Detektion af kønsbias i NLP — Statistiske metoder og metoder baseret på indlejringer
Detektion af kønsbias i NLP er en familie af statistiske metoder og metoder baseret på indlejringer, der bruges til at måle stereotypering, repræsentationsmæssig ubalance og erhvervsbias i tekstkorpora og sprogmodeller. Disse metoder, der er baseret på benchmarks etableret af Caliskan et al. (2017) med Word Embedding Association Test (WEAT) og Zhao et al. (2018) med WinoBias-datasættet, producerer kvantitative beviser for kønsbias snarere end kvalitative indtryk. De anvendes bredt inden for etisk AI-forskning, medieanalyse og fairhedsrevision af maskinlæringssystemer.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Metodekort
Nabolaget af beslægtede metoder — vælg en knude for at udforske.
Kilder
- Caliskan, A., Bryson, J. J., & Narayanan, A. (2017). Semantics derived automatically from language corpora contain human-like biases. Science, 356(6334), 183–186. DOI: 10.1126/science.aal4230 ↗
- Zhao, J., Wang, T., Yatskar, M., Ordonez, V., & Chang, K.-W. (2018). Gender Bias in Coreference Resolution: Evaluation and Debiasing Methods. Proceedings of NAACL-HLT 2018. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 1). Gender Bias Detection in NLP — Statistical and Embedding-Based Methods. ScholarGate. https://scholargate.app/da/text-mining/gender-bias-detection-nlp
Hvilken metode?
Stil denne metode ved siden af dens nærmeste slægtninge, og læs dem side om side — biblioteket lægger bøgerne på bordet; valget er dit.
- BERT-indlejringerTekstmining↔ sammenlign
- Koreference-opløsningTekstmining↔ sammenlign
- Navngiven enhedsgenkendelse (NER)Tekstmining↔ sammenlign
- SentimentanalyseTekstmining↔ sammenlign
- TekstklassificeringTekstmining↔ sammenlign
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →