EQUITRIAGE：LLM 在急診分診中的性別偏見公平性審計

研究團隊開發了名為 EQUITRIAGE 的公平性審計框架，針對五個主流大型語言模型（LLM）在急診分診決策中的性別偏見進行評估。參與審計的模型包括 Gemini-3-Flash、Nemotron-3-Super、DeepSeek-V3.1、Mistral-Small-3.2 以及 GPT-4.1-Nano。研究基於 MIMIC-IV-ED 數據集，對 18,714 個急診病歷情境進行了 374,275 次評估，其中 9,346 個原始案例與性別交換後的反事實案例配對，並透過四種提示策略進行測試。

審計結果顯示，所有五個模型在性別翻轉率（flip rates）上均超過了預註冊的 5% 閾值，範圍介於 9.9% 至 43.8% 之間。具體而言，DeepSeek 和 Gemini 模型出現了明顯的女性患者分診等級偏低現象，其女性對男性分級比率（F/M）分別達到 2.15:1 和 1.34:1。相比之下，Nemotron-3-Super 和 Mistral-Small-3.2 接近性別對等，而 GPT-4.1-Nano 則表現出高敏感度但存在微弱的男性方向不對稱。

在 DeepSeek 模型中，觀察到方向性偏見與低結果相關校準差距（0.013，對照 MIMIC-IV 入院數據）共存的現象，這體現了 Chouldechova 風格的組內校準與組間反事實不變性之間的脫離。針對 Gemini 模型，人口統計盲處理將其翻轉率降至 0.5%；然而，保留年齡的盲處理變體顯示 DeepSeek 仍殘留 1.25 的 F/M 比率，暗示年齡可能成為殘留的性別傳遞通道。此外，思維鏈（Chain-of-thought）提示策略導致所有五個模型的準確性下降。

兩模型消融研究揭示了導致相同方向性表型的相反底層機制：在 Gemini 中，信號出現在姓名與性別交換的組合中，而在 DeepSeek 中，性別標記本身即承載了該信號。EQUITRIAGE 研究指出，群體對等、反事實不變性和性別校準是截然不同的公平性屬性，且干預措施的有效性取決於具體模型。研究建議在臨床部署前應進行針對每個模型的反事實審計。