대규모 언어 모델(LLMs)의 편향에 대한 연구는 주로 제3자 감사를 중심으로 이루어져 왔습니다. 이 방식은 모델이 인구통계학적 그룹을 외부 주체로서 어떻게 표현하거나 평가하는지에 초점을 맞춥니다. 하지만 이러한 패러다임은 감사 과정에서 사용자가 부재하다는 구조적인 사각지대를 간과합니다. 실제 상황에서 LLMs는 개방형의 개인적인 상호작용에 사용되며, 이 과정에서 모델은 사용자에게 암묵적으로 반응하고 그에 맞춰 응답을 조정합니다. 동일한 요청이 누가 묻는지에 따라 다른 응답을 산출할 때, 편향은 모델이 타인을 어떻게 묘사하는지에 있는 것이 아니라 대화 상대방(interlocutor)을 어떻게 대우하는지에서 나타납니다. 이에 우리는 사용자 중심의 프레임워크인 상황적 상호작용 감사(Situated Interaction Auditing, SIA)를 제안합니다. SIA는 사용자 프로필 신호—암묵적인 사회인구통계학적 마커, 글쓰기 스타일, 명시된 정체성—가 LLM 응답의 품질, 내용, 어조에 체계적으로 어떻게 영향을 미치는지 연구하는 틀입니다. 우리는 여러 작업 영역(task domains)에 걸쳐 성별 및 사회경제적 지위 신호를 교차 분석하는 사례 연구를 통해 이 프레임워크를 입증하고, 자연어 처리 분야의 새로운 과제로서 SIA를 위한 연구 의제를 제시합니다.