Un dataset italiano per l’analisi degli stereotipi di genere nei testi mediante Large Language Models

Il presente lavoro analizza un dataset italiano per lo studio degli stereotipi di genere nei testi mediante il confronto tra attribuzioni umane aggregate e output di tre Large Language Models (GPT, Gemini e DeepSeek). L’analisi si basa su punteggi continui di gender-score assegnati alle stesse sezioni testuali, consentendo un confronto quantitativo tra distribuzioni e un’analisi correlazionale dei pattern di attribuzione. I risultati evidenziano che i modelli non operano in uno spazio semantico distinto rispetto alla percezione umana, ma condividono un nucleo comune di associazioni. Le differenze emergono principalmente nella dispersione dei punteggi e nella soglia con cui le polarizzazioni vengono esplicitate: alcuni modelli mostrano una maggiore tendenza alla neutralizzazione in presenza di ambiguità, mentre altri esprimono più facilmente polarizzazioni in corrispondenza di segnali semanticamente connotati. L’analisi qualitativa dei casi di disallineamento individua pattern ricorrenti legati a dominio tematico, salienza lessicale e ambiguità strutturale. I risultati suggeriscono che la valutazione del bias nei Large Language Models richieda di considerare non solo la direzione delle attribuzioni, ma anche la calibrazione e l’intensità della loro espressione.