Data Distortion and Bias — 数据失真与偏见

大型语言模型中的偏见（英语：bias in large language models）是指大型语言模型 (LLM)在运行中出现的系统性偏差，导致其生成的回答不公平或不准确地反映现实，并复现和强化社会中已有的刻板印象。与随机错误不同，偏见具有规律性，其根源在于训练数据和算法的特性。LLM 可能会复现性别、种族等方面的刻板印象，这在医疗、法律和金融等关键领域构成了严峻挑战。

偏见的来源

LLM 中的偏见主要源于两个方面：有偏见的数据和算法本身的特性。

有偏见的训练数据

产生偏见的主要原因是训练数据反映了世界上存在的历史、社会和文化偏见。LLM 在来自互联网、书籍和其他人类创作的海量文本语料库上进行训练，因此会继承其中包含的所有刻板印象。

• 代表性不均衡：如果数据中某些人口群体（如少数族裔、从事特定职业的女性）的代表性不足，模型就会对他们形成歪曲的看法。例如，LLM 常常将“医生”一词与男性联系，而将“护士”与女性联系，这复现了历史上的性别刻板印象。
• 历史和文化偏见：数据常常反映主流文化观点和历史偏见。在这些文本上训练出的模型会复现这些观点，而忽略其他视角。

算法放大效应

LLM 的架构和训练算法不仅会复现数据中已有的偏差，还可能将其放大。大多数现代 LLM 基于 Transformer 模型，通过统计规律预测下一个词。这导致模型倾向于选择最常见的模式，从而巩固和强化主流观点与刻板印象，而忽视罕见和非典型的情况。这种机制可能将数据中微不足道的偏差转变为模型回答中明显的偏见。

偏见的类型与示例

社会与人口统计学偏见

这是研究最广泛的一类偏见，包括与性别、种族、年龄、宗教和其他社会特征相关的刻板印象。

• 性别刻板印象：LLM 常常将某些职业和特质与特定性别联系起来。例如，当被要求描述一位“强有力的领导者”时，模型更有可能生成对男性的描述。
• 种族与族裔刻板印象：模型可能会复现关于不同族裔群体的负面刻板印象。研究表明，基于 LLM 的内容审核算法可能会更严厉地评估使用非裔美国人白话英语 (AAVE) 的信息，错误地认为其更具攻击性。
• 群体偏见（“内群体 vs. 外群体”）：2024年的一项研究表明，LLM 表现出显著的群体偏见。当接收到与特定群体相关的提示（“我们……”）时，模型倾向于正面评价该群体，而对“外群体”则表现出轻视。

结构性与认知偏差

这些偏差与模型架构和信息处理的特性有关。

• 位置偏差：麻省理工学院 (MIT) 的一项研究发现，模型会不成比例地重视文档开头和结尾的信息，常常“忽略”中间的细节。这可能影响处理长文本时的准确性。
• 趋中倾向：作为概率模型，LLM 倾向于生成最常见（平均化）的回答，这导致其忽略罕见但重要的事实、例外情况和少数派观点。
• 确认偏误：LLM 可能表现出复现训练数据中存在的逻辑模式的倾向，即使这些模式包含偏见，同时会忽略与之相悖的信息。

实践案例

世界银行的一项研究发现，在分析难民访谈时，LLM 会根据其出身和性别系统性地歪曲其言论的含义。模型错误地解读了难民父母希望子女成功的愿望，这可能是因为其训练数据主要由“中产阶级白人作者”的文本构成，缺乏类似的叙事。

风险与后果

• 加剧歧视：在招聘、信贷和司法等领域，有偏见的 LLM 可能会做出歧视性决策，加剧社会不平等。
• 传播刻板印象：在搜索引擎和聊天机器人中大规模使用 LLM 可能导致有害刻板印象的传播和常态化。
• 削弱对技术的信任：如果用户遭遇系统性偏见，这将削弱他们对整个人工智能技术的信任。
• 制造信息茧房：算法可能会根据用户的预设观点来组织输出，从而形成信息回音室 (echo chambers)并边缘化少数派观点。

偏见的检测与缓解方法

为应对偏见问题，研究人员和开发者采取综合性方法，从数据、模型和后处理三个层面着手。

数据层面的干预

这是最根本的方法，包括：

• 清理与平衡：从训练数据中移除有害和有偏见的内容。
• 数据增强 (Data Augmentation)：增加代表性不足群体的样本，以平衡数据比例。

模型层面的修改

该方法旨在改变训练算法本身：

• 公平性约束：在损失函数中引入特殊约束，对模型表现出特定偏见的行为进行“惩罚”。
• 架构调整：研究人员正在探索改变注意力机制或增加监控模块等方法，以跟踪和纠正有偏见的关联。

结果的后处理

该方法在生成回答的阶段应用：

• 过滤与校正：使用专门的算法分析生成的文本，缓和或删除潜在的歧视性表述。
• 基于人类反馈的强化学习 (RLHF)：根据人类评估者的反馈，专门对模型进行微调，使其能够给出更中立、更安全的回答。

尽管取得了显著进展，但完全消除 LLM 的偏见仍未实现。这依然是旨在创建更公平、更可靠 AI 系统的关键研究领域之一。

链接

• Generative language models exhibit social identity biases — Nature Computational Science 的研究
• Unpacking the bias of large language models — MIT News 的文章

参考文献

• Guo, Y. et al. (2024). Bias in Large Language Models: Origin, Evaluation, and Mitigation. arXiv:2411.10915.
• Gallegos, I. O. et al. (2023). Bias and Fairness in Large Language Models: A Survey. arXiv:2309.00770.
• Wu, X. et al. (2025). On the Emergence of Position Bias in Transformers. arXiv:2502.01951.
• Hu, T. et al. (2024). Generative Language Models Exhibit Social Identity Biases. Nature Computational Science, 5, 65-75. Full text.
• Sheng, E. et al. (2019). The Woman Worked as a Babysitter: On Biases in Language Generation. In EMNLP-2019. PDF.
• Bender, E. M. et al. (2021). On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?. In ACM FAccT 2021. DOI:10.1145/3442188.3445922.
• Bai, X. et al. (2024). Measuring Implicit Bias in Explicitly Unbiased Large Language Models. arXiv:2402.04105.
• Ma, C. et al. (2024). Debiasing Large Language Models with Structured Knowledge. In Findings of ACL 2024, pp. 10274-10287. [7].
• Mohammadi, B. (2024). Creativity Has Left the Chat: The Price of Debiasing Language Models. arXiv:2406.05587.
• Ayaz, A. et al. (2023). Taught by the Internet: Exploring Bias in OpenAI’s GPT-3. arXiv:2306.02428.
• Benedetto, L. & Stella, M. (2023). Cognitive Network Science Reveals Bias in GPT-3, GPT-3.5-Turbo, and GPT-4 Mirroring Math Anxiety in High-School Students. Applied Sciences, 13(3). Open access.