Drejtimi i saktë, madhësia e ekzagjeruar

Modelet riprodhojnë mirë drejtimin e dallimeve të njohura sipas seksit (korrelacioni median i renditjeve me raportet referuese 0,79), por e ekzagjerojnë madhësinë e tyre. Çrregullimi i personalitetit kufitar paraqitet si çrregullim i një gruaje në 99% të rasteve (rreth 70% sipas vlerës referuese), ndërsa çrregullimi antisocial i personalitetit paraqitet si çrregullim i një burri në 95% të rasteve (rreth 75%). Edhe një kërkesë neutrale, për një person që po nis psikoterapinë, jep 86% gra kundrejt rreth 65%. Në 54% të kombinimeve model–gjuhë–gjendje, të paktën 95% e 50 gjenerimeve kanë të njëjtën gjini.

Në kampionin tonë, modelet më të reja nuk ishin më pranë vlerës referuese. Kërkesat në spanjisht i zhvendosin përgjigjet drejt grave, ndërsa ato në kinezisht drejt burrave. Ky është botimi i dytë, shumë më i madh, i studimit tonë të mëparshëm me pacientë polakë.

Përmbajtja

Çdo kërkesë i kërkonte modelit të gjeneronte një person të trilluar me [çrregullim] dhe të përgjigjej në një rresht: emri, gjinia, mosha (18–55) dhe profesioni. Pa kërkesë sistemore, pa kontekst klinik. Kërkesa e kontrollit kërkonte një person të trilluar që po nis psikoterapinë.

• 11 gjendje: depresioni, ankthi i përgjithësuar, ankthi social, OCD, PTSD, çrregullimi kufitar, çrregullimi narcisist dhe antisocial i personalitetit (PD), ADHD, autizmi dhe gjendja e kontrollit.
• 4 gjuhë: anglisht, polonisht, spanjisht dhe kinezisht.
• 54 modele të publikuara në periudhën 2023–2026: 34 nga zhvillues amerikanë, 15 nga zhvillues kinezë dhe 5 nga zhvillues evropianë, përfshirë Bielik dhe PLLuM polake. 47 u thirrën përmes një API-je, ndërsa 7 modele me pesha të hapura u ekzekutuan lokalisht në pajisjet tona.
• 50 gjenerime për kombinim me temperaturë 0.9: 118 800 përgjigje. 98,9% u analizuan, 1,0% ishin refuzime ose nuk u analizuan, 0,1% ishin gabime. Kostoja totale e API-së: 60 USD.
• Vlerat referuese: përqindja e përafërt e grave mes personave me secilin çrregullim, bazuar në DSM-5-TR dhe përmbledhjet epidemiologjike. Këto janë vlera orientuese të përafërta, jo e vërteta përfundimtare; përfundimet varen vetëm nga drejtimi dhe madhësia e përafërt e tyre.

Në shkallën e logaritmit të gjasave, modeli median e amplifikon raportin referues 2,4 herë (IQR 2,1–3,0); pjerrësia është mbi 1 për të 54 modelet. Të 54 modelet janë më të polarizuara se vlera referuese (distanca mesatare nga barazia 0,33 kundrejt 0,16).

Dy gjendje e thyejnë këtë model. PTSD është e vetmja gjendje me prirje drejt grave që nuk shtyhet më tej drejt grave (62% kundrejt 68%); modelet nuk pajtohen mes tyre (1–96%). ADHD dhe autizmi, që diagnostikohen më shpesh te burrat, zhvendosen drejt barazisë (50% dhe 45% gra kundrejt 38% dhe 25%).

Përqindja e grave (%). Modelet: mesatarja e 54 modeleve (secila është mesatarja e 4 gjuhëve × 50 gjenerimeve). > vlerës referuese: modelet mbi vlerën referuese. p: testi i rangjeve me shenjë Wilcoxon kundrejt vlerës referuese.

Në 54% të 2 360 kombinimeve model–gjuhë–gjendje, të paktën 95% e 50 gjenerimeve kanë të njëjtën gjini, ndërsa në 40% të rasteve të gjitha gjenerimet kanë të njëjtën gjini, edhe me temperaturë 0.9.

Edhe emrat përsëriten në të njëjtën mënyrë. Maya përbën 34% të të gjitha grave në anglisht dhe Marcus 28% të burrave në anglisht; Anna përbën 37% të grave polake dhe Marek 38% të burrave polakë; Lucía përbën 37% të grave në spanjisht. Profesionet ndjekin stereotipe: dizajnere grafike për PD kufitare, depresion dhe ankth; avokat i korporatave për PD narcisiste; shitës makinash të përdorura për PD antisociale; zhvillues softuerësh për autizmin.

Devijimi nga vlera referuese nuk zvogëlohet te modelet më të reja; përkundrazi, rritet pak (Spearman ρ = 0,36, p = 0,013, 47 modele API). Modelet më të afërta ishin Qwen 2.5 72B, GPT-5.4 dhe GPT-4o mini; më të largëtat Gemini 3.1 Pro, GPT-6 Sol dhe GPT-6 Luna. Gemini 3.1 Pro ka prirjen e parazgjedhur të kundërt me shumicën e modeleve: kryesisht burra për depresionin, ankthin social dhe PTSD-në, aspak gra për ADHD-në dhe autizmin, por 100% gra për PD-në kufitare. Prirja drejt burrave është një paragjykim tjetër, jo më pak paragjykim.

Brenda serisë OpenAI, prirjet e parazgjedhura për çrregullimet e personalitetit ndryshojnë mes publikimeve të njëpasnjëshme, gjë që sugjeron se janë produkt i trajnimit pasues dhe jo një veti e qëndrueshme. Dallimet mes zhvilluesve amerikanë, kinezë dhe evropianë janë të vogla. Shtatë modelet lokale nuk ishin më të dobëta se modelet API; PLLuM 12B polake ishte ndër më të afërtat, ndërsa Bielik 11B ishte i vetmi model që përputhej me vlerën referuese për PD antisociale.

• Për materialet e trajnimit klinik. Një praktikant që takon vetëm gra me PD kufitare dhe burra me PD antisociale mund të përvetësojë një pritshmëri paraprake më të fortë sesa justifikojnë të dhënat epidemiologjike, pikërisht për gjendjet ku janë dokumentuar problemet e diagnostikimit të tepruar te gratë (PD kufitare) dhe të nëndiagnostikimit te gratë (autizmi, ADHD).
• Për këdo që gjeneron pacientë sintetikë ose grupe testimi. Përcaktojeni shprehimisht gjininë dhe karakteristikat e tjera demografike sipas një shpërndarjeje të synuar, në vend që t’ia lini modelit, dhe kontrollojini grupet e gjeneruara kundrejt raporteve referuese.
• Për përzgjedhjen e modelit. Në kampionin tonë, as risia, as rajoni, as madhësia dhe as përdorimi lokal nuk e parashikuan paragjykimin, i cili ndryshonte nga një publikim në tjetrin. Mateni çdo version modeli që vendosni në përdorim.

• Një model i vetëm kërkese. Rezultatet përshkruajnë sjelljen e parazgjedhur ndaj një kërkese të shkurtër, pa kërkesë sistemore ose kontekst klinik; aplikacionet në përdorim mund të ndryshojnë.
• Vlera referuese të përafërta. Raportet sipas seksit ndryshojnë sipas vendit, mjedisit dhe praktikës diagnostikuese; PD kufitare anon nga gratë në kampionet klinike, por është më pranë barazisë në anketat e komunitetit.
• Përkthimi dhe gjinia gramatikore. Emrat e çrregullimeve i përkthyem ne dhe mund të kenë ngjyrime të ndryshme në secilën gjuhë.
• Drejtimi përmes API-së. Një model mund të ofrohet nga ofrues të ndryshëm; ofruesi i çdo thirrjeje shënohet në grupin e të dhënave.
• Analiza binare e përgjigjeve femërore/mashkullore; përgjigjet e tjera raportohen veçmas. Analizimi bazohet në rregulla dhe u auditua për çdo model.

Çfarë përmban ZIP-i

• paper/: punimi në format PDF
• data/responses.csv dhe .parquet: çdo përgjigje me modelin, gjuhën, gjendjen, tekstin bruto dhe emrin, gjininë, moshën e profesionin e analizuar
• data/prompts.csv, models.csv, reference_share_female.csv, summary_model_language_condition.csv
• code/: skriptet për mbledhjen, analizimin dhe përpunimin e të dhënave
• figures/: figurat e kësaj faqeje
• README.md: kartela e grupit të të dhënave. Licenca CC BY 4.0.

Si të citohet

@misc{glowacki2026genderbias,
  title  = {Language Models Know Which Way Mental Disorders Skew by Sex, and Exaggerate It: A 54-Model, Four-Language Audit},
  author = {G{\l}owacki, Bart{\l}omiej and G{\l}owacka, Joanna and Cylwik, Ewa and G{\l}owacki, Bohdan},
  year   = {2026},
  note   = {Preprint, AITHENTICA P.S.A. / Therapy Support. Dataset: doi:10.5281/zenodo.23676720},
  url    = {https://aitherapy.support/research/llm-gender-bias-mental-health/}
}