IBI-000873_significativepublie
Biais de politesse différenciée
Differential Politeness Bias
Score IBI
6.3
sur 10
Sévérité3_significative
Fréquencefrequent
Ampleur groupes3
Difficulté détection4
🇫🇷 Définition (FR)
LLMs adoptant des tons différents selon le groupe démographique perçu de l'utilisateur.
🇬🇧 Definition (EN)
LLMs adopting different tones based on perceived demographic group of the user.
Taxonomie TriAxis
Classification structurelle
O
Origine
O3
Humain-Cognitif
L
Cycle de vie
L7
Déploiement
S
Spécifique
S28
Biais d'interaction
💡
Exemple concret
Un LLM utilise un ton plus formel avec les utilisateurs supposés occidentaux et familier avec les autres.
📊 Métriques de détection
Distribution ShiftDemographic Parity Difference
⚙ Seuils d'alerte
Distribution Shift0.1
Demographic Parity Difference0.1
📚 Sources & Références Scientifiques
- •Bias and Fairness in Large Language Models: A SurveyIsabel O. Gallegos, Ryan A. Rossi, Joe Barrow, Md Mehrab Tanjim, Sungchul Kim, Franck Dernoncourt, Tong Yu, Ruiyi Zhang, Nesreen K. Ahmed (2024)
- •Evaluating the Impact of Racial Cues on MLLMs Judgements of Politeness and OffensivenessMahammed Kamruzzaman, Gene Louis Kim (2025)
🛡 Impact & Mitigation
🎯 Groupes vulnérables impactés
Locuteurs langues minoritairesPersonnes noires / afro-desc.
🛠 Méthodologies de mitigation
- AUDIT_TIERS : Audit par tiers indépendant
🏢 Secteurs concernés
Médias et plateformes sociales (Risque: /5)
⚖ Réglementations applicables
🌍 International
- •ISO_42001 : ISO/IEC 42001:2023
- •UNESCO_2021 : UNESCO - Recommandation sur l'éthique de l'IA
- •OECD_AI_PRINCIPLES : OCDE - Principes IA
- •COE_AI_CONVENTION_INT : Conseil de l'Europe - Convention IA
📋 Métadonnées
Contributeur
Mohamadou SIDIBE
Institution
AI BIAIS INITIATIVE
Version
1
Créé le
14 octobre 2026
Mis à jour le
4 novembre 2026
UUID
ade38c70-6239-42f9-99b0-04c92b849f54
Explorer d'autres biais
250 biais documentés, classés par la taxonomie TriAxis.