【量子位 2025年12月13日讯】职业社交平台LinkedIn的算法正深陷“性别偏见”漩涡。12月12日，据TechCrunch报道，一场名为#WearthePants的实验在女性用户中悄然展开：数十名女性将LinkedIn个人资料性别改为男性、名字换成男性化名称后，帖子曝光量短时间内大幅飙升——创始人Marilynn Joyner的曝光量1天内增长238%，产品 strategist“Michelle”（化名）的互动量提升27%。而这一切的导火索，是LinkedIn今年8月引入大语言模型（LLM）优化内容推荐后，大量女性用户反映“粉丝更多却与男性用户曝光量持平，甚至更低”。面对争议，LinkedIn坚称“算法不使用性别等人口统计数据作为推荐信号”，但数据伦理专家与研究者指出，LLM训练数据中隐含的“男性化表达更有价值”的偏见，可能正通过算法放大，形成隐性歧视。
实验揭弊：改性别、换名字，曝光量立竿见影
这场自发实验始于两位创业者Cindy Gallop与Jane Evans的偶然发现——两人合计拥有超15万粉丝，却发现相同内容由粉丝仅9400人的男性账号发布时，触达人数相差10倍以上：Gallop的帖子仅触达801人，而男性账号同款内容触达10408人，甚至超过其粉丝总数。这一现象引发更多女性用户效仿，最终形成#WearthePants实验浪潮，核心发现集中在三点：
-
性别成“关键变量”，粉丝量优势失效参与实验的“Michelle”拥有1万+粉丝，长期为粉丝仅2000人的丈夫代笔发帖，却发现两人曝光量始终相近。当她将资料改为“男性Michael”后，不仅曝光量暴涨200%，还观察到一个细节：她模仿丈夫“简洁直接”的文风发帖时，互动量提升更明显；若沿用自己习惯的“偏细腻”表达，效果则打折扣。“唯一的变量只有性别，以及性别带来的表达风格差异。”她在接受TechCrunch采访时强调。
-
多案例印证，偏见并非个例类似案例不断涌现：创业者Rosie Taylor改性别后，职场经验分享类帖子点赞量从日均50+增至180+；HR从业者Abby Nydam发现，同样是“招聘技巧”主题，女性身份时曝光量不足200，男性身份时突破1200。截至12月12日，TechCrunch已核实23位参与者的数据，其中19人表示改性别后曝光量增长超100%，且内容类型越偏向“专业领域”（如技术、金融），增长幅度越大。
-
男性用户也受波及，算法“偏爱”特定表达争议并非仅存在于性别之间。销售专家Chad Johnson指出，LinkedIn新算法“不再关注发帖频率、点赞评论量，而是优先推荐‘有理解度、清晰度、价值感’的内容”——这导致部分男性用户因内容风格偏向“感性叙事”，曝光量下降50%；反之，另一位男性用户因聚焦“垂直领域分析”，曝光量翻倍，其客户也出现类似趋势，印证算法对“内容风格”的筛选远超过去。
平台回应：否认性别作为信号，却避谈LLM隐性偏见
面对愈演愈烈的争议，LinkedIn在12月11日至12日期间多次发声，试图澄清算法逻辑，但核心回应始终围绕“否认显性歧视”展开，未正面解答“隐性偏见”质疑：
-
官方立场：人口数据不影响推荐，差异源于多因素LinkedIn在给TechCrunch的声明中明确表示，“算法与AI系统不会将年龄、种族、性别等人口统计信息作为内容可见性的信号”，并解释“个人曝光量差异可能源于互动行为、内容类型、用户网络等多种变量，不能简单归因于偏见”。负责AI治理的负责人Sakshi Jain补充称，平台会通过“测试不同创作者内容的竞争力”确保公平性，人口数据仅用于此类测试，不直接参与推荐。
-
数据披露模糊，算法“黑箱”难打开尽管强调“公平性测试”，LinkedIn未公开测试的具体方法、样本量及结果，也未说明LLM训练数据的来源与去偏见措施。正如数据伦理顾问Brandeis Marshall所言：“平台算法是无数数学与社交杠杆的复杂组合，改性别只是其中一个杠杆，我们不知道还有多少未公开的变量在影响推荐——比如用户过往互动的账号性别、内容关键词与性别标签的关联度等。”这种“黑箱属性”让用户难以验证官方说法的真实性。
-
历史调整难消疑虑，LLM引入后争议加剧LinkedIn曾因算法偏见问题调整策略，例如2023年优化“职场机会推荐”，减少对“男性主导领域”的倾斜。但今年8月引入LLM后，争议再度爆发——研究者普遍认为，主流LLM训练数据中存在“男性视角过度代表”的问题（如技术文档、专业论文中男性作者占比超70%），若未针对性去偏见，算法可能会将“简洁、理性”等与男性相关的表达风格，默认为“高价值内容”，从而隐性压制女性用户内容。
专家解读：隐性偏见如何通过算法放大？
多位数据科学与AI伦理领域的专家指出，LinkedIn的争议并非“算法故意歧视女性”，而是LLM与推荐系统结合时，常见的“隐性偏见传导”问题，核心逻辑可拆解为三层：
-
第一层：LLM训练数据自带“性别刻板印象”康奈尔大学计算机科学助理教授Sarah Dean解释，多数LLM训练数据来自人类生成内容，而这些内容中普遍存在“性别分工”的刻板印象——例如“技术分析”“商业策略”类文本多由男性创作，且更倾向于“直接结论+数据支撑”的风格；“职场感悟”“团队管理”类文本中女性作者占比高，表达上更注重“案例细节+情感共鸣”。当LLM学习这些数据后，会不自觉地将“男性化表达”与“专业价值”关联，形成隐性偏好。
-
第二层：推荐算法强化“历史信号”，陷入循环即使算法不直接使用性别数据，也会通过“用户互动历史”间接放大偏见。Dean举例：若过去平台上“男性化风格内容”获得更多点击、收藏，算法会认为这类内容“更受用户欢迎”，进而增加推荐权重；女性用户因内容曝光量低，互动数据随之减少，又导致算法进一步降低其内容优先级，形成“越不推越没人看，越没人看越不推”的恶性循环。这种“强化历史信号”的机制，正是北大教授姚洋此前提到的“算法可能放大既有偏见”的典型场景，与“扩宽认知边界”的理想效果相悖。
-
第三层：用户行为与算法的“双向塑造”算法不仅筛选内容，还会影响用户的表达习惯。参与实验的“Michelle”就提到，为了适应新算法，她不得不模仿丈夫的“简洁文风”，甚至减少“案例故事”的比例——这种“为算法调整内容”的行为，反过来又会让LLM接收到更多“男性化风格”的优质内容，进一步固化偏见。正如Marshall所说：“如果黑人女性只有谈论‘种族话题’才能获得互动，专业内容无人问津；如果女性必须用男性化方式表达才能被看见，这本身就是一种隐性歧视，会限制职业表达的多样性。”
行业启示：算法公平性需“全链路治理”，而非仅靠“否认歧视”
LinkedIn的算法争议，再次暴露了AI时代“算法公平性”的核心难题：如何在追求“推荐精准度”的同时，避免放大社会既有偏见？专家与从业者提出三点建议：
-
对平台：公开部分算法逻辑，加强LLM去偏见训练研究者呼吁LinkedIn公开“内容价值评估的核心维度”（如清晰度、价值感的具体衡量指标），并披露LLM训练数据的去偏见措施（如是否平衡不同性别、种族作者的文本比例）。此外，可借鉴GroupLens系统（1994年推出的早期推荐系统）的思路，通过“用户兴趣相似性”而非“内容风格标签”推荐，减少对特定表达的过度偏爱。
-
对用户：多样化内容类型，主动打破“风格陷阱”针对当前算法偏好“专业分析”的特点，用户可尝试“专业内容+个人洞察”的混合风格——例如技术从业者在分享代码技巧时，加入“女性视角下的效率提升方法”，既符合算法对“价值感”的要求，又保留个人特色。同时，可通过主动互动“跨性别、跨领域”的内容，帮助算法拓宽推荐边界，避免陷入“信息茧房”。
-
对监管：推动“算法影响评估”常态化目前全球多数地区对社交平台算法的监管仍停留在“事后追责”阶段，未来可参考“欧盟AI法案”的思路，要求平台在引入新算法（如LLM推荐）前，开展“偏见影响评估”，并公开评估报告，尤其是对“弱势群体”（如女性、少数族裔）的潜在影响，从制度层面倒逼算法公平。
截至发稿，LinkedIn尚未宣布针对此次争议的具体调整措施，#WearthePants话题仍在平台发酵。对用户而言，这场争议的核心并非“反对算法优化”，而是渴望“透明与公平”——正如“Michelle”所说：“我们不奢求曝光量绝对平等，但希望知道算法究竟在偏爱什么，让我们有机会用自己的方式去适应，而不是被迫改变性别身份或表达风格。”在AI深度渗透内容推荐的今天，LinkedIn的选择或将成为行业“算法公平性治理”的重要参考。
