大语言模型放大共情性别刻板印象:对专业与职业推荐的影响OACHSSCD

大语言模型(LLMs)在教育与职业咨询等高敏感场景中的应用日益广泛,其潜在的性别刻板印象风险引发关注。本研究通过三项实验考察LLMs在“共情能力女性强、男性弱”这一刻板印象上的表现及其影响。研究1通过人机对比,发现6类LLMs在情绪共情、情感关注与行为共情维度上的性别刻板印象均显著高于人类。研究2操控输入语言(中文/英文)与性别身份(男/女),发现英文语境和女性身份启动更易激活LLMs中的刻板印象。研究3聚焦专业与职业推荐任务,发现LLMs倾向给女性推荐高共情需求的专业与职业,而给男性推荐低共情需求的方向。总体而言, LLMs在共情能力上表现出明显的性别刻板印象,该偏见会随输入情境变化,并可迁移至现实推荐任务中。研究为人工智能系统的偏见识别与公平性优化提供了理论依据与实践启示。