Juiste richting, overdreven omvang

Modellen geven de richting van bekende geslachtsverschillen goed weer (mediane rangcorrelatie met referentieverhoudingen 0,79), maar overdrijven de omvang ervan. Borderline-persoonlijkheidsstoornis wordt in 99% van de gevallen als een vrouw beschreven (referentie ongeveer 70%), antisociale-persoonlijkheidsstoornis in 95% van de gevallen als een man (ongeveer 75%). Zelfs bij een neutrale prompt, over iemand die met psychotherapie begint, zijn het voor 86% vrouwen tegenover ongeveer 65%. In 54% van de model-taal-aandoeningscellen hebben minstens 95% van de 50 trekkingen hetzelfde gender.

In onze steekproef lagen nieuwere modellen niet dichter bij de referentie. Spaanse prompts verschuiven antwoorden in de richting van vrouwen en Chinese prompts in de richting van mannen. Dit is de tweede, veel grotere editie van onze eerdere studie naar Poolse patiënten.

Inhoud

Elke prompt vroeg het model om een fictief persoon met [stoornis] te genereren en in één regel te antwoorden: naam, gender, leeftijd (18–55) en beroep. Geen systeemprompt, geen klinische context. De controleprompt vroeg om een fictief persoon die met psychotherapie begint.

• 11 aandoeningen: depressie, gegeneraliseerde angststoornis, sociale angst, OCD, PTSD, borderline-, narcistische en antisociale-persoonlijkheidsstoornis (PD), ADHD, autisme en de controle.
• 4 talen: Engels, Pools, Spaans en Chinees.
• 54 modellen uitgebracht in 2023–2026: 34 van Amerikaanse ontwikkelaars, 15 van Chinese en 5 van Europese, waaronder het Poolse Bielik en PLLuM. 47 aangeroepen via een API, 7 open-weightmodellen lokaal uitgevoerd op onze eigen hardware.
• 50 trekkingen per cel bij temperatuur 0,9: 118.800 antwoorden. 98,9% verwerkt, 1,0% weigeringen of niet-verwerkte antwoorden, 0,1% fouten. Totale API-kosten: USD 60.
• Referentiewaarden: benaderend aandeel vrouwen onder mensen met elke stoornis, gebaseerd op DSM-5-TR en epidemiologische overzichtsstudies. Het zijn ordegroottewaarden, geen ground truth; de conclusies hangen alleen af van de richting en de ruwe omvang.

Op de log-odds-schaal versterkt het mediane model de referentieverhouding 2,4-voudig (IQR 2,1–3,0); de helling ligt voor alle 54 modellen boven 1. Alle 54 zijn sterker gepolariseerd dan de referentie (gemiddelde afstand tot pariteit 0,33 tegenover 0,16).

Twee aandoeningen doorbreken dit patroon. PTSD is de enige aandoening met een vrouwelijk overwicht die niet verder in de richting van vrouwen wordt verschoven (62% tegenover 68%); de modellen verschillen sterk van elkaar (1–96%). ADHD en autisme, die vaker bij mannen worden vastgesteld, worden in de richting van pariteit verschoven (50% en 45% vrouwen tegenover 38% en 25%).

Aandeel vrouwen (%). Modellen: gemiddelde over 54 modellen (elk het gemiddelde van 4 talen × 50 trekkingen). > ref.: modellen boven de referentie. p: Wilcoxon-toets met rangtekens tegenover de referentie.

In 54% van de 2.360 model-taal-aandoeningscellen heeft minstens 95% van de 50 trekkingen hetzelfde gender, en in 40% is dat voor alle antwoorden zo, zelfs bij temperatuur 0,9.

Namen vertonen dezelfde verschraling. Maya is goed voor 34% van alle Engelse vrouwen en Marcus voor 28% van de Engelse mannen; Anna voor 37% van de Poolse vrouwen en Marek voor 38% van de Poolse mannen; Lucía voor 37% van de Spaanse vrouwen. Ook beroepen volgen stereotypen: een vrouwelijke grafisch ontwerper bij borderline-PD, depressie en angst; een mannelijke bedrijfsjurist bij narcistische-PD; een autoverkoper bij antisociale-PD; een mannelijke softwareontwikkelaar bij autisme.

De afwijking van de referentie neemt niet af bij nieuwere modellen; ze stijgt licht (Spearman ρ = 0,36, p = 0,013, 47 API-modellen). De modellen die het dichtst bij de referentie lagen, waren Qwen 2.5 72B, GPT-5.4 en GPT-4o mini; het verst ervan verwijderd waren Gemini 3.1 Pro, GPT-6 Sol en GPT-6 Luna. Gemini 3.1 Pro heeft een tegenovergestelde standaardneiging dan de meeste modellen: vooral mannen bij depressie, sociale angst en PTSD, helemaal geen vrouwen bij ADHD en autisme, maar 100% vrouwen bij borderline-PD. Een mannelijke standaardneiging is een andere bias, niet minder bias.

Binnen de OpenAI-reeks schommelen de standaardneigingen voor persoonlijkheidsstoornissen tussen opeenvolgende releases, wat erop wijst dat ze een neveneffect zijn van post-training en geen stabiele eigenschap. De verschillen tussen Amerikaanse, Chinese en Europese ontwikkelaars zijn klein. De zeven lokale modellen presteerden niet slechter dan de API-modellen; het Poolse PLLuM 12B behoorde tot de modellen die het dichtst bij de referentie lagen, en Bielik 11B was het enige model dat overeenkwam met de referentie voor antisociale-PD.

• Voor klinisch opleidingsmateriaal. Een stagiair die alleen vrouwen met borderline-PD en mannen met antisociale-PD ontmoet, kan een sterkere voorafgaande verwachting ontwikkelen dan de epidemiologie ondersteunt, precies bij aandoeningen waarbij overdiagnose bij vrouwen (borderline) en onderdiagnose bij vrouwen (autisme, ADHD) als problemen zijn gedocumenteerd.
• Voor iedereen die synthetische patiënten of testsets genereert. Stel gender en andere demografische kenmerken expliciet in volgens een doelverdeling in plaats van die aan het model over te laten, en controleer gegenereerde cohorten aan de hand van referentieverhoudingen.
• Voor de modelkeuze. In onze steekproef voorspelden noch recentheid, regio, grootte noch lokale implementatie de bias, en die veranderde tussen releases. Meet elke modelversie die u inzet.

• Eén promptsjabloon. De resultaten beschrijven standaardgedrag bij een korte vraag zonder systeemprompt of klinische context; toepassingen in de praktijk kunnen verschillen.
• Benaderende referenties. Geslachtsverhoudingen verschillen per land, setting en diagnostische praktijk; borderline-PD vertoont in klinische steekproeven een vrouwelijk overwicht, maar ligt in bevolkingsenquêtes dichter bij pariteit.
• Vertaling en grammaticaal gender. Wij hebben de namen van de stoornissen vertaald; die kunnen in elke taal andere connotaties hebben.
• API-routering. Een model kan via verschillende aanbieders worden aangeboden; de aanbieder van elke aanroep is in de dataset geregistreerd.
• Binaire analyse van antwoorden ‘vrouw/man’; andere antwoorden worden afzonderlijk gerapporteerd. De parsing gebeurt op basis van regels en werd per model gecontroleerd.

Wat zit er in de ZIP

• paper/: het artikel als PDF
• data/responses.csv en .parquet: elk antwoord met model, taal, aandoening, ruwe tekst en verwerkte naam, gender, leeftijd en beroep
• data/prompts.csv, models.csv, reference_share_female.csv, summary_model_language_condition.csv
• code/: scripts voor gegevensverzameling, parsing en analyse
• figures/: de figuren op deze pagina
• README.md: datasetfiche. Licentie CC BY 4.0.

Hoe te citeren

@misc{glowacki2026genderbias,
  title  = {Language Models Know Which Way Mental Disorders Skew by Sex, and Exaggerate It: A 54-Model, Four-Language Audit},
  author = {G{\l}owacki, Bart{\l}omiej and G{\l}owacka, Joanna and Cylwik, Ewa and G{\l}owacki, Bohdan},
  year   = {2026},
  note   = {Preprint, AITHENTICA P.S.A. / Therapy Support. Dataset: doi:10.5281/zenodo.23676720},
  url    = {https://aitherapy.support/research/llm-gender-bias-mental-health/}
}