---
title: "Изкривявания на данните и bias"
source: "https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias"
wiki: "systems-analysis.info/int"
article: "Изкривявания_на_данните_и_bias"
language: "bg"
categories:
  - "Category:Bulgarian"
  - "Category:Large language models"
  - "Category:Machine learning"
revision_id: 8668
wiki_created_at: 2026-09-07T01:20:53Z
wiki_modified_at: 2026-09-07T01:20:53Z
downloaded_at: 2026-09-07T23:26:43Z
---

# Изкривявания на данните и bias

**Предубеденост в големите езикови модели** (англ. *bias in large language models*) — това са систематични отклонения в работата на големите езикови модели (LLM), водещи до генериране на отговори, които несправедливо или неточно отразяват действителността, възпроизвеждат и усилват съществуващите в обществото стереотипи<sup>[\[1\]](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_note-arxiv-survey-1)</sup>. За разлика от случайните грешки, предубедеността има закономерен характер и се обуславя от особеностите на обучаващите данни и алгоритмите. LLM могат да възпроизвеждат полови, етнически и други стереотипи, което представлява сериозен проблем, особено в отговорни области като медицина, юриспруденция и финанси<sup>[\[2\]](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_note-medet-rsmu-2)</sup>.

## Източници на предубеденост

Предубедеността в LLM възниква от два основни източника: изкривени данни и особености на самите алгоритми.

### Изкривени обучаващи данни

Основната причина за появата на предубеденост са обучаващите данни, които отразяват исторически, социални и културни изкривявания, съществуващи в света. LLM се обучават върху огромни корпуси от текстове от интернет, книги и други източници, създадени от хора, и като следствие наследяват всички съдържащи се в тях стереотипи<sup>[\[3\]](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_note-bigdata-school-3)</sup>.

- **Небалансирано представяне**: Ако в данните определени демографски групи са недостатъчно представени (например етнически малцинства, жени в определени професии), моделът формира изкривено представа за тях. Например LLM често асоциират думата „лекар" с мъжки пол, а „медицинска сестра" — с женски, възпроизвеждайки исторически полови стереотипи<sup>[\[1\]](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_note-arxiv-survey-1)</sup>.
- **Исторически и културни изкривявания**: Данните често отразяват доминиращи културни възгледи и исторически предразсъдъци. Моделът, обучен върху такива текстове, ще възпроизвежда тези възгледи, игнорирайки алтернативни перспективи<sup>[\[4\]](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_note-nature-bias-4)</sup>.

### Алгоритмично усилване

Архитектурата и алгоритъмът за обучение на LLM могат не само да възпроизвеждат, но и да усилват съществуващите в данните отклонения. Повечето съвременни LLM се основават на transformer архитектура и предсказват следващата дума въз основа на статистически закономерности. Това води до това, че моделът се накланя към най-често срещаните patterns, което затвърждава и усилва доминиращите мнения и стереотипи, докато редките и нетипични случаи се игнорират<sup>[\[2\]](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_note-medet-rsmu-2)</sup>. Този механизъм може да превърне незначително отклонение в данните в ярко изразена предубеденост в отговорите на модела<sup>[\[1\]](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_note-arxiv-survey-1)</sup>.

## Видове предубеждения и примери

### Социални и демографски предубеждения

Това е най-изученият тип предубеденост, който включва стереотипи, свързани с пол, раса, възраст, религия и други социални характеристики.

- **Полови стереотипи**: LLM често свързват определени професии и качества с конкретен пол. Например при запитване за „силен лидер" моделът с по-голяма вероятност ще генерира описание на мъж.
- **Расови и етнически стереотипи**: Моделите могат да възпроизвеждат негативни стереотипи за различни етнически групи. Изследвания показаха, че алгоритмите за модерация на базата на LLM могат да оценяват по-строго съобщения на афроамерикански разговорен език (AAVE), погрешно считайки ги за по-обидни<sup>[\[5\]](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_note-aave-bias-5)</sup>.
- **Групова предубеденост („свои срещу чужди")**: Изследване от 2024 г. показа, че LLM проявяват ярко изразена групова предубеденост. Получавайки подсказка, асоциираща я с определена група („Ние..."), моделът е склонен да се изказва благосклонно за тази група и пренебрежително — за „чуждите"<sup>[\[4\]](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_note-nature-bias-4)</sup>.

### Структурни и когнитивни изкривявания

Тези изкривявания са свързани с особеностите на архитектурата и обработката на информацията.

- **Позиционно отклонение**: Изследване на Масачузетския технологичен институт (MIT) установи, че моделите непропорционално силно отчитат информацията от началото и края на документа, като често „пропускат" детайли от средата. Това може да влияе върху точността при работа с дълги текстове<sup>[\[6\]](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_note-mit-bias-unpacking-6)</sup>.
- **Склонност към усредняване**: Бидейки вероятностни модели, LLM се стремят да генерират най-честите (усреднени) отговори, което води до игнориране на редки, но важни факти, изключения и мнения на малцинствата<sup>[\[2\]](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_note-medet-rsmu-2)</sup>.
- **Ефект на потвърждението**: LLM могат да демонстрират склонност да възпроизвеждат логически шаблони, присъстващи в обучаващите данни, дори ако те съдържат предразсъдъци, и да игнорират противоречащи им сведения<sup>[\[2\]](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_note-medet-rsmu-2)</sup>.

### Пример от практиката

Изследване на Световната банка установи, че при анализ на интервюта с бежанци LLM систематично изкривява смисъла на техните изказвания в зависимост от произхода и пола. Моделът неправилно интерпретира стремежа на родителите-бежанци към успеха на децата им, вероятно поради липсата на подобни разкази в обучаващите данни, състоящи се предимно от текстове на „бели автори от средната класа"<sup>[\[7\]](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_note-vc-bias-article-7)[\[7\]](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_note-vc-bias-article-7)</sup>.

## Рискове и последствия

- **Усилване на дискриминацията**: В области като наемане на работа, кредитиране и юриспруденция предубедените LLM могат да вземат дискриминационни решения, усилвайки социалното неравенство<sup>[\[1\]](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_note-arxiv-survey-1)</sup>.
- **Разпространение на стереотипи**: Масовото използване на LLM в търсачки и чатботове може да доведе до тиражиране и нормализиране на вредни стереотипи.
- **Подронване на доверието в технологиите**: Когато потребителите се сблъскват със систематична предубеденост, това подрива доверието им в технологиите на изкуствения интелект като цяло.
- **Създаване на информационни балони**: Алгоритмите могат да формират резултатите така, че да съответстват на предполагаемите възгледи на потребителя, което поддържа *echo chambers* и маргинализира мненията на малцинствата<sup>[\[1\]](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_note-arxiv-survey-1)</sup>.

## Методи за установяване и намаляване на предубедеността

За борба с изкривяванията изследователите и разработчиците прилагат комплексен подход, работейки на три нива: данни, модел и постобработка<sup>[\[1\]](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_note-arxiv-survey-1)</sup>.

### Интервенции на ниво данни

Това е най-фундаменталният подход. Той включва<sup>[\[1\]](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_note-arxiv-survey-1)</sup>:

- **Почистване и балансиране**: Премахване на токсично и предубедено съдържание от обучаващите данни.
- **Аугментация на данни (Data Augmentation)**: Добавяне на примери с недостатъчно представени групи за изравняване на пропорциите.

### Модификация на ниво модел

Този подход е насочен към промяна на самия алгоритъм за обучение<sup>[\[1\]](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_note-arxiv-survey-1)</sup>:

- **Ограничения за справедливост**: Във функцията на загубата се въвеждат специални ограничения, които „наказват" модела за проявяване на определени видове предубеденост.
- **Промяна на архитектурата**: Изследват се варианти за промяна на механизмите на attention или добавяне на контролиращи модули, които следят и коригират предубедените асоциации.

### Постобработка на резултатите

Този метод се прилага на етапа на генериране на отговори<sup>[\[1\]](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_note-arxiv-survey-1)</sup>:

- **Филтриране и коригиране**: Специални алгоритми анализират генерирания текст и смекчават или премахват потенциално дискриминационни формулировки.
- **Допълнително обучение с подкрепление от човек (RLHF)**: Моделът се обучава допълнително да дава по-неутрални и безопасни отговори въз основа на оценки, предоставени от хора.

Въпреки значителния напредък, засега не е постигнато пълно освобождаване на LLM от предубеденост. Това остава една от ключовите области на изследванията, насочени към създаване на по-справедливи и надеждни системи с изкуствен интелект<sup>[\[4\]](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_note-nature-bias-4)</sup>.

## Препратки

- Generative language models exhibit social identity biases — изследване в *Nature Computational Science*
- Unpacking the bias of large language models — статия от *MIT News*

## Литература

- Guo, Y. et al. (2024). *Bias in Large Language Models: Origin, Evaluation, and Mitigation*. arXiv:2411.10915.
- Gallegos, I. O. et al. (2023). *Bias and Fairness in Large Language Models: A Survey*. arXiv:2309.00770.
- Wu, X. et al. (2025). *On the Emergence of Position Bias in Transformers*. arXiv:2502.01951.
- Hu, T. et al. (2024). *Generative Language Models Exhibit Social Identity Biases*. *Nature Computational Science*, 5, 65-75. Full text.
- Sheng, E. et al. (2019). *The Woman Worked as a Babysitter: On Biases in Language Generation*. In *EMNLP-2019*. PDF.
- Bender, E. M. et al. (2021). *On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?*. In *ACM FAccT 2021*. DOI:10.1145/3442188.3445922.
- Bai, X. et al. (2024). *Measuring Implicit Bias in Explicitly Unbiased Large Language Models*. arXiv:2402.04105.
- Ma, C. et al. (2024). *Debiasing Large Language Models with Structured Knowledge*. In *Findings of ACL 2024*, pp. 10274-10287. <a href="https://aclanthology.org/2024.findings-acl.612/" class="external autonumber" rel="nofollow">[7]</a>.
- Mohammadi, B. (2024). *Creativity Has Left the Chat: The Price of Debiasing Language Models*. arXiv:2406.05587.
- Ayaz, A. et al. (2023). *Taught by the Internet: Exploring Bias in OpenAI's GPT-3*. arXiv:2306.02428.
- Benedetto, L. & Stella, M. (2023). *Cognitive Network Science Reveals Bias in GPT-3, GPT-3.5-Turbo, and GPT-4 Mirroring Math Anxiety in High-School Students*. *Applied Sciences*, 13(3). Open access.

## Бележки

1.  <span id="cite_note-arxiv-survey-1">↑ <sup>[1.0](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_ref-arxiv-survey_1-0)</sup> <sup>[1.1](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_ref-arxiv-survey_1-1)</sup> <sup>[1.2](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_ref-arxiv-survey_1-2)</sup> <sup>[1.3](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_ref-arxiv-survey_1-3)</sup> <sup>[1.4](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_ref-arxiv-survey_1-4)</sup> <sup>[1.5](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_ref-arxiv-survey_1-5)</sup> <sup>[1.6](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_ref-arxiv-survey_1-6)</sup> <sup>[1.7](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_ref-arxiv-survey_1-7)</sup> <sup>[1.8](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_ref-arxiv-survey_1-8)</sup> Zhang, A.; et al. «Bias in Large Language Models: Origin, Evaluation, and Mitigation». *arXiv*. <a href="https://arxiv.org/html/2411.10915v1" class="external autonumber" rel="nofollow">[1]</a></span>
2.  <span id="cite_note-medet-rsmu-2">↑ <sup>[2.0](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_ref-medet-rsmu_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_ref-medet-rsmu_2-1)</sup> <sup>[2.2](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_ref-medet-rsmu_2-2)</sup> <sup>[2.3](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_ref-medet-rsmu_2-3)</sup> «Предвзятость в больших языковых моделях: этические вызовы и пути решения». *medet.rsmu.press*. <a href="https://medet.rsmu.press/archive/2025/2/6/print?lang=ru" class="external autonumber" rel="nofollow">[2]</a></span>
3.  <span id="cite_note-bigdata-school-3">[↑](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_ref-bigdata-school_3-0) «Large Language Models». *Энциклопедия BigdataSchool*. <a href="https://bigdataschool.ru/wiki/large-language-models/" class="external autonumber" rel="nofollow">[3]</a></span>
4.  <span id="cite_note-nature-bias-4">↑ <sup>[4.0](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_ref-nature-bias_4-0)</sup> <sup>[4.1](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_ref-nature-bias_4-1)</sup> <sup>[4.2](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_ref-nature-bias_4-2)</sup> «Generative language models exhibit social identity biases». *Nature Computational Science*. <a href="https://www.nature.com/articles/s43588-024-00741-1" class="external autonumber" rel="nofollow">[4]</a></span>
5.  <span id="cite_note-aave-bias-5">[↑](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_ref-aave-bias_5-0) «Study shows moderation algorithms are stricter on African American Vernacular English». *\[источник не указан в тексте\]*.</span>
6.  <span id="cite_note-mit-bias-unpacking-6">[↑](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_ref-mit-bias-unpacking_6-0) «Unpacking the bias of large language models». *MIT News*. <a href="https://news.mit.edu/2025/unpacking-large-language-model-bias-0617" class="external autonumber" rel="nofollow">[5]</a></span>
7.  <span id="cite_note-vc-bias-article-7">↑ <sup>[7.0](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_ref-vc-bias-article_7-0)</sup> <sup>[7.1](https://systems-analysis.info/int/%D0%98%D0%B7%D0%BA%D1%80%D0%B8%D0%B2%D1%8F%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D0%B8%D1%82%D0%B5_%D0%B8_bias#cite_ref-vc-bias-article_7-1)</sup> «Прочитал статью про bias LLM». *ChatGPT на vc.ru*. <a href="https://vc.ru/chatgpt/1087357-prochital-statyu-pro-bias-llm-20240321" class="external autonumber" rel="nofollow">[6]</a></span>