大規模言語モデルにおけるバイアス：起源、評価、そして緩和

要旨: 大規模言語モデル（LLM）は自然言語処理に革命をもたらしましたが、そのバイアスに対する脆弱性は重大な課題を引き起こします。本稿は、バイアスの起源から現在の低減戦略まで、LLMにおけるバイアスの全体像を包括的に概観します。バイアスを内在的（intrinsic）および外在的（extrinsic）に分類し、それらがさまざまなNLPタスクでどのように現れるかを分析します。さらに、本レビューでは、データレベル、モデルレベル、出力レベルのアプローチを含む一連のバイアス評価手法を批判的に検討し、バイアス検出のための堅牢なツールキットを研究者に提供します。加えて、低減戦略をプレモデル（pre-model）、インモデル（intra-model）、ポストモデル（post-model）の手法に分類し、それらの有効性と限界を明らかにします。偏ったLLMの倫理的および法的な含意について議論し、医療や刑事司法のような現実世界の応用における潜在的な害を強調します。LLMにおけるバイアスに関する現在の知見を統合することで、本レビューは、公正で責任あるAIシステムを開発するための継続的な取り組みに貢献します。本研究は、LLMにおけるバイアスを理解し、評価し、低減しようとする研究者および実務家にとって包括的なリソースとして機能し、より公平なAI技術の発展を促進します。