.png){kind=icon}
返回
SE Perspective on LLMs: Biases in Code Generation; Code Interpretability; and Code Security Risks
.png){kind=icon}
OA
AI
DOI：10.1145/3774324.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大型语言模型（LLMs）正以其生成多样化内容（包括代码）的能力改变世界，但嵌入的偏见引发了重大担忧。在这篇观点文章中，我们通过审视训练数据中的偏见如何导致歧视性代码生成、代码解释不透明以及安全风险加剧，批判了将LLMs视为无懈可击工具的普遍观点，最终影响了LLMs生成软件的可信度。通过基于现有文献（包括软件工程和人工智能伦理领域的案例研究和理论框架）的反思性分析，我们考察了代码生成中偏见的具体表现，重点关注训练数据如何促成这些问题。我们调查了与解释LLMs生成代码相关的挑战，强调了透明度不足和隐藏偏见的可能性，并探讨了由有偏见LLMs引入的安全风险，即可能被恶意行为者利用的漏洞。我们提出了几项缓解这些挑战的建议，强调需要优化训练数据并引入人机协同机制。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
