A word association network methodology for evaluating implicit biases in LLMs compared to humans
University of Pisa, Department of Computer Science(比萨大学计算机科学系);National Research Council of Italy, Institute of Information Science and Technologies(意大利国家研究委员会信息科学与技术研究所);University of Trento, Department of Psychology and Cognitive Science(特伦托大学心理学与认知科学系)
该研究提出一种基于语义启动的词语联想网络方法,可定量定性评估LLMs内隐偏见并实现人机直接比较,经多类社会偏见测试验证有效,为偏见跨模型跨主体评估提供可泛化框架。
2025-10-28 cs.AI cs.CL
Investigating Implicit Bias in Large Language Models: A Large-Scale Study of Over 50 LLMs
Enkrypt AI
本研究基于LLM IAT偏见和决策偏见框架,对50多个LLM进行大规模评估,发现模型增大或更新并不自动减少隐性偏见,甚至可能放大偏见,凸显了标准化偏见评估与缓解策略的必要性。
2024-10-13 cs.AI cs.CL
ExpressivityBench: Can LLMs Communicate Implicitly?
Amazon(亚马逊公司);Arizona State University(亚利桑那州立大学)
ExpressivityBench通过信息理论模型评估LLM隐式沟通能力,发现其在情感表达上表现良好,但在社会语言学信号上不如人类。
2026-02-06 cs.AI cs.CL
Explicit vs. Implicit: Investigating Social Bias in Large Language Models through Self-Reflection
College of Intelligence and Computing, Tianjin University(智能与计算学院,天津大学);AI Lab, China Mobile Communication Group Tianjin Co., Ltd.(中国移动通信集团天津有限公司人工智能实验室)
本文通过自反思框架系统比较LLMs的显式与隐式社会偏见,发现二者存在显著不一致,且对齐技术对隐式偏见效果有限。
2025-06-03 cs.CL
Evaluating Implicit Bias in Large Language Models by Attacking From a Psychometric Perspective
State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences(中国科学院人工智能安全国家重点实验室,计算技术研究所);Key Laboratory of Network Data Science and Technology, Institute of Computing Technology, Chinese Academy of Sciences(中国科学院网络数据科学与技术重点实验室,计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学)
本文从心理测量学视角提出伪装、欺骗和教学三种攻击方法,构建双语数据集和BUMBLE基准,有效揭示大型语言模型中的隐性偏见,为评估其伦理风险提供有效手段。
2025-07-11 cs.AI cs.CL
A Comprehensive Evaluation of Cognitive Biases in LLMs
School of Computation, Information and Technology(计算、信息与技术学院)
研究在多种决策场景下评估20个先进LLMs中的30种认知偏差,提出通用测试框架、含3万项测试的基准数据集,并证实所有被测偏差均存在于部分模型中。
2025-10-31 cs.AI cs.CL
Pragmatic Inference Chain (PIC) Improving LLMs' Reasoning of Authentic Implicit Toxic Language
Nanyang Technological University(南洋理工大学);University of Macau(澳门大学)
本文针对真实隐性有毒语言检测中推理难度高的问题,提出语用推理链(PIC)提示方法,融合认知科学与语言学发现,显著提升多个大语言模型识别隐性有毒语言的成功率,并增强推理过程的可解释性。
2025-08-21 cs.AI cs.CL
Future Querying: Can LLMs Serve as Implicit Medical World Models?
imec, AI-labs(imec人工智能实验室)
本研究提出未来查询范式,探究LLMs能否作为隐式医学世界模型,其框架可基于非结构化临床文档运行,经微调的小型开放权重模型性能接近专有系统,在相关数据集上验证了LLMs可捕捉临床动态。
2026-08-25 cs.AI cs.CL
Catch Me If You Can? Not Yet: LLMs Still Struggle to Imitate the Implicit Writing Styles of Everyday Authors
Stony Brook University(石英溪大学);The Pennsylvania State University(宾夕法尼亚州立大学);Bosch Center for AI(博世人工智能中心)
本文系统评估了大语言模型通过少量示例模仿个人写作风格的能力,发现其在新闻、邮件等结构化文本中表现尚可,但在博客、论坛等非正式写作中仍存在明显不足,并开源数据与代码以推动个性化生成研究。
2025-09-18 cs.AI cs.CL
Uncovering Implicit Gender Bias in Narratives through Commonsense Inference
UNC Chapel Hill(北卡罗来纳大学教堂山分校);University of California, Santa Cruz(加利福尼亚大学圣克鲁兹分校);University of British Columbia(不列颠哥伦比亚大学)
预训练的语言模型从其训练语料库中学习到对社会有害的偏见,并且在用于生成时可能会重复这些偏见。我们研究模型生成的故事中与主角相关的性别偏见。这种偏见可能是明确的(“女人不能停车”)或含蓄的(例如,一个不请自来的男性角色引导她进入停车位)。我们专注于隐性偏见,并使用常识推理引擎来揭示它们。具体来说,我们推断和分析主人公的动机,属性,心理状态,和对他人的影响。我们关于内隐偏见的发现与之前研究外显偏见的工作一致,例如,女性角色的刻画以外表为中心,而男性人物则专注于智力。
2021-09-14 cs.CL
Actions Speak Louder than Words: Agent Decisions Reveal Implicit Biases in Language Models
Carnegie Mellon University(卡内基梅隆大学)
本文提出一种通过评估智能体决策差异来系统揭示LLM在模拟人类行为时隐性偏见的技术,发现更先进的模型隐性偏见更大且对现实差异存在放大效应。
2025-01-29 cs.AI cs.CL cs.HC
DIF: A Framework for Benchmarking and Verifying Implicit Bias in LLMs
Indiana University(印第安纳大学)
DIF框架通过评估LLM逻辑和数学问题数据集,结合统计稳健性检查,用于基准测试和验证LLM中的隐性偏见。
2025-12-27 cs.CL
Do LLMs Implicitly Determine the Suitable Text Difficulty for Users?
Nara Institute of Science and Technology(奈良科学技术研究所)
本文通过构建Stack-Overflow问答数据集并结合TSCC多轮对话数据,研究大语言模型在用户输入与生成回复之间隐式调整文本难度的能力,发现部分LLMs可超越人类且指令微调至关重要。
2024-02-22 cs.CL
BTBR: A Bayesian-Theory-Driven Probabilistic-Fuzzy Framework for Implicit Bias Removal in Large Language Models
University of Technology Sydney(悉尼科技大学);National University of Singapore(新加坡国立大学)
针对大模型隐性偏见问题,提出BTBR混合概率-模糊框架,通过似然比筛选、知识三元组转换和模糊规则调度编辑,有效消除角色诱导性能差距并保持推理能力。
2026-09-10 cs.AI cs.CL
Mind vs. Mouth: On Measuring Re-judge Inconsistency of Social Bias in Large Language Models
Tianjin University(天津大学);China Mobile Communication Group Tianjin Co., Ltd.(中国移动通信集团天津有限公司)
该研究聚焦大语言模型的外显与内隐社会偏见,提出两阶段方法发现“重判不一致性”现象,经ChatGPT和GPT-4实验验证其稳定性,为借助心理学理论探究大模型认知机制提供新视角。
2023-08-24 cs.AI cs.CL
Retrieving Implicit and Explicit Emotional Events Using Large Language Models
University of Copenhagen(哥本哈根大学);Arizona State University(亚利桑那州立大学)
针对LLMs在隐式和显式情感检索能力未充分探索的问题,本研究通过多模型实验及提出的有监督对比探测方法,系统评估其在常识领域的情感检索性能与检索事件多样性,揭示了LLMs的优势与局限性。
2024-12-01 cs.CL
Measuring Implicit Bias in Explicitly Unbiased Large Language Models
Princeton University(普林斯顿大学)
本研究提出两种基于提示的偏见测量方法(LLM隐式偏见与LLM决策偏见),揭示8个价值对齐模型在21个刻板印象中的隐式偏见,并证明其能更好预测下游决策行为。
2024-05-23 cs.CL cs.CY
How to Protect Yourself from 5G Radiation? Investigating LLM Responses to Implicit Misinformation
Georgia Institute of Technology(佐治亚理工学院)
本文构建首个隐性错误信息基准EchoMist,评估15个先进LLM对查询中虚假前提的识别能力,并测试Self-Alert与RAG的缓解效果。
2025-09-29 cs.AI cs.CL cs.CY
They want to pretend not to understand: The Limits of Current LLMs in Interpreting Implicit Content of Political Discourse
University of Florence(佛罗伦萨大学);University of Amsterdam(阿姆斯特丹大学)
本文首次基于IMPAQTS语料库,通过多项选择与开放式生成任务评估LLM解读政治话语中预设和含义推导的能力,发现现有模型存在关键语用能力缺陷,并开源数据与代码。
2025-06-07 cs.CL
Inference-Time Reasoning Selectively Reduces Implicit Social Bias in Large Language Models
Cognitive Science Program Department of Psychological & Brain Sciences Indiana University Bloomington(心理与脑科学系认知科学计划印第安纳大学布卢明顿)
该研究通过推理增强减少大语言模型中的隐性社会偏见,揭示推理对公平性评估的影响。
2026-02-04 cs.CL cs.CY
Show, Don't Tell: Uncovering Implicit Character Portrayal using LLMs
Vector Institute(向量研究所);Stevens Institute(斯蒂文斯理工学院);Dalhousie University(达尔豪斯大学);University of Waterloo(滑铁卢大学)
本研究提出LIIPA框架,利用大型语言模型揭示小说中隐式角色塑造,生成更丰富的数据集,并在公平性和准确性上优于现有方法。
2024-12-05 cs.AI cs.CL cs.CY
MIST: Towards Multi-dimensional Implicit BiaS Evaluation of LLMs for Theory of Mind
School of Software(软件学院);Shandong University(山东大学);National University of Singapore(新加坡国立大学);School of Psychology(心理学学院);Hainan Normal University(海南师范大学)
MIST通过两个间接任务揭示大语言模型在理论思维方面的多维隐性偏见,提升模型对刻板印象的鲁棒性。
2026-01-16 cs.CL
Implicit Bias-Like Patterns in Reasoning Models
Washington University in St. Louis(圣路易斯华盛顿大学);Rutgers University(罗格斯大学)
研究推理模型在处理关联不兼容任务时消耗更多推理token,揭示其隐性偏见特征及模型内部推理内容的影响
2026-04-06 cs.AI cs.CY
What's the plan? Metrics for implicit planning in LLMs and their application to rhyme generation and question answering
HPI / University of Potsdam(HPI/波茨坦大学);Utrecht University(乌特勒支大学);Google DeepMind(谷歌DeepMind)
本文提出简单方法评估LLM隐式规划,通过押韵生成和问答案例展示其可扩展性,发现隐式规划在1B参数模型中普遍存在,为AI安全提供新视角。
2026-05-11 cs.AI cs.CL cs.LG
John praised Mary because he? Implicit Causality Bias and Its Interaction with Explicit Cues in LMs
University of Copenhagen(哥本哈根大学);Universidade da Coruña(拉科鲁尼亚大学);CITIC(信息与通信技术研究中心)
一些人际动词可以隐含地将因果关系归因于其主语或宾语,因此被认为带有隐含的因果关系(IC)偏见。通过这种偏见,因果关系可以从叙述中推断出来,有助于语言理解。我们研究了预训练的语言模型(PLM)是否编码IC偏差并在推理时使用它。我们发现,情况就是这样,虽然程度不同,三个不同的PLM架构。然而,原因并不总是需要是隐含的-当一个原因是明确地说在一个从句中,一个不一致的IC偏见与动词在主句中导致人类处理的延迟。我们假设,人类在整合两个相互矛盾的信号时面临的暂时挑战,一个来自动词的词汇语义,一个来自动词级语义,这将反映在依赖于因果关系的任务模型的较高出错率中。我们的研究结果支持了这一假设,表明PLM倾向于优先考虑词汇模式,而不是高阶信号。
2021-06-02 cs.CL
Cross-Language Bias Examination in Large Language Models
Georgia Institute of Technology(佐治亚理工学院);University of Glasgow(格拉斯哥大学)
本研究提出了一种多语言偏见评估框架,通过显性与隐性偏见测量揭示LLM在不同语言中的偏见差异,强调隐性偏见检测的重要性,为公平多语言LLM的发展提供方法基础。
2025-12-17 cs.AI cs.CL cs.CY
Towards Implicit Bias Detection and Mitigation in Multi-Agent LLM Interactions
University of Michigan(密歇根大学)
该研究针对多智能体大语言模型交互中的隐性性别偏见,构建场景数据集和评估指标,并提出基于上下文示例的自我反思与监督微调两种缓解策略,实验证明二者结合效果最佳。
2024-10-03 cs.CL cs.CY
Identifying Implicit Bias in LLM-based Chat AI Toward People with Intellectual Disabilities
Special Olympics International(国际特殊奥林匹克委员会);Oregon State University(俄勒冈州立大学)
本研究针对5款LLM聊天AI生成的25000个故事,分析发现其对智力障碍人群存在将其矮化、依赖化等负面隐含偏见,呼吁AI开发警惕此类偏见并加以缓解。
2026-07-30 cs.AI cs.CL cs.CY
Evaluating Implicit Biases in LLM Reasoning through Logic Grid Puzzles
Rutgers University(罗格斯大学);Johns Hopkins University(约翰霍普金斯大学)
提出PRIME框架,利用逻辑网格谜题系统探测LLM在复杂推理中受社会刻板印象的影响,发现模型在解与刻板印象一致时推理更准确。
2026-07-02 cs.AI cs.CL cs.CY
AI Will Always Love You: Studying Implicit Biases in Romantic AI Companions
UCL(伦敦大学学院);Google Deepmind(谷歌DeepMind)
本研究通过三项实验评估浪漫型 AI 伴侣中的隐性偏见,发现赋予 LLM 性别和关系人设会显著改变其响应,并在某些情况下产生刻板印象式偏见。
2025-02-27 cs.AI
Can LLMs Grasp Implicit Cultural Values? Benchmarking LLMs' Cultural Intelligence with CQ-Bench
University of Southern California(南加州大学);Amazon AGI(亚马逊人工智慧);John Hopkins University(约翰霍普金斯大学);University of Pennsylvania(宾夕法尼亚大学)
本文提出CQ-Bench基准,通过三个递进任务评估LLMs从对话中推断隐性文化价值观的能力,发现前沿模型在态度检测上仍逊于人类,而小模型微调可显著提升性能。
2025-10-09 cs.CL
Ask LLMs Directly, "What shapes your bias?": Measuring Social Bias in Large Language Models
本文提出一种直接量化不同身份视角下社会感知的新策略及聚合度量指标,用于细粒度、全面地测量大语言模型中的多维社会偏见。
2024-06-06 cs.AI cs.CL cs.CY
Learning to Route LLMs from Implicit Cost-Performance Preferences via Meta-Learning
Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Southern University of Science and Technology(南方科技大学)
提出MetaRouter框架,利用元学习从少量交互中学习用户隐式成本-性能偏好,实现个性化LLM路由,在分布内外任务上优于基线方法。
2026-06-04 cs.AI cs.CL cs.LG
Reasoning with Graphs: Structuring Implicit Knowledge to Enhance LLMs Reasoning
Michigan State University(密歇根州立大学);Amazon(亚马逊公司);Texas A&M University(德克萨斯农工大学)
针对大语言模型在逻辑推理、多跳问答等需隐式关系推理任务上的不足,提出RwG方法,将上下文隐式知识构建为显式图以增强推理能力,实验验证了其在两类任务上的有效性。
2025-01-14 cs.CL
Covert Bias: The Severity of Social Views' Unalignment in Language Models Towards Implicit and Explicit Opinion
King Saud University(沙特国王大学);College of Computer and Information Sciences(计算机与信息科学学院)
该研究聚焦隐性语言对大语言模型偏见放大的影响,通过下游任务与压力测试发现模型对显性对立意见存在偏见,且未对齐模型回复欠谨慎,提出需加入不确定性标记提升模型在社会微妙话题上的可靠性。
2024-08-16 cs.CL cs.CY
CBEval: A framework for evaluating and interpreting cognitive biases in LLMs
Vizuara AI Labs(维祖拉人工智能实验室)
针对LLMs可能继承认知偏差的问题,提出CBEval框架,通过影响图识别偏差相关短语/单词并解释偏差原因,研究整数偏差等具体偏差,以阐明其推理局限性。
2024-12-04 cs.AI cs.CL cs.HC
ImplicitAVE: An Open-Source Dataset and Multimodal LLMs Benchmark for Implicit Attribute Value Extraction
University of Illinois Chicago(伊利诺伊大学芝加哥分校);Carnegie Mellon University(卡内基梅隆大学)
针对现有AVE数据集忽略隐式属性值、缺乏图像且不公开的问题,提出ImplicitAVE多模态数据集,并基准测试多种MLLMs,发现隐式提取仍具挑战性。
2024-07-19 cs.AI cs.CL cs.CV
'Since Lawyers are Males..': Examining Implicit Gender Bias in Hindi Language Generation by LLMs
Indraprastha Institute of Information Technology(英德拉普拉斯塔信息技术学院);Graphic Era University(图形时代大学);Jadavpur University(贾达普大学);Cornell Tech(康奈尔理工学院)
本研究探讨了 LLM 在印地语文本生成中的隐性性别偏见,开发了受 WinoBias 启发的印地语数据集测试 GPT-4o 和 Claude-3 sonnet,发现印地语性别偏见高达 87.8%,远超英语的 33.4%,揭示了跨语言偏见差异及应对考量。
2024-09-20 cs.AI cs.CL cs.HC
Modeling Human Subjectivity in LLMs Using Explicit and Implicit Human Factors in Personas
National Institute on Drug Abuse(美国国家药物滥用研究所);University of Pennsylvania(宾夕法尼亚大学);New York University(纽约大学)
本文研究了在LLMs中使用显式和隐式人类因素的角色提示来模拟人类主观性,发现显式角色在重现人类偏见时表现不一且通常无法表现出隐式偏见,表明LLMs难以完全模拟人类感知的复杂性。
2024-10-17 cs.CL
Implicit Causality-biases in humans and LLMs as a tool for benchmarking LLM discourse capabilities
Bielefeld University(比勒费尔德大学)
本文通过对比人类与不同规模LLM在隐含因果动词上的话语偏差表现,提出将话语偏差作为评估LLM话语理解能力的基准,发现仅大型单语模型在共指上接近人类,而连贯与指称表达方面存在差异。
2025-01-22 cs.CL
Do LLMs Align Human Values Regarding Social Biases? Judging and Explaining Social Biases with LLMs
Kyoto University(京都大学)
本研究探讨LLM在社交偏见上与人类价值观的对齐,通过对12个模型和4个数据集的分析发现,大模型参数规模不必然降低错位率,同家族模型判断一致性更高,且微调后的小模型生成的解释更具可读性但同意率较低。
2025-09-17 cs.CL
Do Implicit Personalization and Explicit Styles Conflict? PsPLUG: A Lightweight Plug-in for Balancing Personalization and Style in Customized LLMs
University of California, Irvine(加州大学伊文斯顿分校);TikTok Inc.(TikTok公司)
研究个性化大语言模型中显式风格指令与隐式用户偏好冲突问题,提出轻量级插件PsPLUG,它能在考虑风格后学习用户特定残差并可调整个性化强度,实验证明其能更好平衡个性化与风格遵循,保留用户偏好。
2026-09-22 cs.AI
BiasAlert: A Plug-and-play Tool for Social Bias Detection in LLMs
Zhejiang University(浙江大学)
BiasAlert是一种即插即用工具,结合外部知识与推理能力,在开放文本生成中可靠检测LLM社会偏见,性能优于GPT4-as-A-Judge,并支持偏见评估与缓解。
2024-07-20 cs.CL
Improving Implicit Discourse Relation Recognition with Natural Language Explanations from LLMs
本文通过利用LLMs生成的自然语言解释提升隐含话语关系识别的性能和可解释性。
2026-02-25 cs.CL
Toward Revealing Nuanced Biases in Medical LLMs
University of Delaware(特拉华大学)
本文提出结合知识图谱与辅助LLMs的框架,通过对抗性扰动和多跳表征技术,系统揭示医疗大语言模型中的复杂偏见模式。
2025-12-21 cs.AI
Unveiling the Implicit Toxicity in Large Language Models
Tsinghua University(清华大学);TAL Education Group(好未来教育集团)
本文揭示大语言模型能生成难以检测的隐式毒性输出,并提出基于强化学习的攻击方法诱导此类输出,实验证明该方法显著提升攻击成功率,同时所标注样本可增强毒性分类器的检测能力。
2023-11-29 cs.CL
Implicit Bias in LLMs for Transgender Populations
Instituto de Ciencias de la Computación (UBA-CONICET)(计算机科学研究所(UBA-CONICET));Hospital Dr. Lucio Melendez(Lucio Melendez医院);Universidad de Buenos Aires(布宜诺斯艾利斯大学);Universidad Católica de Chile(智利天主大学);MICS, CentraleSupélec - Université Paris-Saclay(MICS,CentraleSupélec-巴黎萨克雷大学);Universidad Nacional de Córdoba(科迪利亚国家大学);Fundación Vía Libre(自由之路基金会);CIECTI
本研究揭示了LLMs对跨性别人群的隐性偏见,通过词语关联测试和医疗预约分配任务发现LLMs在多个类别中存在负面关联,并指出需研究以减少LLMs中的刻板印象偏见,确保医疗应用中的公平性。
2026-02-02 cs.AI cs.CY
DetectBench: Can Large Language Model Detect and Piece Together Implicit Evidence?
Fudan University(复旦大学);Meta;Xiaohongshu Inc.(小红书公司)
本文提出 DetectBench 基准,含 3,928 道题,验证 LLM 检测并拼接长上下文中隐式证据的能力,并设计侦探推理提示和微调方法,实验表明能有效提升模型证据检测及最终推理性能。
2024-11-11 cs.CL
LLMs Are Biased Towards Output Formats! Systematically Evaluating and Mitigating Output Format Bias of LLMs
National University of Singapore(新加坡国立大学);VinAI Research(VinAI研究院);Institute of High Performance Computing (IHPC), A*STAR(新加坡科技研究局高性能计算研究所);Salesforce Research(Salesforce研究院);Nanyang Technological University(南洋理工大学)
本文首次系统评估了LLMs的输出格式偏见,提出区分格式约束内外的评估指标,并通过提示与微调合成格式数据的方法,将ChatGPT包装格式性能方差从235.33降至0.71。
2025-02-23 cs.CL
Are LLMs Rational Investors? A Study on Detecting and Reducing the Financial Bias in LLMs
School of Computer Science, Fudan University(复旦大学计算机科学技术学院);Institute of Fintech, Fudan University(复旦大学金融科技研究院);School of Electronics and Information Engineering, Tongji University(同济大学电子与信息工程学院);Tandon School of Engineering, New York University(纽约大学坦登工程学院);DataGrand Inc.(数据堂公司)
本文提出金融偏见指标(FBI)框架,通过行为金融学与因果去偏方法评估并减少23个大语言模型中的金融非理性偏见,为构建更可靠的金融分析工具奠定基础。
2024-07-01 cs.CL
States Hidden in Hidden States: Implicit Discrete State Representations Emerge in LLMs' Hidden States
Department of Computer Science and Technology, Tsinghua University(清华大学计算机科学与技术系)
本研究探索LLMs的符号计算能力,发现其隐藏状态中存在隐式离散状态表示(IDSRs),最强模型可直接计算最多15个加数的求和,但当前开源模型的IDSRs存在损耗会导致输出错误。
2026-08-05 cs.CL
Bias Mitigation or Cultural Commonsense? Evaluating LLMs with a Japanese Dataset
The University of Tokyo(东京大学);Riken(理化学研究所);University of Liverpool(利物浦大学)
本文提出日语基准SOBACO,统一评估LLM的社会偏见与文化常识,发现去偏见方法会显著损害文化常识表现,强调需在公平性与实用性间权衡。
2025-09-29 cs.CL
Towards Root Memory: Benchmarking and Enhancing Implicit Logical Memory Retrieval for Personalized LLMs
University of Science and Technology of China(中国科学技术大学)
针对现有记忆系统依赖语义相似性而忽略逻辑关键记忆的问题,构建首个高质量基准IMLogic,并提出根记忆表示与RootMem框架,通过结构化逻辑记忆提升个性化LLM检索性能。
2026-10-27 cs.CL
Veracity Bias and Beyond: Uncovering LLMs' Hidden Beliefs in Problem-Solving Reasoning
University of Illinois Chicago(伊利诺伊大学芝加哥分校)
本研究通过实验揭示大语言模型在问题求解中表现出归因偏见和评估偏见,即对特定人口群体(如非裔美国人)的解决方案真实性判断存在系统性偏差,且该偏见深植于推理过程,影响其教育评估应用。
2025-05-25 cs.CL