Towards Trustworthy AI: Investigating Bias and Confidence Alignment in Large Language Models
Notice bibliographique
Résumé
LLMs are increasingly integrated into critical fields such as healthcare, judiciary, education, etc, thoroughly evaluating their trustworthiness is becoming ever more essential. This research thesis presents a unified examination of two critical aspects of trustworthiness in LLMs: their self-evaluation of confidence and the subtler biases that shape their outputs. In the first part, we introduce the concept of Confidence Probability Alignment to scrutinize how LLMs’ internal confidence, indicated by token probabilities, aligns with the confidence they express when queried about their certainty. This analysis is enriched by employing diverse datasets and prompting techniques aimed at encouraging model introspection, such as structured evaluation scales and the inclusion of answer options. Notably, OpenAI’s GPT-4 emerges as a leading example, demonstrating strong confidence-probability alignment, signifying a step towards understanding and improving LLM reliability. Conversely, the second part addresses the nuanced biases LLMs exhibit towards specific social narratives and identities, introducing the Representative Bias Score (RBS) and the Affinity Bias Score (ABS) to quantify these biases. Our exploration into representative and affinity biases through the Creativity-Oriented Generation Suite (CoGS) reveals a pronounced preference in LLMs for outputs reflecting the experiences of predominantly white, straight, and male identities. This trend not only mirrors but potentially exacerbates societal biases, highlighting a complex interaction between human and machine bias perceptions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,027 | 0,161 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».