Este artículo es una revisión narrativa y taxonómica, no un experimento que mida el sesgo de un modelo concreto. Su principal aportación consiste en separar tres componentes que a menudo se confunden: qué daño social se quiere estudiar, con qué métrica se cuantifica y qué conjunto de datos proporciona los casos de evaluación. Define el sesgo social como trato o resultados dispares entre grupos surgidos de asimetrías históricas y estructurales de poder. Distingue daños representacionales, lenguaje derogatorio, rendimiento dispar, borrado, normas excluyentes, representación errónea, estereotipos y toxicidad, de daños de asignación, directos o indirectos, que distribuyen de forma desigual recursos u oportunidades.
La primera taxonomía organiza las métricas por aquello que obtienen del modelo: embeddings, probabilidades o texto generado. Las métricas de embeddings comparan distancias y asociaciones; las probabilísticas usan tokens enmascarados, pseudo-verosimilitud, perplejidad o elecciones entre frases; las de texto generado comparan distribuciones, clasificadores auxiliares o léxicos. El artículo insiste en que una asociación en el espacio de representación no equivale a daño en una aplicación y que embeddings y probabilidades se correlacionan de forma débil o inestable con resultados posteriores. También advierte que prompts, plantillas, temperatura, longitud, decodificación y modelos auxiliares pueden cambiar e incluso invertir las conclusiones. Por eso recomienda evaluar directamente la tarea de uso, publicar toda la configuración y vincular cada métrica con un daño y una teoría sociolingüística explícitos.
La segunda taxonomía enumera 23 datasets. Quince usan entradas contrafactuales: ocho con tokens enmascarados y siete con oraciones completas. Ocho usan prompts: cinco de continuación y tres de pregunta-respuesta. La tabla relaciona cada recurso con el daño y los grupos sociales que pretende cubrir, pero los autores recalcan problemas de validez de constructo, contenido y ecología: muchos ejemplos son artificiales, binarios, centrados en Estados Unidos o en género y estereotipos, y la sustitución de una identidad puede cambiar el significado de la oración. No existe un benchmark universal de equidad; la comparabilidad que aporta un conjunto común puede ocultar contexto y perspectivas de los grupos afectados.
La tercera taxonomía clasifica mitigaciones por el punto de intervención. El preprocesamiento incluye aumento, filtrado o reponderación, generación de datos, instruction tuning y proyecciones; el entrenamiento modifica arquitectura, función de pérdida, subconjuntos de parámetros o filtra parámetros; el intraprocesamiento cambia la decodificación, redistribuye pesos o añade redes modulares; el posprocesamiento reescribe la salida. El artículo no compara empíricamente su eficacia ni elige una técnica ganadora. Señala riesgos transversales: borrar identidades, tratar grupos como intercambiables, reducir diversidad lingüística, censurar dialectos minoritarios, trasladar sesgos desde clasificadores auxiliares y mejorar una métrica mientras el daño reaparece en otra etapa.
La sección final sitúa los límites técnicos dentro de relaciones de poder. Recomienda centrar a comunidades marginadas, adoptar investigación participativa, hacer explícitos valores y supuestos, ampliar idiomas y gobernanza de datos, desagregar grupos e intersecciones, crear estándares de reporte, estudiar validez y fiabilidad, combinar etapas de mitigación y analizar garantías y compromisos entre rendimiento y equidad. Los propios autores reconocen que organizar el campo por mecanismos técnicos adopta una perspectiva de solucionismo técnico, que el alcance omite partes del ciclo de vida y que se limita a trabajos en inglés.
La auditoría editorial confirma una cobertura amplia y una formalización útil, pero no permite llamarla revisión sistemática: no se publican bases consultadas, cadenas de búsqueda, fechas de corte, flujo de selección, número de estudios cribados ni evaluación de calidad. Su definición de LLM incluye modelos encoder como BERT y hasta WEAT para embeddings estáticos, de modo que el alcance es más amplio que el uso contemporáneo de «LLM generativo». El repositorio asociado, congelado en un commit de septiembre de 2023, contiene 21 carpetas frente a 23 datasets en la tabla final; no incluye GAP-Subjective ni Bias-STS-B, y RealToxicityPrompts y Equity Evaluation Corpus solo aportan documentación o enlaces. Cinco carpetas no contienen licencia local y el repositorio raíz tampoco. La contribución defendible es un mapa conceptual y técnico del campo hasta 2024, no evidencia de que un método elimine el sesgo ni una auditoría de personalidad sintética.