人格特质塑造角色条件化大语言模型叙事中的性别偏见：英语与印地语的实证研究 Personality Shapes Gender Bias in Persona-Conditioned LLM Narratives Across English and Hindi: An Empirical Investigation
23,400 篇跨 6 模型双语的实证研究，揭示 Dark Triad 人格会显著放大 LLM 的男性刻板偏见。
前置知识
角色条件化（Persona Conditioning）
指在 prompt 中显式指定模型要扮演的'角色'，包括性别、职业、年龄、人格等属性，让模型代入特定身份生成文本。这是当前教育、客服、社交机器人等应用中的常见做法。研究表明 persona 不只改风格，还会显著影响内容中的社会表征。
本文整个实验设计都建立在 persona prompting 之上；理解这一点是看懂'为什么单纯加一行人格描述就能改变偏见'的前提。
HEXACO 人格模型
在 Big Five 基础上扩展的人格六维模型：诚实-谦逊（H）、情绪性（E）、外向性（X）、宜人性（A）、尽责性（C）、开放性（O），每个维度有高/低两极描述。其中 H 维度是 HEXACO 区别于 Big Five 的核心，强调反操纵、反特权。
论文用 HEXACO 的 6 个维度作为'亲社会型'人格的代表，与 Dark Triad 形成对照。如果不熟悉这个框架，无法理解作者为什么选了这些特质。
黑暗三联征（Dark Triad）
由马基雅维利主义（Machiavellianism，操纵算计）、自恋（Narcissism，自我夸大）、精神病态（Psychopathy，冲动冷酷）构成的亚临床人格特质组合。SD3（Short Dark Triad）是常用的 27 题简短量表，每特质 9 题。
论文的核心变量之一就是这三个'反社会型'人格；作者用 SD3 量表验证 prompt 是否真的诱导出目标特质，因此理解 SD3 对看懂附录 A.1.1 的验证表很关键。
嵌入空间偏见度量（WEAT/Sentence-Level Cosine）
Caliskan 等 2017 年提出的方法：将性别刻板词汇或句子映射到语义嵌入空间，构造男性/女性质心（centroid），然后用余弦相似度衡量目标文本与哪个质心更接近。本文采用 sentence-level 改进版（差值余弦）。
整个 bias score 的算法都基于质心 + 余弦相似度。理解为什么用差值（而非比值）以及为什么做 L2 归一化，是读懂 §3.2-3.3 的前提。
IndicSBERT 多语句嵌入
L3Cube 团队针对印度语言微调的多语句 BERT 嵌入模型，在印度语言语义检索上优于通用 LaBSE。它把英语与印地语映射到同一共享向量空间，使跨语言偏见比较成为可能。
论文明确指出选 IndicSBERT 而非 LaBSE 是因为后者在 personality 条件下产生的男女分布区分度不够；不熟悉这个模型就理解不了 §A.3 的实验选择理由。
研究动机
大语言模型已广泛部署到教育、客服、社交等 persona-driven 场景，但这些场景里模型不再'中性回复'，而是会按指定人格/职业/性别重新组织语言。先前工作（Chen et al. 2025, Lucy & Bamman 2021, Wan et al. 2023）已证实 LLM 在生成叙事时存在稳定的性别刻板表征——男性被描述得更主动、权威，女性被描述得更共情、情绪化——但这些研究大多把'偏见'当作模型的静态属性。然而社会心理学已证明人类刻板印象是 context-dependent 的，会受人格特质调节：Dark Triad 特质会强化刻板表达，亲社会特质会抑制它。如果 LLM 真的'内化'了人类语言的统计规律，那么在 prompt 里加一行人格描述是否会改变模型输出的性别偏见程度？这是当前偏见文献的一个明显缺口。同时，印地语作为世界第三大语言（Hada et al. 2024 指出其性别偏见与句法性别标注、社会等级深度交织），几乎从未在 persona conditioning 框架下被研究过；英语的偏见度量又不能直接迁移到性别标注型语言上。
本文的目标是本文目标有三：（1）量化在英语和印地语职业叙事生成中，HEXACO 和 Dark Triad 共 9 种人格特质如何系统性地调节 LLM 输出的性别偏见；（2）检验人格与显式性别标签之间的交互作用是否比单一性别标签影响更大；（3）对比英语与印地语在人格-偏见关系上的差异，揭示语法性别标注、文化语境对 bias modulation 的塑造作用。作者希望给出可在 6 个不同架构/规模的 SOTA 模型上复现的实证证据。
与已有工作不同的是，本文填补了三处明确空白：其一，把人格心理学中成熟的 HEXACO + Dark Triad 框架首次系统性地引入 LLM 偏见研究，先前工作要么只看单一'toxicity'维度（Wang et al. 2025），要么只看 Big Five；其二，把研究场域从英语扩展到印地语，并解决英语偏见度量不能跨语言迁移的问题（提出基于 IndicSBERT 的 sentence-level 质心方法）；其三，提出'personality × gender × language × occupation × model'五维交叉的 OLS 回归框架，先前工作很少把这么多变量放在同一个统计模型里同时检验。
核心方法
直觉上，作者把'LLM 生成偏见'这件事从'模型的固有属性'重新定义为'人格 × 性别 × 语言 × 职业 × 模型架构'五维交互的涌现属性。技术路线分三大步：先用结构化 prompt 模板在 6 个模型上批量生成覆盖所有变量组合的对照语料；然后在多语句嵌入空间里构造男/女刻板质心，用 sentence-level cosine 差值度量每句话的偏见方向与强度；最后用 OLS 回归把 story-level 偏见分数分解到各因子上，并以 3 人标注员的小样本 pairwise 验证做人工校准。整个方法的核心比喻是：把 LLM 当成'人格受控的演员'，看演员在不同角色（personality）与剧本（gender × occupation × language）下会怎样'演'出性别刻板。
本文最本质的创新是把'偏见'从单变量属性重新概念化为'交互效应'。已有偏见研究几乎都把性别偏见当成 y 值，把模型、性别作为自变量单独检验；本文则把所有 5 个变量纳入同一个回归 $Y_{m,g,p,o,\ell}=\beta_0+\beta_g G_g+\beta_t P_p+\beta_{lang}L_\ell+\beta_{oc}O_o+\beta_{mod}M_m+\varepsilon$，并按 personality-gender、personality-language 做 stratified regression。更具体地，本文提出 sentence-level centroid bias score：先把 200-210 个刻板词填进模板生成约 1000-1100 个男/女刻板句，用 IndicSBERT 嵌入后取均值得到质心 $c_{male}=\frac{1}{N_m}\sum s_i^{male}$、$c_{female}=\frac{1}{N_f}\sum s_j^{female}$，再对故事每一句计算 $\text{bias}(s_i)=\cos(s_i,c_{male})-\cos(s_i,c_{female})\in[-1,1]$，最后用 max-abs 聚合到故事级。和已有 WEAT/SEAT 方法的关键区别是：（1）聚焦 sentence 而非 word/embedding aggregate，从而能定位到故事里最'刻板'的那一句；（2）基于多语句嵌入使英语/印地语可比；（3）max-abs 关注峰值而非均值，贴近读者实际印象。
方法步骤详情
完整流程分五步：（1）变量构造——对 9 个人格特质各写一对高/低描述文本（HEXACO 沿用 Wang et al. 2025，Dark Triad 自建），用 SD3 量表在 GPT-5 nano 上验证 prompt 是否可靠诱导目标人格（如 Machiavellianism 高描述 44/45 vs 低描述 12/45）。（2）职业场景设计——从印度国家职业分类（NCO-2015）选 50 职业（25 男刻板如木匠/警察，25 女刻板如护士/保姆），每职业配 artifact（教案/日志/表格）+ 短场景。（3）Prompt 模板——结构化 prompt 含 Gender/Occupation/Personality/Artifact/Scenario 五字段，温度 0.7、top-p 0.9。（4）批量生成——每模型 3,900 段 = (2 性别 × 50 职业 × 18 人格条件 + 150 基线) × 2 语言，6 模型合计 23,400 段，人工抽检 200 段确认 prompt 约束。（5）Bias 评分 + 回归 + 人工验证——每段拆句嵌入算 bias(s)、取 max-abs 得 story(S)，做 OLS 与分层回归；3 标注员对 100 对 pairwise 标注，Fleiss κ EN 0.66 / HI 0.69，66%(EN) / 72%(HI) 把 personality-conditioned 判为更刻板。
技术新颖性
和已有偏见文献相比有三个具体新意。第一，'量'的层面：6 模型 × 23,400 段的设计规模远超同领域工作（先前 Bolukbasi 等多在几百-几千样本），使跨模型、跨语言的元分析成为可能。第二，'度'的层面：max-abs sentence-level 度量比 mean embedding 偏差更贴近读者对'这段话有没有问题'的主观判断（验证显示与人类 pairwise 标注高度一致）。第三，'解'的层面：首次定量展示 Dark Triad 与 prosocial 特质在 bias 方向上的'对称'作用——Machiavellianism/Psychopathy 的回归系数稳定为正（约 +0.01 到 +0.03），Openness/Emotionality 稳定为负（约 -0.01 到 -0.03），而 Agreeableness/Conscientiousness 这两个看似'正面'的 HEXACO 维度在某些模型上反而轻微偏向男性刻板（系数 +0.003 到 +0.034），打破了'好人格 = 好输出'的简单假设。
实验结果
核心发现可拆为四组：（1）基线已存在男性刻板偏向。Table 15 显示 GPT-5 印地语基线 76.56% 句偏向男性，印地语基线整体强于英语（GPT-5 印地语 76.56% vs 英语 57.33%），表明句法性别标注放大默认偏见。（2）加入 personality 后所有模型一致增加男性偏向：GPT-5 英语从 57.33% 升到 64.89%，Llama3.3 英语从 56.00% 升到 68.50%；Gemma 英语最戏剧性，从 32.67%（女性偏）翻转到 54.06%（男性偏）。（3）人格×性别交互（Figure 6）：Dark Triad 在男性 persona 上偏移 +0.02 到 +0.04，女性 persona 上仅 +0.005 到 +0.015，表明 Dark Triad 会'叠加'在男性线索上放大刻板。（4）人格×语言交互（Figure 7）：英语中 Dark Triad 系数（0.01-0.025）显著强于印地语（0.005-0.015），归因于印地语通过动词形态（करता/करती）把性别信号分布到语法层面，模型无需词汇刻板即可构造性别化叙事，personality 调节余地被'压缩'。模型架构差异方面：Gemma-3-1B 与 Falcon-Mamba-7B 相对 GPT-5 nano 出现更明显的女性偏向，但 personality-gender 交互方向跨架构一致。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| Personality-conditioned vs baseline detection | Annotator majority-vote detection rate (chance=50%) | English 66.0%, Hindi 72.0% | 50% chance level | EN +16.0pp / HI +22.0pp above chance |
| Personality-bias score vs zero (Machiavellianism-high, English) | Mean bias score across 6 models | GPT5 +0.016, Llama +0.020, DeepSeek +0.011, Mixtral -0.001, Gemma +0.042, Falcon +0.024 | 0 (no bias) | 5/6 models positive; Gemma shows largest amplification (+0.042) |
| Dark Triad vs prosocial in Hindi | Mean bias score (Machiavellianism-high) | GPT5 +0.005, Llama +0.015, DeepSeek +0.023, Mixtral +0.014, Gemma +0.013, Falcon +0.030 | Openness-high: GPT5 -0.008, Llama -0.016, DeepSeek -0.017, Mixtral -0.023, Gemma -0.026, Falcon -0.029 | Direction symmetric across 6/6 models (Dark Triad +, Openness -) |
| Baseline male-stereotype leaning | % of sentences with positive bias score | GPT5-HI 76.56%, Falcon-HI 39.33% (no personality) | Llama-HI 60.00%, Mixtral-HI 62.16% | Model variance 39%-77% shows architecture dependence of baseline bias |
| Aggregation robustness check | Cohen's κ vs max-abs | mean κ=0.738, top-3 mean κ=0.749, median κ=0.538 | Sign agreement with max-abs: mean 87.2%, top-3 87.7%, median 77.4% | Confirms max-abs choice does not drive conclusions |
| Embedding-space WEAT effect size (Cohen's d) | Stereo word vs attribute association | Hindi d=0.9302, English d=0.9447 | Large-effect threshold d>0.80 | Both languages strongly encode gender in semantic space |
局限与改进
作者在 Limitations 一节承认五点：（1）任务局限于印度职业情境，外推到医疗、代码生成等需谨慎；（2）HEXACO 与 Dark Triad 源自西方人格心理学，可能未覆盖印度文化人格构念；（3）bias 度量依赖手工策展的英文→印地语刻板词表，可能漏掉印地语特有刻板，且仅 6 个当代模型；（4）max-abs 只保留峰值刻板句，可能掩盖整体分布信息（A.6 显示 max-abs 与 mean 方向一致率 87.2% 仍算稳健）；（5）metric 只覆盖预定义刻板质点，不能捕获 caste/class/religion 等交叉性偏见。我自己的额外观察：（a）把 23,400 段当独立样本，但同模型同 prompt 输出 cosine 距离仅 ~0.01，可能高估显著性；（b）bias 评分仅 3 人 / 100 对，相对 23,400 段规模覆盖面有限；（c）'温度 0.7 + top-p 0.9'的随机生成未报告 bootstrap CI。
独立分析的弱点
独立分析四个潜在弱点及改进方向：（1）质心构造的'翻译瓶颈'——男/女刻板词表先在英语策展再翻印地语，但印地语刻板常通过 verb morphology 与 compound nouns 表达，缺直接英语对应词。改进：让母语者独立策展印地语词表，或用 L1 语料库（小说、字幕）挖掘本土刻板词汇。（2）max-abs 度量的'幸存者偏差'——只取峰值偏见句，掩盖整体分布。改进：增加 mean、proportion-of-biased-sentences 等聚合并报告 percentile 分布。（3）基线构造混杂——'无 personality'基线仍含 gender + occupation，已有强刻板（Chen 2025a/b），实际测的是'personality-over-occupational-prior'效应，可能低估 absolute bias。改进：增加'neutral persona + neutral occupation'零基线以分离 occupation prior。（4）SD3 验证只覆盖 GPT-5 nano——对 Falcon-Mamba SSM、DeepSeek-R1 LRM 等非标准架构的 trait elicitation 未独立验证。改进：在每个模型上独立跑 SD3 或换用模型 log-prob。
未来方向
作者在 §5 末尾与 Limitations 中分别提出几条方向：（a）扩展到其他社会类别——caste、religion、disability（这在印度社会结构中与性别高度交叉），看 personality-gender 交互是否在其他维度上重演；（b）扩展到多轮对话与 persona drift 场景——本文是单轮单段落生成，真实部署中用户与 LLM 会持续交互，persona 会随上下文漂移，需研究 bias 在多轮中的累积或衰减；（c）扩展到其他语言——Hindi 只是 22 种印度官方语言之一，泰米尔语、孟加拉语等性别标注方式又不同，bias modulation 模式是否一致未知；（d）针对 personality-as-control 提出 mitigation 策略——既然 personality 是可调节的'公平性旋钮'，可研究反 prompt（如在 system prompt 中显式加入 'avoid gender stereotyping regardless of persona'）能否压制 Dark Triad 的放大效应。基于本文成果可延伸的方向还包括：用本文 bias score 作 reward signal 做 RLHF debiasing；把质心度量扩展到 vision-language 模型分析图文叙事偏见；以及建立'persona bias card'——类似 model card，披露每个模型在不同 persona 条件下的偏见谱。
复现评估
复现评估整体偏高门槛但作者承诺开源。代码与数据集声明放在 GitHub 与 Hugging Face（论文中链接为匿名，v2 版可能公开）。核心资源需求：（1）计算：6 个模型中 GPT-5 nano、Llama-3.3-70B、DeepSeek-R1、Mixtral-8x7B、Falcon-Mamba-7B 都需要 A100/H100 级 GPU 或商用 API 访问；Gemma-3-1B 单卡可跑。每模型 3,900 段生成（温度 0.7）粗估需 50-200 GPU 小时（视模型大小），全 6 模型约 1-3 GPU 月。（2）数据：作者承诺发布全部 23,400 段生成语料 + 100-200 词的刻板词表 + IndicSBERT 嵌入代码，第三方只需重新生成或直接用 release 数据跑回归即可。（3）人工标注：3 人 × 100 对 = 300 pairwise 判断，复制门槛低，但标注 guideline 已在附录 A.7 公开。（4）难点：max-abs 聚合、IndicSBERT embedding 调用、与各 LLM API 的一致 prompt 都是潜在复现偏差点——附录 A.4.1 显示同配置内 SBERT cosine 距离仅 ~0.01，提示生成稳定性较好，但模型版本/API 端点更新可能引入 drift。整体难度'中等'：有 LLM API 经验 + 印度语言嵌入知识 + OLS 回归经验的团队可在 2-4 周内复现主线结论。
论文图表
左侧展示男性和女性 domestic worker 在 baseline（无 personality）下都写出中性家务描述；右侧加入 High Machiavellianism/Narcissism 后，男性变成'strategic delegation for personal gain'，女性变成'impression management and favor-seeking'。这是全文最直观的'性别 × 人格'交互示例。
是论文核心论断（personality 重塑性别化叙事）的开场视觉证据，无需读懂后文就能直观感受'Dark Triad 性别化'效应。