Η παρούσα διπλωματική εργασία εστιάζει στην κριτική διερεύνηση των έμφυλων στερεοτύπων που αναπαράγονται στα Mεγάλα Γλωσσικά Μοντέλα. Ξεκινώντας από τη βασική κοινωνιογλωσσολογική παραδοχή ότι ο λόγος δεν είναι ουδέτερος αλλά καθορίζει και καθορίζεται από τις κοινωνικές δομές, η μελέτη επικεντρώνεται στο φαινόμενο του γλωσσικού σεξισμού, με κεντρικό άξονα τα θηλυκά επαγγελματικά ουσιαστικά. Σκοπός της είναι να αναδείξει πώς τα Μεγάλα Γλωσσικά Μοντέλα, εξαιτίας της εκπαίδευσής τους σε τεράστιες βάσεις δεδομένων από τον δημόσιο λόγο και το διαδίκτυο, τείνουν να ενσωματώνουν και να διαιωνίζουν προκαταλήψεις ετών γύρω από τους κοινωνικούς ρόλους και τη σχέση εξουσίας των δύο φύλων. Τα στοιχεία αυτά προέκυψαν από μια έρευνα που πραγματοποιήθηκε στα περιβάλλοντα του ChatGPT και του Gemini, με στόχο την αξιολόγηση των αυτοματοποιημένων γλωσσικών επιλογών των μοντέλων αυτών ως προς τη δήλωση των θηλυκών επαγγελματικών. Αρχικά, εξετάστηκε η υφολογική προσαρμογή των μοντέλων κατά τη χρήση θηλυκών όρων σε επίσημο και ανεπίσημο πλαίσιο. Στη συνέχεια, αξιολογήθηκε η αυθόρμητη απόδοση έμφυλων αντωνυμιών («Αυτός/Αυτή») σε μια λίστα δέκα επαγγελμάτων, προκειμένου να εντοπιστούν τυχόν ενσωματωμένα στερεότυπα. Τέλος, αναλύθηκαν οι διορθώσεις και οι βελτιώσεις που πρότειναν τα δύο συστήματα σε κείμενα που περιλάμβαναν ήδη θηλυκούς επαγγελματικούς τύπους. 

The present thesis focuses on the critical investigation of gender stereotypes reproduced in Large Language Models. Starting from the fundamental sociolinguistic assumption that discourse is not neutral but determines and is determined by social structures, the study focuses on the phenomenon of linguistic sexism, with a central axis on feminine occupational nouns. The purpose is to highlight how Large Language Models, due to their training on massive datasets from public discourse and the internet, tend to incorporate and perpetuate years of biases around social roles and the power relationship between the two sexes. These data emerged from a research study conducted in the environments of ChatGPT and Gemini, aiming at the evaluation of the automated linguistic choices of these models regarding the representation of feminine occupations. Initially, the stylistic adaptation of the models during the use of feminine terms in formal and informal contexts was examined. Subsequently, the spontaneous assignment of gender pronouns ("He/She") to a list of ten occupations was evaluated, in order to identify any embedded stereotypes. Finally, the corrections and improvements proposed by the two systems in texts that already included feminine occupational types were analyzed.