论文
名字之外：去识别化简历中的人口统计泄露和大语言模型偏差审计中的评估工件
Beyond the Name: Demographic Leakage in De-Identified Résumés and Evaluation Artifacts in LLM Bias Audits
摘要
去识别化简历筛选假设对显式字段进行编辑可以防止民族文化推断；然而，最近的审计将残余泄漏归因于声明的语言。我们研究消除语言字段是否可以解决 9 个开放权重模型和 620 份反事实简历中的这种泄漏问题。通过保持语言属性严格相同，我们将非结构化散文隔离在五个民族文化条件和三个线索显着层中。目标群体恢复平均为 0.757，在高显着性下饱和于 1.000，表明非语言散文维持人口推断。至关重要的是，模型仅在微弱的线索（0.086-0.690）下才会出现分歧，从而将显着性确立为基本的评估轴。此外，成对的大语言模型法官结果对评估设计高度敏感：禁止关系会产生 0.39 的明显选择率比率，同时具有很强的位置和内容效应，而允许关系会为大多数模型产生近乎普遍的关系（$\ge94\%$）。下游评分仅显示条件之间的差异非常小，这突出表明需要区分从简历内容中恢复的人口统计信号与评估协议引入的影响。