テクニカルサマリー：テキストから画像への生成モデルは、世界的に男性をデフォルトとし、ジェンダー・ステレオタイプを強制し、女性およびノンバイナリーの表現を罰している

問題提起

テキストから画像への（T2I）生成モデルは、視覚的コンテンツの普及したソースとなっており、業界の推定では2022年から2023年の間に150億枚以上の画像が生成されました。これらのシステムは広告、メディア、教育においてますます導入されていますが、世界規模で構造的なジェンダー・バイアスをどのように再現し、増幅させているかについての理解には決定的なギャップがあります。先行研究では、より限定的なサンプルにおける男性へのデフォルト化や、特定のステレオタイプ的な描写（例：微笑む女性、厳格な男性）が記録されていますが、以下の3つの中心的な問いを包括的に扱った研究は存在しませんでした：

1. デフォルトの表現： ジェンダーが指定されていない場合、モデルは何を描写するか？
2. 忠実度とステレオタイプ： 特定のジェンダー・アイデンティティが明示的に要求された場合、それらはどの程度忠実に、かつステレオタイプ的にレンダリングされるか？
3. 実体験： これらのアイデンティティを共有する個人は、これらの表現をどのように経験するか？

さらに、既存の文献の多くはノンバイナリーの表現を見落としており、社会心理学理論に基づいたアイデンティティ一致型の人間による評価を用いて、プロンプトされたアイデンティティ間で画像品質やリアリズムが変化するかどうかを評価できていません。

手法

著者らは、約100万枚の生成画像と、22カ国、4つの主要なオープンウェイトT2Iモデル（Flux、Flux-Schnell、Lumina-2、Stable Diffusion 3.5 Large）を用いた3,533件の人間によるアノテーションを含む、2つの相互に関連する研究を実施しました。

研究1：ジェンダー・デフォルトの自動分類

• データ生成： チームは、ジェンダー中立的なプロンプト（例：「[国籍] の人物が [職業] として働いている」）を用い、22の国籍と約105の職業/活動について、924,000枚の画像を生成しました。
• 範囲： 職業は、男性優位および女性優位の分野、ならびに3つのパワーレベル（低、中、高）にわたってバランスが取られています。活動は、ジェンダー化された分類から抽出されました。
• 分析： 自動化されたパイプライン（検出にはYOLOv11、ジェンダー分類にはQwen3-VL-32Bを使用）を用いて、出力のジェンダー分布を分析しました。本研究では、男性へのデフォルト化と、所得水準（世界銀行）やジェンダー不平等（OECDの社会的制度およびジェンダー指数、SIGI）を含む国レベルの構造的要因との相関関係を調査しました。

研究2：人間によるアノテーションと定性的評価

• データ生成： ジェンダーおよび国籍を特定したプロンプトを用いて作成された画像の一部（生成された264,000枚のうち、アノテーションに使用されたサブセット）を使用しました。対象としたのは、7カ国（オーストラリア、ブラジル、エジプト、ドイツ、インド、南アフリカ、アメリカ合衆国）における10の職業と10の活動です。
• 参加者： Prolificを通じて170名のアノテーターを募集しました。彼らは、評価対象となる画像のジェンダーおよび国籍と厳密に一致するように選定されました。この設計により、バイアスや表現上の危害に関する判断が、実体験に基づいたものとなることを保証しています。
• 指標： アノテーターは、プロンプトの理解度、全体的な知覚品質、シナリオのリアリズム、人物のリアリズムの4つの次元について、1〜5のスケールで評価を行いました。また、物理的および表現的な属性（例：「魅力的」、「筋肉質」、「笑顔」）についても評価し、感情的な反応についての自由記述による考察も提供しました。
• 定性的分析： 自由記述の回答は、排除、エンパワーメント、およびステレオタイプ化のテーマを特定するために、アブダクション的（仮説的）な主題分析手法を用いてコーディングされました。

主な貢献

1. グローバルな規模と多様性： 本研究は、22の国籍と4つの異なるモデル・アーキテクチャをカバーしており、西欧中心的な狭いサンプルを超えた、ジェンダー・バイアスに関するT2I生成における最大規模の研究です。
2. アイデンティティ一致型評価： 本論文は、外部者が表現上の危害を判断するという従来の研究の限界に対処するため、アノテーターが自身のアイデンティティ・グループの画像を評価するという厳格なプロトコルを導入しています。
3. 多次元的なバイアス分析： 本研究は、単なる表現数のカウントを超え、品質のペナルティ、双方向のステレオタイプ化、およびノンバイナリーの周辺化を定量化しています。
4. インターセクショナルな知見： 本研究は、モデルの出力を構造的不平等に明示的に結びつけ、所得水準や国家間のジェンダー不平等指数が、バイアスの深刻さと相関していることを示しています。

主な結果

1. アンドロセントリズム（男性中心主義）と男性へのデフォルト

• 普及度： 22の国籍と4つのモデル全体において、ジェンダー中立的なプロンプトは、50%のパリティ（等価性）基準を大幅に上回る**68.6%**の割合で男性の表現を生成しました。
• 構造的相関： 男性へのデフォルトは、低・中所得国（LMIC）およびジェンダー不平等が高い（SIGI）国々で最も顕著でした。例えば、ウズベキスタンのプロンプトは86.6%の男性出力を示しましたが、中国のプロンプトは唯一の例外であり、女性に偏っていました（44.1%）。
• 職業的権力： バイアスは職業的なパワーとともに拡大します。高権力の役割では、現実世界の統計からの乖離が最も大きく、AIの出力は現実世界の雇用率よりも平均して21.9パーセントポイント多く男性を示しました。

2. 女性描写に対する品質のペナルティ

• 系統的な不利益： 女性を描写した画像は、プロンプトの理解度、シナリオのリアリズム、人物のリアリズムを含むすべての品質指標において、男性よりも有意に低いスコアを受けました。
• インターセクショナルな影響： 低・中所得国（LMIC）の女性は、全体として最も低い品質スコアを受けました。
• カウンター・ステレオタイプへのペナルティ： 女性が男性主体の職業に従事している場合、品質の格差は拡大しました。男性主体の役割における女性は、同じ役割の男性と比較して「人物のリアリズム」において有意に低いスコアを記録しており、これはジェンダーと職業の規範に違反することに対するペナルティを示唆しています。

3. 双方向のジェンダー・ステレオタイプ

• 分岐する原型： モデルは相反するステレオタイプを強制しています：
  • 女性： より若く（平均33.4歳 vs 40.8歳）、より細身で、より魅力的であり、微笑んでいる可能性が高い。
  • 男性： よりフィットした/筋肉質な体つきで、より高齢で、より真剣または厳格な表情をしている可能性が高い。
• 一貫性： これらのパターンはすべての国籍とモデル間で保持されており、伝統的なエージェンティック（能動的）な特性（男性）とコミュニカル（親和的）な特性（女性）のステレオタイプを強化しています。

4. ノンバイナリーの周辺化

• 理解の失敗： ノンバイナリーのアイデンティティでプロンプトを入力すると、モデルは男性や女性のプロンプトと比較して、有意に低いプロンプト理解度を示しました。
• 消去： ノンバイナリーの主体は、しばしばバイナリー（二元論的）なジェンダー（主に男性）として誤分類されるか、あるいは人間として認識されないことさえありました。認識された場合でも、多くの場合、若い男性として描かれ、ノンバイナリーのアイデンティティの多様性を捉えきれていませんでした。

5. 表象に関する人間の経験

• 危害： アノテーターは、自身のアイデンティティの均質化された描写やステレオタイプな描写を見た際、排除、疎外感、および不安を感じると報告しました。多くの者が、AIによる自身のアイデンティティの「テンプレート」には真の多様性が欠けている（例：多文化国家のホワイトウォッシング）と指摘しました。
• エンパワーメント： 逆に、うまく実行されたカウンター・ステレオタイプな画像（例：高権力職にある女性）は、内面的なバイアスに挑戦できるものとして、肯定的なものとして記述されました。

重要性と主張

本論文は、T2Iシステムは単に孤立した統計的な不均衡を出力しているのではなく、学習されたモデルの振る舞いとしてエンコードされた、一貫したジェンダー・ロジック（アンドロセントリズム、双方向のステレオタイプ、およびノンバイナリーの不可解性）を再現していると主張しています。

• 構造的反映： これらのバイアスが異なるプロバイダーやアーキテクチャ間で一貫していることは、これらが孤立した設計上の選択ではなく、共有された訓練データや機械学習のアプローチに由来することを示唆しています。この知見は、これらのモデルが現存する社会的不平等を増幅し、特にジェンダー格差の高い文脈において、その影響を強めていることを示しています。
• 現実世界への影響： 著者らは、これらの出力が具体的な結果をもたらすと主張しています。すなわち、内部的なバイアスを強化し、「誰が特定の役割に適しているか」という社会的期待を形成してしまうことです。アルゴリズムのデフォルトという「目に見えない」性質と、それが中立であるという信念が組み合わさることで、従来のメディアのバイアスと比較して特有のリスクが生じます。
• 方法論的転換： 論文は、現在のデバイアス（バイアス除去）の取り組みは、主に表現の数に焦点を当てているため不十分であると指摘しています。そして、品質、リアリズム、およびステレオタイプを評価するために、アイデンティティ一致型の人間によるアノテーションを含む評価フレームワークを提唱しています。単に訓練データ内の女性の数を増やすだけでは不十分であり（例：ステレオタイプな特性を避けるといった、描画の「性質」に対処することなしには）、不十分であると論じています。

本研究は、これらの問題に対処するには、訓練データのキュレーション（ジェンダーカテゴリー内での多様性に焦点を当てること）、アーキテクチャの調整、および描かれたグループの経験を重視する評価プロトコルへの意図的な介入が必要であると結論付けています。