Angry Men, Sad Women: Large Language Models Reflect Gendered Stereotypes in Emotion Attribution

大型语言模型（LLMs）反映了社会对性别的常规和偏见。尽管社会偏见和刻板印象在各种自然语言处理应用中得到了广泛研究，但在情感分析方面存在惊人的差距。然而，情感和性别在社会话语中密切相关。例如，女性通常被认为更具有共情能力，而男性的愤怒更受社会认可。为了填补这一空白，我们提出了首个关于五个最先进的LLMs（开源和闭源）中的性别化情感归因的全面研究。我们调查情感是否有性别差异，以及这些变化是否基于社会刻板印象。我们提示模型采用性别化角色并将情感归因于事件，例如“当我与亲密的人发生严重争论时”。然后，我们分析模型生成的情感与性别-事件对之间的关系。我们发现，所有模型都一致展示出性别化情感，受到性别刻板印象的影响。这些发现符合心理学和性别研究中已有的研究。我们的研究揭示了语言、性别和情感之间复杂的社会相互作用。LLMs中情感刻板印象的再现使我们能够使用这些模型来详细研究这个主题，但也引发了关于情感应用中同样LLMs的预测使用的问题。

探究现有大型语言模型在情感分析中存在的性别偏见和刻板印象，并验证这些偏见是否源自社会刻板印象。

通过让大型语言模型采用特定性别的角色并对事件进行情感归因，分析模型对不同性别的情感表达，发现所有模型都存在性别化的情感表达，且受到刻板印象的影响。

论文是第一篇全面研究大型语言模型在情感分析中存在性别偏见的论文，实验使用了五个最新的开源和闭源模型，研究结果与心理学和性别研究领域的研究相符合。研究结果揭示了语言、性别和情感之间的复杂社会相互作用。

最近相关的研究包括《Gender Bias in Neural Natural Language Processing》、《Man is to Computer Programmer as Woman is to Homemaker? Debiasing Word Embeddings》等。