大语言模型 中的机构声望作为地理偏差：来自三个带有 Bootstrap 置信区间的阶乘实验的证据
Institutional Prestige as Geographic Bias in Large Language Models: Evidence from Three Factorial Experiments with Bootstrap Confidence Intervals
摘要
我们调查 大语言模型 (LLM) 是否在基于申请人姓名、种族和/或机构声望和地理位置的候选人评估中系统性歧视。报告了三个阶乘实验（4,320 个 API 调用、四个 LLM、五个专业领域）。研究 1（3x4 设计）发现，在 10 分制中，统计上稳健的机构层级梯度为 +0.297 分（95% 引导 CI：+0.175 至 +0.422），而名称来源效应可以忽略不计且不显着（95% CI 跨越零）。研究 2（2x2 声望 x 国家设计）打破了声望-地理混淆：声望效应（+0.185；95% CI：+0.093 至 +0.275）超过原产国效应（+0.126；95% CI：+0.037 至 +0.218）1.5 倍。研究 3（2x2 期刊 x 机构设计）显示，期刊声望（《自然》与外围开放获取期刊）主导机构声望 5.7 倍：期刊效应 +1.937（95% CI：+1.811 至 +2.062）vs 机构效应 +0.341（95% CI：+0.184 至 +0.504）。 “救援效应”得到证实：瓜亚基尔大学 (+2.127) 的候选人比麻省理工学院 (+1.745) 的候选人在《自然》杂志上发表论文更能弥补机构声望较低的问题。使用中智偏差指数 NBI<T,I,F> 对结果进行量化； I 部分揭示了对低声望形象的评估不一致程度较高，这是仅平均指标无法捕捉到的认知劣势。代码和数据：https://github.com/mleyvaz/geo-bias-LLM