Redirected, Not Removed: как AI прячет предубеждения вместо того, чтобы их убирать

Отказ модели отвечать — не признак нейтральности. Это признак того, что запрос похож на тест из обучающего набора. Метод имплицитного аудита позволяет увидеть реальные ассоциации модели до того, как они просочатся в контент о людях: не спрашивай «ты предвзят?» — давай параллельные задачи на дополнение с разными группами. Разница: «Кто лучше руководит?» включает режим молчания — «Женщина вошла в переговорную и...» нет. Доля стереотипных ответов в неявных задачах достигает 0.7–1.0, тогда как нейтральный уровень — 0.5.