Newest papers

Investigating the Impact of Learner Errors on Social Bias in Large Language Models

Federico Marcuzzi, Martin Christoph, Iryna Gurevych, Alla Rozovskays · 2026 · arXiv

DOI: 10.48550/arXiv.2610.29896 · open-access PDF

Korean

기존의 사회적 편견 기준은 주로 유동적이고 잘 형성된 영어로 대규모 언어 모델을 평가하여 원어민 사용을 반영하고 원어민이 아닌 작가를 대표하지 못하게합니다.이 격차를 해결하기 위해, 우리는 원어민이 아닌 작가의 문법 오류가 사회적 편견에 어떻게 영향을 미치는지 조사합니다. 우리는 일반적인 학습자 오류를 프롬프트에 주입하고 세 가지 편견 기준에 적용하는 통제 된 프레임 워크를 개발하고 성별, 인종 및 종교 간의 정서적 조정 및 인구적 선호도를 다루는 세 가지 편견 기준에 적용합니다. 우리는 문법적 오류가 편견을 증가시키고 효과가 오류율로 증가한다는 것을 발견합니다.

Machine translation (Meta M2M100); the English original follows.

Abstract

Existing social bias benchmarks evaluate large language models mostly on fluent, well-formed English, reflecting native speaker usage and leaving non-native writers unrepresented. To address this gap, we investigate how grammatical errors by non-native writers affect social bias. We develop a controlled framework that injects common learner errors into prompts and apply it to three bias benchmarks covering stereotype alignment and demographic preference across gender, race, and religion. We find that grammatical errors increase bias, and the effect grows with the error rate. Among the four com

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange