# مدل‌های زبانی تا ۴۶٪ مواقع گزارشگران سیاه‌پوست را نمی‌پذیرند

> پژوهش نشان می‌دهد مدل‌های زبانی محبوب، وقتی منبعی سیاه‌پوست توصیف می‌شود، بیشتر از پذیرش اطلاعات او سر باز می‌زنند؛ نشانه‌ای از سوگیری پنهان.

Oossa · 2026-10-23 · https://oossa.com/fa/study-finds-llms-decline-info-from-black-described-reporters-up-to-46-of-the-tim

مقاله‌ای تازه در arXiv با عنوان «نامرئی‌سازی به‌مثابه منشأ سوگیری احتمالاتی در مدل‌های زبانی» سنجیده است که مدل‌های پیشرو، بر اساس نژادی که برای گزارشگر توصیف می‌شود، چند وقت یک‌بار از اعتماد به گزارش او خودداری می‌کنند. پژوهشگران با اجرای یک بازی دوکوزه‌ای در ۶٬۶۰۰ نوبت دریافتند که مدل‌های OpenAI و Anthropic در ۴۶٪ موارد حاضر نشدند گزارشگری را که سیاه‌پوست توصیف شده بود ارزیابی کنند؛ این رقم برای گزارشگری که سفیدپوست توصیف شده بود ۹٪ بود. اما وقتی مدل‌ها اطلاعات را ارزیابی می‌کردند، اندکی بیشتر به منبع سیاه‌پوست اعتماد داشتند. این سوگیری زمانی از بین می‌رود که در چند دور متوالی، سامانه امتیازدهی به ارزیابی‌های درست پاداش بدهد.

## حقایق

- مقاله در 2026-10-23 منتشر شد ("Fri Oct 23 2026 06:00:00 GMT+0200")
- نرخ خودداری از ارزیابی: ۴۶٪ برای گزارشگران سیاه‌پوست‌توصیف‌شده و ۹٪ برای گزارشگران سفیدپوست‌توصیف‌شده

## چرا مهم است

توسعه‌دهندگان دستیارهای هوش مصنوعی باید بدانند که مدل‌های زبانی بزرگ فعلی ممکن است بی‌سروصدا اطلاعات را بر اساس نژادی که به منبع نسبت می‌دهند بپذیرند یا رد کنند؛ مسئله‌ای که می‌تواند بر منصفانه‌بودن کاربردهایی مانند پشتیبانی مشتری یا تریاژ پزشکی اثر بگذارد.

## منابع و ارجاع‌ها

1. [Invisibilization as a Source of Probability Bias in Language Models](https://arxiv.org/abs/2610.30785) – arXiv, 2026-10-23

آخرین به‌روزرسانی: 2026-10-23