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

本文是LLM系列文章，针对《Angry Men, Sad Women: Large Language Models Reflect Gendered
Stereotypes in Emotion Attribution》的翻译。

摘要

大型语言模型反映了社会规范和偏见，尤其是关于性别的规范和偏见。尽管社会偏见和刻板印象在各种NLP应用中得到了广泛研究，但在情绪分析方面存在着令人惊讶的差距。然而，情感和性别在社会话语中是紧密相连的。例如，女性通常被认为更具同理心，而男性的愤怒更容易被社会接受。为了填补这一空白，我们首次对五种最先进的LLM（开源和闭源）中的性别情绪归因进行了全面研究。我们调查情绪是否是性别化的，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的角色，并将情绪归因于“当我与一个亲爱的人发生严重争吵时”这样的事件。然后，我们分析模型产生的与性别事件对相关的情绪。我们发现，受性别刻板印象的影响，所有模型都一致表现出性别化的情绪。这些发现与心理学和性别研究的既定研究一致。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。LLM中情绪刻板印象的再现使我们能够使用这些模型来详细研究主题，但也提出了关于这些LLM在情绪应用中的预测使用的问题。

1 引言

2 背景

3 实验设置

4 LLM展示性别情感

5 刻板印象下的情绪归因

</