EduFair-Bench：跨学生人口统计特征评估大语言模型辅导师的教育公平性

大语言模型（LLM）正被越来越多地用作辅导师，但尚不清楚它们是否能平等支持所有学生。我们提出了EduFair-Bench，一个用于审计LLM辅导师教育公平性的基准——即辅导质量是否系统性地随学生人口统计特征变化。EduFair-Bench结合了一个多领域题库（数学、物理、化学），并通过受控模拟，让一个固定的LLM学生与每个辅导师在九个不同的人口统计水平下交互，这些水平涵盖四个维度：性别、移民背景、母语和 社会经济地位（SES）。辅导质量基于五个回合级教学指标和四个对话级维度进行评分，使用一个经过180个回合三标注者共识验证的LLM裁判。通过配对的Wilcoxon符号秩检验和Bootstrap效应大小置信区间来测量偏见。两个消融实验（通过姓名传递人口统计线索；辅导师与学生之间存在冲突的人口统计信息）分别解耦了由辅导师驱动和由学生驱动的偏见。在五个辅导模型中，我们发现模型能力与人口统计公平性基本正交：最小模型表现最稳定，而四个更强大的模型均存在显著的人口统计差异，且无明确能力与公平性的对应关系，特定教学领域的强化学习训练更多是重新分配而非消除偏见，与语言和移民相关的线索产生的差距大于性别和SES相关的线索。