网络媒体和大语言模型中的年龄与性别偏见

尽管很少有人否认刻板印象（对社会群体的概括）有害，但一个核心问题仍存争议：常见刻板印象是准确反映现实还是社会扭曲的结果？一些人认为刻板印象能捕捉群体可观察特征，否则不会广泛传播；另一些人则认为其常被夸大或虚构。评估刻板印象准确性很困难，因为它既涉及统计关联（如群体特征相关性），也包含无明确客观标准的规范性判断（如群体优劣），即便统计关联，也常因缺乏大规模量化文化数据难以验证。

本研究以年龄相关性别偏见为切入点克服这些局限，年龄可作为客观锚点评估刻板印象准确性，并关联网络中男女年龄呈现的大规模统计偏差。一方面，有充分证据表明老年女性面临性别与年龄的双重偏见（即“性别化年龄歧视”），政策报告、媒体报道和职场访谈显示她们在各行业 hiring 和晋升中受歧视，且存在将女性与年轻化期望关联的普遍统计偏差（如“ beauty tax ”、 infantilizing 代词使用）。另一方面，这种女性 - 年轻化关联与社会经济现实矛盾：美国女性寿命比男性长，人口普查数据显示过去十年各职业男女比例与年龄无相关性，劳动力中男女年龄分布也无明显差异，部分调查甚至显示某些组织中老年女性受刻板印象影响小于男性。

现有研究局限于小规模调查或特定行业观察，难以反映文化层面全貌。本研究通过收集主流数字媒体的图像、视频和文本数据，构建大规模文化层面的年龄 - 性别关联数据集。在视觉内容方面，分析五大平台超百万图像/视频发现，无论通过人工判断、机器学习还是客观数据（如名人真实年龄），女性均被呈现得比男性年轻，尤其在销售、资源和管理等高地位行业，谷歌图片的年龄差距远大于人口普查数据，且地位和收入越高的职业，这种扭曲越严重。

在文本方面，分析包括GPT - 2在内的9个语言模型发现，社会类别与男性的关联度和与年龄的关联度呈强正相关（即越男性化的类别越与年长关联），且这种关联可预测人口普查中的年龄分布，表明其并非单一模型特性。

算法放大效应实验显示：全国代表性实验（n=459）发现，谷歌图片搜索职业图像会加剧参与者的年龄相关性别偏见及 hiring 偏好；ChatGPT生成简历时，假设女性更年轻、经验更少，且对老年男性申请人的评分更高。

本研究表明，性别和年龄在互联网及其算法中被联合扭曲，揭示了不平等抗争中的关键挑战与机遇，强调需关注多模态、大规模数据中的偏见，以及算法在强化社会现实扭曲中的作用。