본 논문은 대규모 언어 모델(LLM)의 성별 편향성을 심층적으로 분석합니다. 기존 연구에서 주로 명시적인 성별 단서를 사용하거나 짧은 문장 완성 및 질문 응답 과제에 초점을 맞춘 것과 달리, 본 연구는 심리학적 성별 고정관념(공격성, 수다스러움 등)을 활용하여 개방형 스토리 생성 과제에서 암묵적인 성별 편향성을 조사합니다. 새로운 데이터셋 StereoBias-Stories를 사용하여, 조건이 없는 경우와 25가지 심리학적 고정관념 속성 중 하나, 둘 또는 여섯 개를 조건으로 주어진 경우의 스토리 생성 결과를 분석합니다. 분석 결과, 무조건적인 프롬프트에서는 모델들이 남성 쪽으로 편향되지만, 성별 고정관념과 무관한 속성들을 조건으로 주면 이러한 편향이 완화된다는 것을 발견했습니다. 또한, 같은 성별 고정관념과 관련된 여러 속성들을 결합하면 모델의 행동이 강화되는데, 남성 관련 속성은 편향을 증폭시키고 여성 관련 속성은 완화시키는 효과를 보였습니다. 마지막으로, 모델의 편향은 심리학적 기준과 일치하며, 모델의 크기가 커질수록 일치 정도가 높아지는 것을 확인했습니다.
