语义泄露驱动关联性别偏见研究

该论文指出语义泄露不仅发生在概念被明确归因于实体时，即使概念仅作为场景中的背景元素存在，也会将模型生成导向刻板印象。研究发现，当主体与性别化概念互动或概念仅出现在场景中时，两者对模型输出的影响程度相似，均会显著增加性别偏见的产生。 这一发现挑战了当前大语言模型性别偏见评估的常规假设，即认为只要不直接关联特定实体就不会触发刻板印象。实验表明，模型构建的是更广泛的联想倾向而非单一实体的画像，导致在看似无关的上下文中仍会出现偏差。这种机制意味着现有的评测基准可能低估了模型在实际复杂场景中的风险。 事实层面确认了语义泄露的广泛性及其对性别偏见的驱动作用；推断层面认为现有评估体系未能覆盖此类隐蔽风险；猜测层面涉及未来对齐策略需从单纯约束显式关联转向处理隐式场景联想。