Гендерная асимметрия LLM: одно и то же поведение — два разных приговора в зависимости от пола

Одно поведение — два разных приговора. Проверили 10 языковых моделей: GPT, Gemini, Qwen, DeepSeek и другие. Перекос одинаковый у всех. Мужской персонаж получает на 23% чаще полную вину и на 14% чаще директивные инструкции. Женский персонаж той же ситуации — на 9% больше сочувствия. Три техники позволяют убирать этот перекос и получать объективный анализ без гендерного сдвига — особенно важно при оценке поведения сотрудников и разборе конфликтов. Фишка: нейтральный язык убирает гендерный триггер — модель лишается сигнала и вынуждена оценивать ситуацию, а не статистику имён.