Probabilistic Race and Ethnicity Prediction Using Group-Specific Name Lists

📄 arXiv: 2610.06273v1 📥 PDF

作者: Kyla Chasalow, Noah Dasanaike, Kosuke Imai

分类: cs.CL

发布日期: 2026-10-05

💡 一句话要点

提出$ ext{lBISG}$方法以解决种族和民族预测问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 种族预测 民族识别 贝叶斯方法 姓名嵌入 数据校正 社会科学 公共政策

📋 核心要点

  1. 现有的贝叶斯改进姓氏地理编码方法在许多种族和民族群体缺乏数据的情况下难以进行有效的种族和民族预测。
  2. 本文提出的$ ext{lBISG}$方法利用群体特定的姓名列表，通过近端推断修正来推导校准的群体概率。
  3. 实验结果表明，LLM生成的姓名列表能够提供准确的概率估计，且与传统方法相比，差异估计的精度相当。

📝 摘要（中文）

统计有效的种族和民族差异估计通常需要根据个人的姓名和地理位置推断其属于特定种族或民族群体的概率。现有的贝叶斯改进姓氏地理编码（BISG）方法依赖于每个姓名的群体人口频率。然而，美国人口普查局仅提供常见姓名和有限种族类别的数据，许多种族和民族群体的数据缺乏且在美国以外地区几乎不可用。本文提出了基于名单的BISG（$ ext{lBISG}$）方法，利用群体特定的姓名列表推导校准的群体概率。这些列表可以基于专家知识编制或利用大型语言模型（LLMs）合成生成，因此可能存在未知偏差。通过将姓名表示为嵌入，我们将名单成员资格视为代理预测任务，并应用基于近端推断的修正来恢复目标群体概率。我们在美国选民文件、1900年美国人口普查和黎巴嫩选民登记处验证了该方法，发现LLM生成的姓名列表能够提供准确且良好校准的概率，以及与需要姓名-种族数据的方法相当的精确差异估计。因此，$ ext{lBISG}$显著拓宽了在缺乏姓名-种族数据的情况下进行概率种族和民族预测的适用性。

🔬 方法详解

问题定义：本文旨在解决在缺乏姓名-种族数据的情况下，如何有效推断个体的种族和民族归属的问题。现有的BISG方法依赖于有限的群体人口频率数据，导致在许多情况下无法进行准确的预测。

核心思路：提出的$ ext{lBISG}$方法通过利用群体特定的姓名列表，结合大型语言模型生成的姓名数据，来推导个体的种族和民族概率。这种方法通过将姓名视为嵌入，利用代理预测任务来实现。

技术框架：该方法的整体架构包括姓名嵌入生成、群体特定姓名列表的构建、代理预测任务的执行以及基于近端推断的概率校正。主要模块包括姓名列表的生成、概率推导和结果校正。

关键创新：$ ext{lBISG}$方法的创新之处在于其利用群体特定的姓名列表来推导概率，而不仅仅依赖于传统的群体人口频率数据。这一方法显著提高了在缺乏数据的情况下的预测能力。

关键设计：在技术细节上，姓名嵌入的生成采用了深度学习模型，损失函数设计为最小化预测概率与真实概率之间的差异，同时在校正过程中引入了近端推断的机制，以提高预测的准确性。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果显示，使用LLM生成的姓名列表，$ ext{lBISG}$方法能够提供准确且良好校准的概率估计，差异估计的精度与传统方法相当。具体而言，$ ext{lBISG}$在U.S.选民文件和1900年人口普查数据上的表现优于传统方法，显示出显著的提升。

🎯 应用场景

该研究的潜在应用领域包括社会科学研究、公共政策制定、市场分析等。通过提供更准确的种族和民族预测，能够帮助相关领域更好地理解和解决种族和民族差异问题，促进社会公平与包容性。未来，该方法有望在全球范围内推广，尤其是在缺乏相关数据的地区。

📄 摘要（原文）

Statistically valid estimation of racial and ethnic disparities often requires inferring the probability that an individual belongs to a particular racial or ethnic group given only their name and geographic location. The standard approach, Bayesian Improved Surname Geocoding (BISG), relies on group population frequencies for each name. Although the U.S. Census Bureau provides such information for common names and a limited set of racial categories, comparable data do not exist for many racial and ethnic groups and are rarely available outside the U.S. We propose the list-powered BISG ($\ell$BISG) method, which can be used to derive calibrated group probabilities from group-specific name lists. These lists may be compiled based on expert knowledge or generated synthetically using large language models (LLMs), and thus may be subject to unknown biases. Representing names as embeddings, we treat list membership as a proxy prediction task and apply a correction based on proximal inference to recover the target group probabilities. We validate the method on U.S. voter files with self-reported race, on the full-count 1900 U.S. Census, and on the Lebanese voter registry. We find that LLM-generated name lists yield accurate and well-calibrated probabilities as well as precise disparity estimates comparable to those obtained using methods that require name-race data. Thus, $\ell$BISG substantially broadens the applicability of probabilistic race and ethnicity prediction to settings where name-race data are unavailable.