Detektering av könsbias i NLP — Statistiska metoder och inbäddningsbaserade metoder
Detektering av könsbias i NLP är en familj av statistiska metoder och inbäddningsbaserade metoder som används för att mäta stereotyper, representativ obalans och yrkesmässig bias i textkorpusar och språkmodeller. Grundade i riktmärken etablerade av Caliskan et al. (2017) med Word Embedding Association Test (WEAT) och Zhao et al. (2018) med WinoBias-datasetet, producerar dessa metoder kvantitativa bevis på könsbias snarare än kvalitativa intryck. De tillämpas brett inom etisk AI-forskning, medieanalys och rättviserevision av maskininlärningssystem.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 1). Gender Bias Detection in NLP — Statistical and Embedding-Based Methods. ScholarGate. https://scholargate.app/sv/text-mining/gender-bias-detection-nlp
Vilken metod?
Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.
- BERT-inbäddningarTextutvinning↔ jämför
- KoreferensupplösningTextutvinning↔ jämför
- Namngiven entitetsigenkänning (NER)Textutvinning↔ jämför
- SentimentanalysTextutvinning↔ jämför
- TextklassificeringTextutvinning↔ jämför
Similar methods
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →