Cet article étudie les biais potentiels dans l'ingénierie des caractéristiques des données tabulaires à l'aide de modèles de langage à grande échelle (MLH). Nous proposons une méthode pour détecter les biais en détectant les anomalies dans la fréquence des opérateurs (par exemple, l'ajout de deux caractéristiques) utilisés dans l'ingénierie des caractéristiques par les MLH. En appliquant deux modèles à grande échelle et deux modèles open source à petite échelle à 27 jeux de données tabulaires, nous constatons que les MLH privilégient les opérateurs simples comme l'addition et ont tendance à ne pas utiliser les opérateurs complexes comme le regroupement par agrégation. Ce biais peut nuire aux performances de prédiction lors de l'utilisation des caractéristiques générées par les MLH.
