SPAGBias：揭示和追踪大型语言模型中结构化空间性别偏见
计算与语言
2026-04-17 v1
摘要
大型语言模型（LLMs）正被越来越多地用于城市规划，但由于性别空间理论指出性别等级制度嵌入在空间组织中，因此担忧 LLMs 可能复制或放大此类偏见。我们引入 SPAGBias——第一个系统化框架来评估 LLMs 中的空间性别偏见。它结合了 62 个城市微空间的分类学、提示语库和三个诊断层次：显式（强制选择抽样）、概率（标记级不对称）和建构性（语义和叙事角色分析）。对六个代表性模型进行测试，我们识别出超越公有-私有二分法的结构化性别-空间关联，形成细致的微观层次映射。故事生成揭示了情感、措辞和社会角色如何共同塑造“空间性别叙事”。我们还检查了提示设计、温度和模型规模如何影响偏见表达。追踪实验表明，这些模式在模型管道（预训练、指令微调和奖励建模）中被嵌入并强化，其中模型关联显著超过真实世界分布。下游实验进一步表明，这些偏见在规范和描述性应用场景中会产生具体失败。本工作将社会学理论与计算分析相结合，扩展了偏见研究进入空间领域，揭示了 LLMs 如何通过语言编码社会性别认知。
引用
@article{arxiv.2604.14672,
title = {SPAGBias: Uncovering and Tracing Structured Spatial Gender Bias in Large Language Models},
author = {Binxian Su and Haoye Lou and Shucheng Zhu and Weikang Wang and Ying Liu and Dong Yu and Pengyuan Liu},
journal= {arXiv preprint arXiv:2604.14672},
year = {2026}
}
备注
Accepted by ACL 2026