arXiv:2610.00185v1 cs.CY

학위가 없는 백인 남성이 대규모 언어 모델로부터 가장 낮은 평가를 받는다

White Men Without Degrees Receive the Lowest Ratings from Large Language Models

Maxim Chupilkin

제출 2026-09-17

한국어 초록

신용, 채용, 임대 지원서에 대한 통제된 대규모 언어 모델(LLM) 평가에서 학사 학위가 없는 백인 남성이 성별·인종·학력으로 나뉜 8개 집단 중 가장 낮은 평균 평가를 받는 것으로 나타났다. 본 연구는 12개 개발 그룹의 18개 모델을 대상으로 전요인 비네트(full-factorial vignette) 실험을 수행하였으며, 각 환경 내에서 명시된 재정적 또는 직업적 상황을 일정하게 유지하면서 성별, 인종, 연령, 시민권 여부, 학력을 변화시켰다. 각 모델은 환경당 32개의 프로필 전체를 10회씩 평가하여 총 17,280건의 평가 결과를 산출하였다. 모델, 연령, 시민권 여부를 통틀어 평균을 냈을 때, 학위가 없는 백인 남성에 대한 평가는 0-100점 척도 기준으로 신용 75.87점, 채용 92.71점, 임대 주택 86.62점으로 8개 집단 중 가장 낮았다. 반면 학위가 있는 흑인 여성이 가장 높은 평균 평가를 받았으며, 각각 2.94점, 3.66점, 3.56점의 격차를 보였다. 개별 속성 효과를 살펴보면 세 가지 환경 모두에서 여성, 흑인 지원자, 학위 소지자에게 유리하게 작용했다. 학위가 없는 백인 남성은 54개의 모델-시나리오 조합 중 46개(85.2%)에서 가장 낮거나 두 번째로 낮은 평균 점수를 기록했다. 이러한 양상은 학위가 없는 백인 남성 집단에서 심화되는 경제적·건강상 취약성에 대한 기존 실증 결과와 연결되며, 광범위한 인종 또는 성별 범주에 의해 불이익이 가려질 수 있는 집단을 부각한다.

원문 초록

White men without an undergraduate degree receive the lowest average ratings among eight gender-race-education groups in controlled large-language-model evaluations of credit, hiring, and rental applications. We conduct full-factorial vignette experiments with 18 models from 12 developer groups, varying gender, race, age, citizenship, and education while holding stated financial or occupational circumstances constant within each setting. Each model evaluates all 32 profiles ten times per setting, yielding 17,280 ratings. Averaging over models, age, and citizenship, ratings for White men without degrees are the lowest among the eight groups, at 75.87 in credit, 92.71 in hiring, and 86.62 in rental housing on a 0-100 scale. Black women with degrees receive the highest average ratings, with corresponding gaps of 2.94, 3.66, and 3.56 points. Separate attribute effects favor women, Black applicants, and degree holders in all three settings. White men without degrees have the lowest or second-lowest mean in 46 of 54 model-scenario combinations (85.2%). This pattern connects to evidence of growing economic and health vulnerabilities among White men without degrees, highlighting a group whose disadvantages can be obscured by broad racial or gender categories.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2610.00185v1

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2606.21869v3cs.CL공통 태그 Fairness

언어-에너지 격차: 다국어 LLM 추론의 에너지 비용 측정

The Language-Energy Divide: Measuring Energy Costs of Multilingual LLM Inference

대규모 언어 모델(LLM)은 다국어 환경에서 점점 더 배포되고 있지만, 다양한 언어에 걸쳐 이러한 모델을 서빙할 때의 에너지 비용은 여전히 잘 이해되지 않고 있다. ML.Energy 프레임워크(Chung et al., 2026)를 사용하여 언어 간 추론 에너지 소비에 대한 체계적인 연구를 제시한다. 우리는 뚜렷한 격차를 발견한다: 출력 토큰당 에너지 소비는 언어에 따라 최대 8.3배까지 달라지며, 고정된 요청 집합에 대한 총 에너지는 가장 저렴한 언어(영어, 17.6 kJ)와 가장 비싼 언어(파슈토어, 3,147 kJ) 사이에서 최대 179배까지 차이 난다. 분석 결과, 이러한 격차는 두 가지 복합 요인에 의해 발생한다: (1) 복잡하거나 희귀한 문자 체계를 사용하는 언어에서 토큰당 에너지 비용이 더 높고, (2) 저자원 언어에서 더 많은 토큰이 생성된다. 더 나아가, 이중 비용+성능 페널티를 발견한다: 에너지 발자국이 가장 큰 언어일수록 작업 정확도도 가장 낮은 경향이 있다. 에너지 격차는 모델, 하드웨어, 작업 전반에 걸쳐 지속되며, 이는 다국어 LLM 배포에서 구조적인 에너지 불평등이 있음을 시사한다. 마지막으로, 커뮤니티가 에너지를 1급 평가 축으로 취급하고, 보고 체크리스트와 모델 카드에 이를 포함하도록 확장하며, 더 나은 에너지 효율을 위한 배포 측면의 완화 조치를 채택할 것을 권고한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.