该研究介绍了一个包含真实文本挑战的性别平衡标记语料库GAP，旨在解决自然语言理解中消歧代词的长期难题，并探索各种基线方法，最终表明结构和神经模型提供了有希望的补充线索。

Oct, 2018

使用BERT模型和新颖的数据增强策略，利用共同的填充名称对候选名字进行匿名化处理，提高数据量的同时使模型更好地识别名称、缩短标记长度，并消除与名称相关的性别和地域偏见，有效提升了Gendered Pronoun Resolution挑战的性能。

May, 2019

该论文研究了指代消解的一个子任务，代词消解，并描述了他们基于BERT的方法，该方法能够在性别平衡的情况下，达到92％的性能得分和更低的性别偏差。

Jun, 2019

本文中，我们提出了一种通过fine-tuned pre-trained BERT模型并使用抽取式问答形式的代替先前的基于coreference resolvers的代词消歧任务，从而克服这个性别偏见问题的解决方案，该模型可以在无需先验知识的情况下，在性别平衡的数据集上取得明显的结果 (F1值的绝对改善率达到22.2%)，还提出了通过ensemble模型结合多项选择和序列分类等方法进一步提高表现 (F1值的绝对改善率达到23.3%)，该模型已在第一届ACL会议关于自然语言处理的性别偏见共享任务中获得第九名的成绩。

Jun, 2019

本研究提出一种基于预训练BERT模型的神经网络模型来解决语言处理中的性别偏见问题，该模型采用了无参数的注意力机制来计算实体跨度的语境表示，并使用向量表示代替三元语义相似度。经实验证明，该模型在性别代词分辨率任务的训练和测试集上的表现较好。

Aug, 2019

本文以BERT为例，分析了上下游情感和情绪强度预测任务中的性别偏见，并提出了一种算法来去除嵌入向量中特定于性别的特征，以减少BERT诱发的偏见。

Sep, 2020

在自然语言处理中，引入了一种基于理论的测试样本加权方法，以解决在性别偏见测量的指代消解数据集中出现的样本相互关系，例如在女性子集中出现的长期依赖性问题，重新评估了16个核心解决方案。

Nov, 2020

通过寻找语法模式，我们在三个领域的语料库中发现了暗示刻板印象和非刻板印象的性别角色分配（例如女护士与男舞者），并发布了首个包含108k多样化英语句子的大规模性别偏见数据集，使用它来评估各种指代解析和机器翻译模型中的性别偏见，发现所有测试模型在处理自然输入时都倾向于过度依赖性别刻板印象。我们的数据集和模型都在www.github.com/SLAB-NLP/BUG上公开，希望它们能在实际环境中促进未来的性别偏见评估和缓解技术研究。

Sep, 2021

本研究介绍了VisoGender，这是一个用于基准测试视觉语言模型的性别偏见的新数据集。我们专注于与职业相关的性别偏见，并强调每个图像都与包含场景中主体和对象的代词关系的标题相关联。

Jun, 2023

本文提出了一种将预训练的BERT与句法关系图注意力网络（RGAT）相结合的端到端解析器，用于深入研究句法依赖信息对于共指消解任务的作用。通过在公用的性别模糊代词（GAP）数据集上的实验，证明了在不微调整个BERT的情况下，我们将前一最佳模型（使用BERT的RGCN）的F1分数从80.3％提高到82.5％，相对于单个BERT嵌入的78.5％提高到82.5％。在另一个公共数据集OntoNotes 5.0上的实验结果表明，该模型通过融入RGAT中学习到的句法依赖信息也能提高性能。

Sep, 2023