Detectie van genderbias in NLP — Statistische en op embedding gebaseerde methoden
Detectie van genderbias in NLP is een familie van statistische en op embedding gebaseerde methoden die worden gebruikt om stereotypering, representationele onevenwichtigheid en occupationele bias in tekstcorpora en taalmodellen te meten. Geworteld in benchmarks vastgesteld door Caliskan et al. (2017) met de Word Embedding Association Test (WEAT) en Zhao et al. (2018) met de WinoBias dataset, produceren deze methoden kwantitatieve bewijzen van genderbias in plaats van kwalitatieve indrukken. Ze worden breed toegepast in ethisch AI-onderzoek, media-analyse en fairness auditing van machine learning-systemen.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Methodenkaart
De omgeving van verwante methoden — selecteer een knooppunt om te verkennen.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 1). Gender Bias Detection in NLP — Statistical and Embedding-Based Methods. ScholarGate. https://scholargate.app/nl/text-mining/gender-bias-detection-nlp
Welke methode?
Plaats deze methode naast haar naaste verwanten en lees ze naast elkaar — de bibliotheek legt de boeken op tafel; de keuze is aan u.
- BERT-inbeddingenTekstmining↔ vergelijken
- Kerneferentie-resolutieTekstmining↔ vergelijken
- Named Entity Recognition (NER)Tekstmining↔ vergelijken
- SentimentanalyseTekstmining↔ vergelijken
- TekstclassificatieTekstmining↔ vergelijken
Similar methods
Een fout op deze pagina gezien? Meld het of stel een correctie voor →