Pengesanan Bias Gender dalam NLP — Kaedah Statistik dan Berasaskan Penyematan
Pengesanan bias gender dalam NLP ialah satu keluarga kaedah statistik dan berasaskan penyematan yang digunakan untuk mengukur stereotaip, ketidakseimbangan representasi, dan bias pekerjaan dalam korpus teks dan model bahasa. Berdasarkan penanda aras yang ditubuhkan oleh Caliskan et al. (2017) dengan Ujian Persatuan Penyematan Kata (WEAT) dan Zhao et al. (2018) dengan set data WinoBias, kaedah ini menghasilkan bukti kuantitatif bias gender berbanding tanggapan kualitatif. Kaedah ini digunakan secara meluas dalam penyelidikan AI etika, analisis media, dan audit keadilan sistem pembelajaran mesin.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Peta kaedah
Kejiranan kaedah berkaitan — pilih satu nod untuk meneroka.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 1). Gender Bias Detection in NLP — Statistical and Embedding-Based Methods. ScholarGate. https://scholargate.app/ms/text-mining/gender-bias-detection-nlp
Kaedah yang mana?
Letakkan kaedah ini di sebelah kaedah yang paling rapat dengannya dan baca secara bersebelahan — perpustakaan menyusun buku di atas meja; pilihan terletak pada anda.
- Sematik BERTPerlombongan Teks↔ banding
- Penyelesaian KoreferensPerlombongan Teks↔ banding
- Pengecaman Entiti Bernama (NER)Perlombongan Teks↔ banding
- Analisis SentimenPerlombongan Teks↔ banding
- Klasifikasi TeksPerlombongan Teks↔ banding
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →