パーソナリティがジェンダーバイアスを左右：英語・ヒンディーにおけるペルソナ条件付きLLMの物語生成の実証調査

Abstract

大規模言語モデル（LLM）は、教育、カスタマーサポート、ソーシャルプラットフォームなど、ペルソナ主導型のアプリケーションにますます導入されている。これらの場面では、ユーザーと対話するときに、モデルに特定のペルソナを採用するよう促すことがある。ペルソナの条件付けはユーザー体験やエンゲージメントを向上させうる一方で、人格の手がかりがジェンダーバイアスやステレオタイプとどのように相互作用するかについて懸念も生じる。本研究では、英語とヒンディー語におけるペルソナ条件付け型の物語生成について、統制された研究を提示する。各物語は、インドで働く専門職が、文脈に特化した成果物（例：レッスンプラン、レポート、手紙）を生み出す様子を描く。そして、HEXACOおよびDark Triadの枠組みに基づいて、ペルソナのジェンダー、職業上の役割、性格特性を体系的に変化させる。最先端の6つのLLMから生成された23,400本の物語にわいて、性格特性はジェンダーバイアスの大きさと方向の両方と有意に関連していることが分かった。特に、Dark Triadの性格特性は、社会的に望ましいHEXACOの性格特性と比べて、ジェンダーステレオタイプ的な表象と一貫して関連している。ただし、この関連はモデルや言語によって変動する。本研究結果は、LLMにおけるジェンダーバイアスが固定的なものではなく、文脈依存であることを示している。これは、現実世界のアプリケーションで用いられるペルソナ条件付け型システムが、不均一な表象上の害を生み出し、生成される教育的、職業的、またはソーシャルなコンテンツにおいてジェンダーステレオタイプを強化しうることを示唆する。