Modelos de lenguaje muestran sesgos según la identidad del autor ^{CEFR B1}

Un equipo de la University of Zurich evaluó cómo la identidad del autor afecta las valoraciones de cuatro LLMs: OpenAI o3-mini, Deepseek Reasoner, xAI Grok 2 y Mistral. Los modelos generaron fifty declaraciones narrativas sobre 24 temas controvertidos, entre ellos mandatos de vacunación, geopolítica y políticas sobre cambio climático. El experimento produjo 192’000 valoraciones.

Cuando no se proporcionó información sobre la fuente, los modelos mostraron un alto nivel de acuerdo, over 90% en todos los temas. Sin embargo, al atribuir cada texto a autores ficticios —personas de distintas nacionalidades o a otras IAs— el acuerdo cayó y a veces desapareció, pese a que el texto era idéntico. Los investigadores observaron un fuerte sesgo anti‑chino en todos los modelos, incluso en Deepseek, y encontraron que Deepseek redujo el acuerdo hasta un 75% en un tema sobre la soberanía de Taiwán.

También se vio que la mayoría de los modelos otorgó puntuaciones algo más bajas cuando creyó que el texto fue escrito por otra IA. Los autores advierten que estos sesgos pueden afectar la moderación de contenido, la contratación, la revisión académica y el periodismo, y piden transparencia y gobernanza en el uso de LLMs.