教育科技研究速報

研究發現四款主流 LLM 在分配社會預算時皆存在系統性偏差，與真實經濟結構顯著不符。

本研究揭示了即使使用特定語言模型與數據集，孟加拉語的情感分析模型仍存在顯著的性別、宗教與國籍偏見。

研究發現即便隱去姓名，LLM 仍能透過語言與興趣等微小標記推斷族裔與性別，並產生系統性招聘偏見。

研究揭示了廣泛用於訓練生成式 AI 的美學評估模型存在性別與文化偏見，強化了西方中心主義的美學觀。

研究發現生成式 AI 在職業圖像生成中存在嚴重的社會偏見，強化了性別、種族、年齡與身障者的不平等。

研究發現多代理 LLM 評估系統存在隱蔽的身份偏誤，且部分匿名化會掩蓋真實的偏誤現象。

多代理AI系統的共識結構會加速使用者意見改變並提升自信，形成社會證明偏差；相反地，少數異議則促進深思。

研究發現 LLM 雖能模擬合理的個體，卻無法準確代表真實人口的統計分佈，存在嚴重的偏差與群體抹除風險。

本研究揭示了 LLM 在內容推薦時會放大極化現象，且在不同提示策略與模型供應商之間存在顯著的偏誤差異。

本研究透過語音轉換技術，揭示了 SpeechLLMs 在處理不同口音與性別特徵時存在的交織性偏見與服務品質差異。

研究發現 LLM 代理在多輪辯論中會產生「共識漂移」，且其集體行為受結構影響與模型偏見交織影響。

研究發現 LLM 在招聘與治理中會偏好對 AI 持正面態度的候選人，進而導致組織決策過度依賴 AI 並降低審查品質。