자동 음성 인식(ASR) 시스템은 화자 그룹별로 불균등한 오류율을 보이며, 이는 내부 표현에 대한 개입을 유도합니다. 우리는 사전 학습된 ASR 인코더에서 선형적으로 읽을 수 있는 화자 연결 속성들이 그룹 단어 오류율(WER) 격차를 줄이는 데 유용한 방향을 제공하는지 질문했습니다. Common Voice와 Speech Accent Archive에서 Whisper-medium, HuBERT-large, Wav2Vec2-large를 사용하여 모든 인코더 레이어를 조사하여 메타데이터 기반의 성별/성(sex/gender), 연령, 원어민/억양 라벨을 분석하고; 중심점(centroid) 및 프로브 기반 방향들을 구성한 후; 선택된 레이어에 주입했으며; 다운스트림 프로브 궤적과 일치하는 WER 변화를 비교했습니다. 성별 라벨은 높은 디코딩 가능성(최고 macro-F1 0.924–0.941)을 보였고, 원어민/억양 라벨 역시 우연 수준보다 높았습니다(0.544–0.696). 반면 연령 정보는 약했습니다(0.354–0.397). 22개의 사후 선택된 재실행 중 9개는 95% 쌍별 부트스트랩 구간이 모두 0보다 아래였지만, 모든 절대적인 소스-그룹 WER 감소 폭은 0.7 퍼센트 포인트 미만이었습니다. 반대로, 국소 목표 클래스 프로브율이 8.09%에서 99.87%로 상승하는 동안 WER은 악화되었습니다. 따라서 선형적 가독성은 인과적 사용의 증거가 아니며 신뢰할 수 있는 완화 방법도 아닙니다. 우리의 결과는 음성 편향 개입을 표현(representation), 전파(propagation), 그리고 작업(task) 수준에서 종합적으로 평가할 필요성을 시사합니다.