Explicit vs. Implicit: Investigating Social Bias in Large Language Models through Self-Reflection

文章主要内容

本文聚焦大语言模型（LLMs）中的显式和隐式偏差问题展开研究。首先，在方法上，借鉴社会心理学理论，通过精心设计的提示模板，利用基于模拟心理评估的方法测量隐式偏差，再引导模型对自身生成内容进行分析来评估显式偏差，实现了从人类评估方法到LLMs评估的拓展。

实验方面，对多个主流LLMs在性别、种族、职业、年龄、残疾等多个社会维度进行测试，设置了大量实验以确保结果的统计可靠性。结果显示，LLMs在显式和隐式偏差上存在显著不一致，隐式偏差表现出强烈的刻板印象，而显式偏差相对温和，且模型能力与隐式偏差程度呈正相关。进一步研究影响偏差的因素发现，增加训练数据和模型参数会使显式偏差减少，但隐式偏差增加；对齐训练能有效抑制显式偏差，对隐式偏差的影响却很有限。

文章创新点

1. 提出新评估方法：基于心理理论提出 “自我反思” 评估框架，分别用自我报告评估（SRA）和内隐联想测验（IAT）测量显式和隐式偏差，且显式偏差评估涉及模型对隐式偏差的自我反思。
2. 揭示偏差不一致性：实验揭示LLMs中显式和隐式偏差的不一致现象，即显式层面刻板印象少，隐式层面偏差显著。