アイデンティティに向けたユーモアを通じたLLMの反事実的（カウンターファクト）な不公平性の調査

Abstract

ユーモアは社会的認識の鏡となります。私たちが面白いと感じるものは、多くの場合、私たち自身がどのような存在であり、他者をどのように判断するのかを反映しています。言語モデルがユーモアに関わるとき、その反応は、学習データから内在化してきた社会的前提をあぶり出します。本論文では、話し手と宛先（話しかけられる相手）を入れ替えても他の要因を一定に保つことで、モデルの応答がどのように変化するかを観察し、ユーモアを通じた反実仮想的不公平（counterfactual unfairness）を調査します。提案する枠組みは3つのタスクから成ります。すなわち、ユーモア生成の拒否、話し手の意図の推定、そして関係的／社会的影響の予測です。これらは、アイデンティティに依存しないユーモアと、アイデンティティに特化した侮辱的ユーモアの双方を対象とします。さらに、アイデンティティの入れ替えにおける非対称なパターンを捉える、解釈可能なバイアスメトリクスを導入します。最先端モデルにまたがる実験により、一貫した関係的な格差が明らかになりました。特権的な話し手が語るジョークは、最大67.5%より多く拒否され、悪意があると判断される頻度は64.7%より高く、社会的害の5点尺度における評価は最大1.5点高くなります。これらの傾向は、生成モデルにおいて「感受性」と「ステレオタイプ化」が共存していることを示し、公平性や文化的整合性に向けた取り組みを複雑にします。