बायोडाटा छनोटमा AI पूर्वाग्रह: किन LLM ले AI द्वारा लेखिएका बायोडाटालाई प्राथमिकता दिन्छन् (2025 अध्ययन)

अध्ययनले वास्तवमा के पत्ता लगायो

सेप्टेम्बर 2025 मा, तीन जना अनुसन्धानकर्ता — Jiannan Xu (University of Maryland), Gujie Li (Cornell), र Jane Yi Jiang — ले «AI Self-preferencing in Algorithmic Hiring: Empirical Evidence and Insights» शीर्षकको एक पत्र प्रकाशित गरे (arXiv:2509.00462; ACM EAAMO 2025 र AIES 2025 मा प्रस्तुत)। यो त्यस प्रश्नको पहिलो ठूलो-स्तरको अनुभवजन्य परीक्षण हो जसको वरिपरि AI निष्पक्षता समुदाय दुई वर्षदेखि घुमिरहेको थियो: जब LLM ले पाठको मूल्याङ्कन गर्छन्, के तिनीहरूले गुप्त रूपमा आफ्नै लेखनजस्तो सुनिने पाठलाई रुचाउँछन्?

सेटअप सफा थियो। तिनीहरूले LiveCareer.com बाट २,२४५ अज्ञातनामी वास्तविक बायोडाटा लिए, जसले २४ पेशागत श्रेणीहरू समेटेका थिए। प्रत्येक बायोडाटाका लागि, तिनीहरूले सातवटा LLM प्रयोग गरेर AI पुनर्लेखन बनाए — तीनवटा व्यावसायिक (GPT-4o, GPT-4-turbo, GPT-4o-mini) र चारवटा खुला-स्रोत (LLaMA 3.3-70B, Mistral-7B, Qwen-2.5-72B, DeepSeek-V3)। त्यसपछि तिनीहरूले प्रत्येक मोडेललाई बायोडाटाका जोडीहरू (एउटा आफैंले लेखेको, एउटा मानिस वा प्रतिस्पर्धी मोडेलले लेखेको) मूल्याङ्कन गर्न र बलियो उम्मेदवार छान्न भने। सामग्रीको गुणस्तर नियन्त्रित थियो — उही भूमिका, उही अनुभव, उही उपलब्धिहरू — केवल गद्यको सतह मात्र फरक थियो।

नतिजा: प्रत्येक मोडेलले आफ्नै लेखनलाई रुचायो, प्रायः नाटकीय रूपमा। मानिसले लेखेका बायोडाटाविरुद्ध प्रति-मोडेल आत्म-प्राथमिकता दर:

• GPT-4o — ८२% (५ मा ४ पटक आफ्नै बायोडाटा छान्यो)
• LLaMA 3.3-70B — ७९%
• DeepSeek-V3 — ७२%
• GPT-4-turbo र Qwen-2.5-72B — दुवै ६५% भन्दा माथि
• Mistral-7B — २८% (केही झन्डै तटस्थ नतिजामध्ये एक)
• LLaMA 3.2-3B (परीक्षण गरिएको सबैभन्दा सानो) — ११.६% (सबैभन्दा साना मोडेलहरूले झन्डै कुनै पूर्वाग्रह देखाएनन्, जसले यो प्रभाव मोडेलको क्षमतासँगै बढ्छ भन्ने सङ्केत गर्छ)

महत्त्वपूर्ण कुरा, यो पूर्वाग्रह दृढता जाँचहरूमा पनि टिकिरह्यो। BERTScore र ROUGE-L मार्फत बायोडाटाका जोडीहरूलाई अर्थगत सामग्रीका लागि मिलाउँदा, वा LIWC भाषिक विशेषताहरू मार्फत लेखनशैलीका लागि मिलाउँदा पनि यो हटेन। यो प्राथमिकताले गुणस्तर वा शैलीलाई पछ्याइरहेको थिएन — यसले पाठ मूल्याङ्कन गर्ने मोडेलको आफ्नै आउटपुटजस्तो सुनिन्थ्यो कि सुनिँदैनथ्यो भन्ने कुरालाई पछ्याइरहेको थियो।

किन यस्तो हुन्छ — perplexity को संयन्त्र

LLM ले प्रत्येक इनपुटलाई भित्री रूपमा perplexity ले अंक दिन्छन् — मोटामोटी भन्दा, मोडेल प्रत्येक अर्को token बाट कति अचम्मित हुन्छ। मोडेलले आफैंले सम्भवतः उत्पन्न गर्ने पाठको perplexity कम हुन्छ (अनुमानयोग्य, परिचित); अपरिचित शैलीमा वा दुर्लभ वाक्यांशहरूसहित लेखिएको पाठको perplexity उच्च हुन्छ। Xu/Li/Jiang को अध्ययनले पत्ता लगायो कि जब LLM लाई पाठको गुणस्तर अंक दिन भनिन्छ, तिनीहरूले कम perplexity भएका अंशहरूलाई उल्लेखनीय रूपमा उच्च अंक दिन्छन् — वास्तविक सामग्री गुणस्तर उस्तै भए पनि।

यसलाई सोच्ने सबैभन्दा सरल तरिका: LLM मूल्याङ्कनकर्ताले वास्तवमा «यो राम्रो बायोडाटा हो?» भनेर जाँचिरहेको हुँदैन। यसले «यो बायोडाटा मैले लेख्ने खालको कुराजस्तो देखिन्छ?» भन्ने अर्ध-सचेत गणना चलाइरहेको हुन्छ, र त्यसपछि त्यो प्रवाहशीलता-पहिचानलाई गुणस्तरमाथि प्रक्षेपण गर्छ। परिचितता → प्रवाहशीलता → उच्च गुणस्तर भनी न्याय गरिन्छ। कम perplexity ले उच्च perplexity लाई हराउँछ, बस्, दुवै उम्मेदवार वस्तुनिष्ठ रूपमा समान रूपले राम्रा भए पनि।

यो त्यही मनोवैज्ञानिक संयन्त्र हो जुन हामी मानिसमा हुन्छ जब हामी हाम्रो आफ्नै शैलीलाई प्रतिबिम्बित गर्ने लेखनलाई «स्पष्ट» वा «बढी व्यावसायिक» भनी न्याय गर्छौं — तर LLM मा यो धेरै छिटो र कुनै आत्मनिरीक्षणविना काम गर्छ। अनुसन्धानकर्ताहरू टिप्पणी गर्छन् कि यो कुनै निश्चित मोडेलको त्रुटि होइन। यो transformer-आधारित भाषा मोडेलहरूले पाठलाई कसरी अंक दिन्छन् भन्ने कुराको प्रणालीगत गुण हो। प्रत्येक प्रमुख LLM ले यसको कुनै न कुनै संस्करण देखाउँछ।

वास्तविक-संसारको प्रभाव — २३–६०% बढी छोटो सूची

एउटा LLM ले नियन्त्रित जोडीवार परीक्षणमा आफ्नै लेखनलाई ८२% ले रुचाउँछ भन्ने थाहा पाउनु शैक्षिक रूपमा रोचक छ। वास्तविक प्रश्न यो हो: जब तपाईं वास्तविक जागिरका लागि अन्य उम्मेदवारहरूको चाङविरुद्ध प्रतिस्पर्धा गरिरहनुभएको हुन्छ, के यसले फरक पार्छ?

पत्ता लगाउन, लेखकहरूले सबै २४ पेशागत श्रेणीहरूमा सिमुलेट गरिएका भर्ना पाइपलाइनहरू चलाए। प्रत्येक चरणमा: उम्मेदवारहरूको एउटा समूह जम्मा गरियो, कसैले आफ्नो बायोडाटा GPT-4o (भर्ना गर्नेको छनोट मोडेल) ले परिष्कृत गरेका थिए, कसैले फरक LLM प्रयोग गरे, कसैले आफ्नो मूल मानिसले लेखेको बायोडाटा राखे। त्यसपछि छनोट LLM ले समूहलाई क्रमबद्ध गर्‍यो र एउटा छोटो सूची बनायो।

जसका बायोडाटा छनोट प्रणालीसँगै उही LLM (GPT-4o → GPT-4o) ले परिष्कृत गरेका थिए, ती उम्मेदवारहरूको छोटो सूचीमा पर्ने सम्भावना मानिसले लेखेको बायोडाटा भएका समान योग्यताका उम्मेदवारहरूभन्दा २३–६०% बढी थियो। सबैभन्दा ठूला हानिहरू — ६०% को छेउतिर नजिक — व्यवसाय-उन्मुख पेशाहरूमा देखा परे: बिक्री, लेखा, मार्केटिङ, ग्राहक सेवा। सबैभन्दा साना अन्तरहरू प्राविधिक भूमिकाहरूमा देखा परे, जहाँ बायोडाटाको सामग्री (विशिष्ट उपकरण, भाषा, प्रमाणपत्र) ले गद्यशैलीलाई उछिन्छ।

यसलाई रोजगार-खोजीको यथार्थमा अनुवाद गर्नुहोस्: यदि कुनै बिक्री भूमिकाले २०० आवेदन पाउँछ र भर्ना गर्नेको ATS ले GPT-4o ले पूर्व-फिल्टर गर्छ भने, GPT-4o ले आफ्नो बायोडाटा टल्काएको आवेदक, AI विना लेखिएको बायोडाटा भएको उही स्तरको आवेदकभन्दा मानव-समीक्षाको चाङमा पुग्ने सम्भावना तथ्याङ्कीय रूपमा धेरै बढी हुन्छ। त्यो सानो लाभ होइन।

किन यो «अर्को एउटा AI पूर्वाग्रह» भन्दा ठूलो कुरा हो

AI निष्पक्षता अनुसन्धानले जनसांख्यिकीय समूहहरू — लिङ्ग, जाति, उमेर, अपाङ्गता — विरुद्धको पूर्वाग्रह दस्तावेजीकरण गर्दै एक दशक बिताएको छ। ती पूर्वाग्रहहरू राम्ररी बुझिएका छन् र EU (भर्ना AI को AI Act अन्तर्गत उच्च-जोखिम वर्गीकरण) र अमेरिकाका धेरै क्षेत्राधिकारहरू (NYC Local Law 144, Illinois AI Video Interview Act, आदि) मा सक्रिय रूपमा विधायिका बनाइएका छन्।

आत्म-प्राथमिकता पूर्वाग्रह फरक छ। यसले कुनै संरक्षित विशेषतालाई पछ्याउँदैन; यसले तपाईंले आफ्नो रोजगारदातासँगै उही AI ब्रान्ड प्रयोग गर्नुभयो कि भन्ने कुरालाई पछ्याउँछ। यो हानिरहित सुनिन्छ — जबसम्म तपाईं LLM बजार केन्द्रित छ भन्ने कुरा याद गर्नुहुन्न। GPT-4o (OpenAI) कर्पोरेट संसारमा सबैभन्दा व्यापक रूपमा प्रयोग हुने छनोट मोडेल हो, र यो सबैभन्दा व्यापक रूपमा प्रयोग हुने उपभोक्ता LLM पनि हो। त्यसैले यो पूर्वाग्रहले नि:शुल्क Claude, Gemini, वा DeepSeek प्रयोग गर्ने उम्मेदवारहरूभन्दा — र AI विनै लेख्ने उम्मेदवारहरूभन्दा — सशुल्क ChatGPT सदस्यता भएका उम्मेदवारहरूलाई व्यवस्थित रूपमा फाइदा पुर्‍याउँछ।

यो एउटा तटस्थ एल्गोरिदमिक प्रक्रियाजस्तो देखिने कुराभित्र लुकेको सम्पत्ति- र पहुँच-सम्बद्ध पूर्वाग्रह हो। जनसांख्यिकीय पूर्वाग्रहभन्दा फरक, कुनै पनि विद्यमान नियमनले यसलाई सम्बोधन गर्दैन। लेखकहरूले «AI-AI अन्तरक्रियाहरू» समेट्ने विस्तारित निष्पक्षता ढाँचाहरूको स्पष्ट रूपमा माग गर्छन् — यस्ता पूर्वाग्रहहरू जुन एल्गोरिदमले कुनै व्यक्तिलाई कसरी व्यवहार गर्छ भन्नेबाट होइन, बरु एल्गोरिदमले अर्को एल्गोरिदमको आउटपुटलाई कसरी व्यवहार गर्छ भन्नेबाट उत्पन्न हुन्छन्। त्यो हानिको वर्ग नीति साहित्यमा बिल्कुल नयाँ छ।

यसको तपाईं, रोजगार खोज्ने व्यक्तिका लागि के अर्थ छ

आत्तिनुहोस् न। पूर्वाग्रह वास्तविक हो तर तर्कसंगत प्रतिक्रिया «AI कहिल्यै प्रयोग नगर्ने» होइन — यो «तपाईंको बायोडाटालाई एउटै मोडेलको आउटपुटका रूपमा सजिलै पहिचान गर्न नसकिने गरी AI प्रयोग गर्ने» हो। पाँच व्यावहारिक निहितार्थ:

• सार आफैं लेख्नुहोस्। विशिष्ट उपलब्धि, सङ्ख्या, मिति, परियोजनाका नाम, तपाईंको भूमिकाको वास्तविक सामग्री — यी त्यस्ता तथ्य हुन् जुन AI ले भ्रम नगरी बनाउन सक्दैन। यी आफैं लेख्नु इमानदारीका लागि र स्पष्ट सङ्केतहरू (बनावटी कम्पनी, शङ्कास्पद रूपमा गोलाकार प्रतिशत) रोक्नका लागि — दुवैका लागि अनिवार्य छ।
• AI लाई टल्काउन प्रयोग गर्नुहोस्, मस्यौदा गर्न होइन। LLM लाई «मेरो बुँदालाई अझ प्रभावकारी सुनिने गरी पुनर्लेखन गर» भन्दा तपाईंको वास्तविक सामग्रीमाथि शब्दचयनको सुधार पाइन्छ। यसलाई «मलाई एउटा मार्केटिङ प्रबन्धकका लागि बायोडाटा लेखिदेऊ» भन्दा सामान्य AI गद्य पाइन्छ जसले आफ्नो उत्पत्ति प्रत्येक छनोट प्रणाली — र दुई महिनाको अनुभव भएको कुनै पनि मानव समीक्षकसामु — चिच्याएर बताउँछ।
• एउटै मोडेलको आउटपुट जस्ताको तस्तै नटाँस्नुहोस्। यदि पूर्वाग्रहको ८२% एउटा LLM ले आफ्नै आउटपुट चिन्नुबाट आउँछ भने, सबैभन्दा नराम्रो सम्भावित रणनीति भनेको उही LLM को असम्पादित गद्य त्यही मोडेल हुन सक्ने छनोट प्रणालीमा पठाउनु हो। स्रोतहरू मिसाउनुहोस्: आफैं मस्यौदा गर्नुहोस्, एउटा उपकरणले टल्काउनुहोस्, फरक उपकरणले अन्तिम पटक जाँच्नुहोस्, नतिजालाई हातले सम्पादन गर्नुहोस्।
• रोबोटजस्तो नसुनिनुहोस्। पूर्वाग्रहले मोडेललाई परिचित वाक्यांशलाई पुरस्कृत गर्छ — तर अनुभवी मानव समीक्षकले «As a results-driven professional with a passion for excellence» लाई टाढैबाट चिन्न सक्छ। सम्झौता भनेको स्वर हो: आफ्नै वाक्य-लय र शब्दचयन कायम राख्नुहोस्, व्याकरण/संक्षिप्तताका सानातिना सुधारका लागि मात्र AI प्रयोग गर्नुहोस्।
• सोधिएमा इमानदार हुनुहोस्। EU का थोरै तर बढ्दो सङ्ख्यामा रोजगारदाताहरू — विशेषगरी वित्त, स्वास्थ्य सेवा, र सार्वजनिक प्रशासनजस्ता नियमित क्षेत्रहरूमा — आवेदनका बेला उम्मेदवारहरूलाई AI सहयोगको खुलासा गर्न स्पष्ट रूपमा भन्छन्। कुनै भूमिकाको निर्देशनले सोधेमा, खुलासा गर्नुहोस्। यसबारे झूट बोल्नु पछि जुनसुकै बेला प्रस्ताव फिर्ता लिने आधार हुन्छ।

यसको रोजगारदाता र भर्ना गर्नेहरूका लागि के अर्थ छ

यदि तपाईं टेबलको अर्को छेउमा हुनुहुन्छ भने, यो पत्रका असहज निहितार्थहरू छन्। एउटै मोडेलले गर्ने बायोडाटा छनोट अब «वस्तुनिष्ठ» भनेर बचाउ गर्न मिल्दैन। यदि तपाईंको ATS ले आवेदकहरूलाई क्रमबद्ध गर्न GPT-4o प्रयोग गर्छ र तपाईं कुनै बिक्री भूमिकाका लागि भर्ना गर्दै हुनुहुन्छ भने, तपाईंले उही मोडेलका लागि पैसा तिर्ने उम्मेदवारहरूलाई व्यवस्थित रूपमा फाइदा दिइरहनुभएको छ — र त्यो लाभको तिनीहरूले बेच्न सक्छन् कि सक्दैनन् भन्नेसँग कुनै सम्बन्ध छैन।

Xu/Li/Jiang को अध्ययनले काम गर्ने दुई शमन उपाय परीक्षण गर्‍यो:

1. Prompt-स्तरको खुलासा। छनोट prompt मा एउटा वाक्य थप्दा — «तपाईंले बायोडाटा मानिसले लेखेको हो कि AI ले भन्ने विचार वा अनुमान गर्नुहुँदैन। केवल सामग्रीको गुणस्तरमा मात्र ध्यान दिनुहोस्।» — पूर्वाग्रह मापनयोग्य रूपमा घट्यो। सस्तो, नि:शुल्क, आंशिक।
2. बहुमत-मत समूह। प्राथमिक मूल्याङ्कनकर्तालाई दुईवटा साना मोडेल (जस्तै GPT-4o सँगै LLaMA 3.2-1B र LLaMA 3.2-3B) सँग जोड्दा र अन्तिम छोटो सूची निर्णयका लागि बहुमत-मत प्रयोग गर्दा पूर्वाग्रह ५०% भन्दा बढीले घट्यो। साना मोडेलहरूले झन्डै शून्य आत्म-प्राथमिकता देखाए, त्यसैले तिनीहरूले प्राथमिक मोडेलको पूर्वाग्रहविरुद्ध प्रतिभारका रूपमा काम गरे। बढी गणना, धेरै बढी निष्पक्षता।

विशेषगरी EU रोजगारदाताहरूका लागि: AI Act ले भर्ना AI लाई उच्च-जोखिमका रूपमा वर्गीकृत गर्छ। एउटै मोडेलको छनोटले मापनयोग्य, गैर-जनसांख्यिकीय पूर्वाग्रह ल्याउँछ जसले उही सशुल्क AI सेवामा कम पहुँच भएका उम्मेदवारहरूलाई हानिमा पार्छ भन्ने थाहा हुनु सम्भवतः Act का पारदर्शिता र निष्पक्षता दायित्वहरूसँग प्रतिच्छेदन गर्छ। तपाईंलाई आवश्यक पर्नुअघि नै आफ्नो शमन रणनीति दस्तावेजीकरण गर्नुहोस्।

इमानदार संस्करण: के तपाईंले आफ्नो बायोडाटामा AI प्रयोग गर्नै पर्छ त?

तीन इमानदार परिदृश्य। तपाईंको यथार्थसँग मिल्ने एउटा छान्नुहोस्।

परिदृश्य A: तपाईं कुनै ठूलो कर्पोरेटमा आवेदन दिँदै हुनुहुन्छ जसले सम्भवतः GPT-4o ले ATS-छनोट गर्छ। यहाँ २३–६०% को छोटो सूची लाभ वास्तविक छ। आफ्नो बायोडाटा टल्काउन (मस्यौदा गर्न होइन) कुनै प्रमुख LLM प्रयोग गर्दा तपाईंलाई स्पष्ट सङ्केतहरूविना लाभ मिल्छ। निष्कर्ष: AI सावधानीपूर्वक प्रयोग गर्नुहोस्।

परिदृश्य B: तपाईं कुनै सानो/मध्यम कम्पनीमा आवेदन दिँदै हुनुहुन्छ जहाँ मानव भर्ना गर्नेले पहिले बायोडाटा पढ्छ। यस पाइपलाइनमा छनोट LLM हुँदैन। रोबोटजस्तो AI गद्यले यहाँ तपाईंलाई सक्रिय रूपमा हानि गर्छ — मानिसहरूले यसलाई चिन्न सक्छन्, र धेरैले यसलाई प्रयासको कमीका रूपमा सक्रिय रूपमा दण्डित गर्छन्। निष्कर्ष: आफैं लेख्नुहोस्, व्याकरणका लागि AI थोरै मात्र प्रयोग गर्नुहोस्।

परिदृश्य C: तपाईं EU मा शैक्षिक क्षेत्र, स्वास्थ्य सेवा, वा सार्वजनिक प्रशासनमा आवेदन दिँदै हुनुहुन्छ। AI खुलासा झन्झन् आवश्यक हुँदै गएको छ। AI-प्रवाहपूर्ण गद्य हरियो होइन रातो झन्डाका रूपमा पढिन सक्छ। निष्कर्ष: न्यूनतम AI, सम्भव भए बिल्कुलै नगर्ने, र सहयोग लिइएको भए खुलासा गर्ने।

तीनै परिदृश्यमा, एउटा नियम सार्वभौमिक छ: AI लाई आफ्नो तथ्यगत सामग्री लेख्न नदिनुहोस्। उपलब्धि, सङ्ख्या, र परियोजनाका विशिष्टताहरू तपाईंबाटै आउनुपर्छ। AI शब्दचयनको टल्काउने साधन हो, सारको जनरेटर होइन।

TakeMeUp.cv मा हामी यसलाई कसरी हेर्छौं

पूर्ण खुलासा: हामी एउटा बायोडाटा उपकरण बनाउँछौं र हामी AI सुविधाहरू पठाउँछौं। त्यसैले यो त्यो असहज खण्ड हो जहाँ हामीले AI उपकरणहरूमा पूर्वाग्रह दस्तावेजीकरण गर्ने लेखमा आफ्नै उत्पादनबारे पारदर्शी हुनुपर्छ।

हाम्रो AI Rewrite एड-अन जानाजानी बुँदा-निर्माण होइन, शब्दचयन-स्तरको टल्काउनेमा मात्र सीमित छ। यसले तपाईंले लेखेको बुँदालाई त्यसैको बलियो संस्करणमा पुनर्लेखन गर्छ — तपाईंका सङ्ख्या, तपाईंका मिति, तपाईंका परियोजनाका नाम, र तपाईंले वास्तवमा गरेको कामको सार कायम राख्दै। यसले मेट्रिक्स बनाउन अस्वीकार गर्छ। यो सद्गुणको प्रदर्शन होइन; AI-निर्मित बायोडाटा मनगढन्ते व्यापक भएको संसारमा हामीले बचाउ गर्न सक्ने एक मात्र उत्पादन अडान यही हो। हाम्रो Authenticity Score एड-अन ठिक यसैकारण अस्तित्वमा छ किनकि हामीलाई थाहा छ भर्ना गर्नेहरूले एउटै LLM को गद्य चिन्न थालेका छन्।

चेतावनी र हामीलाई अझै के थाहा छैन

Xu/Li/Jiang को अध्ययन हामीसँग भएको सबैभन्दा बलियो प्रमाण हो, तर यसमा अति भर पर्नुअघि केही इमानदार चेतावनीहरू:

• बायोडाटाहरू अमेरिकी-सन्दर्भका (LiveCareer.com) थिए। EU-सन्दर्भका बायोडाटामा फोटो, जन्ममिति, GDPR-सम्बन्धित क्षेत्रहरू, र भाषा/देश-विशिष्ट खण्ड क्रमहरू समावेश हुन्छन्। पूर्वाग्रहको संयन्त्र (परिचितताका रूपमा perplexity) सामान्यीकृत हुनुपर्छ, तर युरोपेली भर्नाका लागि प्रभावको आकार अझै मापन गरिएको छैन।
• परीक्षण गरिएका छनोट कार्यहरू जोडीवार तुलना र छोटो सूची क्रमबद्धता थिए। उत्पादन ATS प्रणालीहरूले प्रायः LLM अंकनलाई किवर्ड फिल्टर, नकआउट प्रश्न, र भारित मापदण्डहरूसँग जोड्छन् — LLM पूर्वाग्रह सङ्केतहरूको चाङमा एउटा सङ्केत मात्र हो।
• अध्ययनले Claude (Anthropic) वा Gemini (Google) — जुन दुवै अहिले ठूलो स्तरमा उत्पादन छनोटमा प्रयोग हुन्छन् — परीक्षण गरेन। पूर्वाग्रहको दिशा उही हुनुपर्छ (मोडेलहरूले आफ्नै आउटपुट रुचाउँछन्), तर ती विशिष्ट प्रणालीहरूका लागि परिमाणहरू यस डेटासेटमा छैनन्।
• आत्म-प्राथमिकता पूर्वाग्रह LLM ले बायोडाटा छनोट गर्दा देखाउने धेरै पूर्वाग्रहमध्ये एक हो। महिला, अल्पसङ्ख्यक, र वृद्ध उम्मेदवारहरूविरुद्धको जनसांख्यिकीय पूर्वाग्रह धेरै मोडेलमा कायम छ — त्यो समस्या पुरानो र राम्ररी दस्तावेजीकृत छ, र अहिले हामीसँग नयाँ AI-विरुद्ध-AI समस्या भएकाले त्यो हराउँदैन।
• शमन उपाय (साना मोडेलसँगको बहुमत-मत) ले पूर्वाग्रह >५०% ले घटाउँछ तर यसलाई हटाउँदैन। हाल आत्म-प्राथमिकता पूर्वाग्रह पूर्ण रूपमा हटाउने कुनै प्रविधि छैन।