不是你问了什么是你怎么问的：LLM对女性化语言的系统性歧视

"同一个问题，换一种问法，模型就给你不同的答案。不是因为问题变了，是因为模型觉得'你'变了。"

💬 引子：一封邮件的两种写法

想象你写了一封工作邮件，请AI帮你润色。你写了两个版本：

版本A（直接型）：

"请分析Q3销售数据。报告需要包含同比和环比。"

版本B（委婉型）：

"能不能麻烦帮我看一下Q3的销售数据呢？我们需要包含同比和环比，对吧？"

两个版本说的是同一件事。但如果你把它们分别喂给GPT-4、Claude、Llama，你得到的回复可能不一样——不是内容不一样，是质量不一样。

版本B得到的回复，平均更短、更简单、更不正式。

这不是因为版本B的"复杂度"更低——研究者已经控制了这一点。也不是因为版本B的"提示词工程"做得不好——研究者也控制了这一点。

原因只有一个：版本B用了更多"女性化"的语言特征。

Katherine Van Koevering 和 Anjalie Field 的这篇论文揭示了一个让人不舒服的发现：LLM 对语言"性别方言"的敏感度，远超对显式性别标记的敏感度。你不需要说"我是女性"——你只需要多用几个"呢"、"对吧"、"能不能麻烦"，模型就会自动降低给你的回复质量。

🔬 实验设计：三种语言特征，三种文档类型，四个模型

研究者关注三类"女性化"语言特征：

1. Hedges（模糊限制语）： "可能"、"也许"、"我觉得"、"大概"
2. Tag questions（附加疑问）："对吧？"、"是吧？"、"不是吗？"
3. Collective reference（集体指代）："我们"而不是"我"、"大家"而不是具体人名

这些特征在语言学研究中被广泛记录为"女性使用频率更高"的语言模式。不是绝对——男性也用，但统计上女性用得更多。

实验设计：

• 三种文档类型：邮件、报告、简历摘要
• 四个模型：GPT-4、Claude、Llama、Gemma（具体版本在论文中详述）
• 控制变量：提示词复杂度（Token数、句法复杂度）、特征携带（确保差异不是来自其他语言特征）

对每个提示词，研究者构造了"高女性化特征"和"低女性化特征"两个版本，确保核心内容相同。然后测量模型回复的三个指标：长度、复杂度（词汇多样性、句法复杂度）、正式度。

📊 结果：效应是"大的、一致的、不可控的"

发现1：女性化语言特征 → 更短、更简单、更不正式的回复

这是核心发现。效应在所有四个模型、所有三种文档类型上都成立。

具体数字（以GPT-4邮件任务为例）：

• 回复长度：高女性化特征提示词得到的回复，平均比低女性化特征短 15-20%
• 词汇复杂度：回复的词汇多样性（Type-Token Ratio）显著降低
• 正式度：回复的正式度评分显著降低

这些效应在控制了提示词复杂度后仍然存在。也就是说，不是"版本B更简单所以模型回复更简单"——是"版本B用了更多女性化语言特征，所以模型回复更简单"。

发现2：显式性别标记（名字）几乎无效

研究者还测试了另一种性别线索：在提示词末尾加上签名（"——Sarah" vs "——Michael"）。

结果出人意料：名字几乎没有产生任何效果。 带女性名字的提示词和带男性名字的提示词，得到的回复质量几乎相同。

这和语言特征的结果形成鲜明对比：语言特征（隐式）有大效果，名字（显式）没效果。

发现3：语言特征和名字在表示空间中"住在一起"

研究者用探针实验检查了模型内部的表示空间，发现了一个有趣的模式：

• 语言特征（hedges、tag questions）和显式性别标记（名字）在模型的表示空间中被编码在相近的区域。
• 这说明模型"理解"这些特征和性别有关——它把"女性化语言"和"女性名字"放在了一起。
• 但只有语言特征影响了输出质量，名字没有。

这个发现的意义在于：偏见不是在"理解"层面发生的，是在"使用"层面发生的。 模型知道Sarah可能是女性，但它没有因此区别对待。模型检测到了hedges和tag questions，然后它区别对待了。

发现4：偏见在早期Transformer层就形成了

研究者做了 mechanistic analysis（机制分析），检查模型不同层的表示。发现：

• 语言特征在早期层（前1/4）就被编码了
• 这些特征和其他语义特征纠缠在一起，很难单独剥离
• 到了后期层，偏见已经"嵌入"了推理过程，无法通过后期干预来修正

这解释了为什么发现5如此令人沮丧。

发现5：事后缓解几乎不可能

研究者尝试了两种缓解策略：

1. 用户自我调整：让用户"少用hedges"。但论文指出，这些语言模式是"文化嵌入"的——说话者无法有意识地控制自己用不用hedges。这就像让一个人"别用你的口音说话"一样不现实。
2. 提示词工程：在提示词中加入"请用正式语气回复"。这能部分缓解长度和正式度的差异，但无法完全消除——模型仍然在回复质量上表现出差异。

🧩 为什么这件事重要

1. "隐式偏见"比"显式偏见"更危险

过去几年，AI偏见研究主要关注显式偏见——模型在看到"她"时是否和"他"不同、在看到女性名字时是否区别对待。这类偏见容易检测、容易修复。

Van Koevering 和 Field 的发现揭示了一个更隐蔽的层面：模型不需要看到你的性别标记，只需要检测到你的"语言方言"，就能区别对待。 而语言方言是文化嵌入的，不是个人能控制的。

这像什么？像招聘面试中的"口音歧视"——面试官不需要看到你的简历上的性别，只需要听到你的口音，就能在潜意识里调整对你的评价。这种偏见更难检测，也更难修复。

2. "评测盲区定律"的又一个实例

这篇论文是"评测盲区定律"的典型案例。现有的偏见评测基准（如BBQ、Winogender）主要测试显式性别标记。没有任何基准测试"语言方言"层面的偏见。

因为没人测，所以没人知道这个问题。模型在BBQ上表现良好，但在真实世界中仍然对女性化语言区别对待。测什么就优化什么，不测的就是问题藏身处。

3. "上游修复"的必要性

论文最后的核心建议是：偏见必须在训练数据层面（上游）修复，不能在推理时（下游）修复。

原因有三：

1. 语言特征在早期层就被编码，后期干预太晚
2. 语言特征和其他语义特征纠缠，无法单独剥离
3. 语言模式是文化嵌入的，用户无法有意识地回避

这意味着，仅靠"对齐训练"或"提示词工程"无法解决这个问题。需要在训练数据中确保语言方言的多样性——不只是性别平衡，还要确保"女性化语言风格"和"男性化语言风格"在训练数据中被同等对待。

⚖️ 局限和未解问题

1. "女性化"和"男性化"的二元框架

论文沿用了语言学中的二元性别框架（女性化 vs 男性化语言特征）。但现实中，语言使用和性别认同都不是二元的。非二元性别者的语言模式如何被模型处理，是一个未探索的问题。

2. 英语中心

研究只在英语上做了测试。其他语言中的"性别方言"模式不同——有些语言（如日语）的性别化语言特征更明显，有些语言则更微妙。结论能否跨语言泛化，需要更多研究。

3. "谁在用"比"怎么用"更重要

论文测量了"提示词包含女性化特征时模型的回复质量"。但没有测量一个更根本的问题：谁更可能使用这些特征？ 如果女性用户确实更常用hedges和tag questions（这是语言学研究的发现），那么这个偏见在实际使用中的影响是不成比例的。

4. 训练数据的来源

论文没有深入分析偏见的训练数据来源。是预训练数据中女性化语言和低质量回复的关联导致的？还是后训练（SFT/RLHF）中人类标注者的隐性偏见导致的？这个问题对修复策略至关重要——如果是预训练数据问题，需要从数据清洗入手；如果是后训练问题，需要从标注流程入手。

🌍 更大的图景

这篇论文让我想到一个更根本的问题：AI 是在模仿人类的偏见，还是在放大它？

人类也有"语言方言歧视"——我们对说方言的人、对口音不同的人、对说话方式不同的人，确实有潜意识偏见。但人类的偏见是模糊的、有噪声的，会被其他信号（上下文、关系、权威）稀释。

LLM 不同。LLM 把语言模式编码成精确的向量表示，在每一层都做精确的计算。如果训练数据中"hedges → 低质量回复"的关联存在，LLM 会比任何人类都更一致地执行这个偏见。

这像什么？像算法推荐系统对"点击率"的优化——人类的注意力偏差被算法放大成了精确的成瘾机制。LLM 对语言方言的偏见，也可能被模型放大成精确的系统性歧视。

Van Koevering 和 Field 的工作是一个警钟：我们不需要在提示词里写"我是女性"——我们的说话方式已经暴露了一切。而模型，比我们想象的听得更仔细。

📎 资源

• 论文：arXiv:2608.13328
• 相关数据集：SoWinoBias (GitHub) — 相关的性别偏见评测数据集

不是你问了什么，是你怎么问的。模型不需要看到你的名字，只需要听到你的语气——然后，它就决定了给你什么样的回答。