映了最僵化的性别偏见。本研究强调了包容性自然语言处理实践的必要性，并为评估其他低资源语言中的偏见提供了一个框架。
引用
@article{arxiv.2509.20168,
title = {Probing Gender Bias in Multilingual LLMs: A Case Study of Stereotypes in Persian},
author = {Ghazal Kalhor and Behnam Bahrak},
journal= {arXiv preprint arXiv:2509.20168},
year = {2025}
}
备注
Accepted and forthcoming at the Widening Natural Language Processing Workshop (WiNLP 2025) at EMNLP 2025