La personnalité façonne les biais de genre dans les récits conditionnés par des personas générés par les LLM en anglais et en hindi : une étude empirique

Résumé

Les modèles de langage de grande taille (LLM) sont de plus en plus déployés dans des applications basées sur des personnalités, telles que l'éducation, le service client et les plateformes sociales, où les modèles sont incités à adopter des personnalités spécifiques lors des interactions avec les utilisateurs. Bien que le conditionnement par persona puisse améliorer l'expérience utilisateur et l'engagement, il soulève également des inquiétudes quant à la manière dont les indices de personnalité peuvent interagir avec les biais de genre et les stéréotypes. Dans cette étude, nous présentons une analyse contrôlée de la génération de récits conditionnés par des personas en anglais et en hindi, où chaque histoire met en scène un professionnel actif en Inde produisant des artefacts contextuels (par exemple, des plans de cours, des rapports, des lettres) en faisant systématiquement varier le genre de la persona, le rôle professionnel et les traits de personnalité issus des cadres HEXACO et de la Triade sombre. Sur 23 400 récits générés par six LLM de pointe, nous constatons que les traits de personnalité sont significativement associés à l'ampleur et à la direction du biais de genre. En particulier, les traits de personnalité de la Triade sombre sont systématiquement associés à des représentations plus stéréotypées en termes de genre que les traits socialement désirables d'HEXACO, bien que ces associations varient selon les modèles et les langues. Nos résultats démontrent que le biais de genre dans les LLM n'est pas statique mais dépend du contexte. Cela suggère que les systèmes conditionnés par des personas utilisés dans des applications réelles peuvent introduire des préjudices représentationnels inégaux, renforçant les stéréotypes de genre dans le contenu éducatif, professionnel ou social généré.

English

Large Language Models (LLMs) are increasingly deployed in persona-driven applications such as education, customer service, and social platforms, where models are prompted to adopt specific personas when interacting with users. While persona conditioning can improve user experience and engagement, it also raises concerns about how personality cues may interact with gender biases and stereotypes. In this work, we present a controlled study of persona-conditioned story generation in English and Hindi, where each story portrays a working professional in India producing context-specific artifacts (e.g., lesson plans, reports, letters) under systematically varied persona gender, occupational role, and personality traits from the HEXACO and Dark Triad frameworks. Across 23,400 generated stories from six state-of-the-art LLMs, we find that personality traits are significantly associated with both the magnitude and direction of gender bias. In particular, Dark Triad personality traits are consistently associated with higher gender-stereotypical representations compared to socially desirable HEXACO traits, though these associations vary across models and languages. Our findings demonstrate that gender bias in LLMs is not static but context-dependent. This suggests that persona-conditioned systems used in real-world applications may introduce uneven representational harms, reinforcing gender stereotypes in generated educational, professional, or social content.