我黑入了Monster Energy，揭示了品牌对消费者外貌的误解和刻板印象，以及其对目标受众的定位。

我揭示了Monster Energy对消费者外貌的误解和刻板印象，探讨了品牌如何看待和定位目标受众。

本研究探讨大型语言模型在生成多语言响应时的文化知识差异。提供文化上下文可提升模型的本地化能力，并发现可跨非英语语言使用的文化定制向量，从而增强多样性并减少刻板印象。

本研究探讨大型语言模型的性别偏见表现，发现其能够中等程度推测性别，但仍受刻板印象影响，需加强偏见缓解策略。

本研究探讨了大语言模型在欺骗攻击下的脆弱性，尽管经过训练以抵制误导性内容，但仍可能被突破，导致生成仇恨言论和刻板印象。因此，保护这些模型免受欺骗攻击至关重要。

本研究探讨生成语言模型中的偏见与任务特定缺陷之间的关系，提出了一种偏见缓解框架，通过指令微调减少了60%以上的刻板印象输出，强调了区分“偏见”与其他错误的重要性。

研究利用自然语言处理和众包词汇，分析1.8亿字小说中的性别代表和刻板印象。结果显示，男性角色比例较高，传统性别刻板印象普遍存在，尤其是性感或暴力的男性与高评价故事相关。女性常被负面刻板印象描绘，且无论性别，作者都容易使用这些刻板印象。

该研究评估了推荐系统的误差、刻板印象和校准问题，并提出了一种统一框架来衡量系统引起的效应。研究发现，简单算法生成的推荐结果更符合刻板印象但偏差较小，而复杂算法产生的推荐则存在更大的偏差，影响到非典型用户和少数群体。通过过采样可以减少刻板印象并提高推荐质量，改善系统引起的效应。

本文介绍了Molyé语料库，该语料库结合了欧洲三种语言变体的刻板印象和法语基础克里奥尔语的早期证据。旨在促进将欧洲接触情景与克里奥尔语国家的关系进行未来研究。

大型语言模型（LLMs）会传播和放大有害的刻板印象，特别是对边缘化社群。研究者使用GlobalBias数据集测试了一套语言模型，并发现模型输出中存在刻板印象。即使禁止，更大的模型仍然显示出更高水平的刻板印象输出。

研究发现大型语言模型（LLMs）存在与社会群体刻板属性相关的偏见，特别是对非洲裔、亚洲裔和拉美裔美国人的描绘。女性比男性更具同质性，但差异较小。性别的影响在种族/民族群体中存在差异。研究推测这种偏见可能放大未来LLM训练中的偏见并强化刻板印象。

本文研究了大型语言模型（LLMs）中存在的偏见，特别是与社会群体的刻板属性相关的偏见。研究发现LLMs将非洲裔、亚洲裔和拉美裔美国人描绘为比白人更具同质性，女性比男性更具同质性，但差异较小。性别的影响在种族/民族群体中存在差异。研究推测这种偏见可能放大未来LLM训练中的偏见并强化刻板印象。

本研究提出了一种四阶段的框架来评估大型语言模型生成的内容中的刻板印象和偏见，并以教育领域为案例研究构建了Edu-FairBench。实验结果显示五个LLMs存在不同程度的刻板印象和偏见，自动评估方法与人工注释相关性高。

研究发现大型语言模型（LLMs）存在与社会群体刻板属性相关的偏见，特别是对非洲裔、亚洲裔和拉美裔美国人的描绘更具同质性，女性稍具同质性。性别的影响在种族/民族群体中存在差异。研究推测这种偏见可能放大未来LLM训练中的偏见并强化刻板印象。

研究发现，为ChatGPT分配假想角色会增加生成结果的亵渎程度，存在刻板印象、有害对话和伤人观点。研究呼吁AI社区重新思考安全措施，开发更好的技术实现强大、安全和值得信赖的AI系统。