ACLJun, 2020

性别危险？在 MuST-SHE 语料库上评估语音翻译技术

PDF
TL;DR研究了语音翻译中存在的性别偏见问题，并基于英意 / 英法语言方向比较了级联与端到端技术，着重于探究如何利用音频信息来解决自然语言中的性别偏见问题。
speech translationgender biasmachine learningenglish-italian translationenglish-french translation
发现论文，激发创造
  • 机器翻译中性别偏见的评估

    本研究利用两个共指解析数据集，通过 8 种有语法性别的目标语言中的形态分析，第一次提出了机器翻译中性别偏见的挑战集和评估协议，并发现四个流行的工业机器翻译系统和两个最新的学术机器翻译模型在所有测试的目标语言上都容易出现性别偏见翻译错误。

    Jun, 2019

  • 培育基于性别意识的直接语音翻译系统

    本研究探讨无需转录的直接语音翻译模型在性别翻译方面的性别偏见及其潜在危害，并比较不同方法通知模型说话人性别信息的效果，结果表明性别感知模型相比于无性别感知模型在性别标记词的翻译准确率上可提高 30 个百分点，同时保证总体翻译质量。

    Dec, 2020

  • 在形态句法镜头下：对语音翻译性别偏见的多方位评估

    通过对自然、性别敏感的 MuST-SHE 语料库进行 POS 和一致性链的语言学注释，在英法 / 意大利语 / 西班牙语三种语言方向上针对不同数量的数据和不同的词语分割技术进行多方面评估，揭示了性别偏见的模型行为，及其在多个细粒度层次上的检测价值。

    Mar, 2022

  • 机器翻译中的性别偏见与大型语言模型时代

    本章检查了机器翻译在持续性别偏见方面的作用，强调了跨语言环境和统计依赖性所带来的挑战。提供了与传统神经机器翻译方法和作为机器翻译系统的生成式预训练变压器模型相关的现有研究的全面概述。通过在英意翻译环境中使用 ChatGPT（基于 GPT-3.5）的实验，进一步评估了 ChatGPT 目前解决性别偏见的能力。研究结果强调了在机器翻译系统中减少偏见的发展的持续需求，并强调了在语言技术中培养公平和包容的重要性。

    Jan, 2024

  • 如何构建多性别竞争性语音翻译模型以控制说话者性别翻译

    通过将说话者的性别元数据合并到单个 “多性别” 神经语音转换模型中，可以避免性别偏见并提高性别准确性（女性形式可提高 12.9），相比专门的性别模型，该模型训练自零效果更好，而基于现有频培训模型的微调则不具有竞争力。

    Oct, 2023

  • 使用目标性别标注缓解机器翻译中的性别偏见

    在机器翻译中，当源语言句子未提供主语的性别信息时，系统往往选择最常见的翻译选项，从而可能加剧某些群体和人员的偏见和边缘化。为减少对性别刻板印象的依赖，本论文提出使用包含主语性别信息的单词级别注释训练机器翻译系统的方法，实验结果表明，这可使机器翻译系统在五种语言对上的 WinoMT 测试集上准确度提高高达 25.8 个百分点。

    Oct, 2020

  • 机器翻译中的性别偏见

    通过批判性地审视当前有关 MT 偏见的概念化，总结以往的性别偏见分析，讨论已提出的缓解策略，并指向未来工作的潜在方向，提出了一个统一的框架以便于未来研究。

    Apr, 2021

  • 评估语音翻译中的性别偏差

    本篇研究提出 WinoST 挑战集，用于针对性别偏见进行演讲翻译的评估，并使用最先进的端到端演讲翻译系统在四个语言对上进行了性别准确性评估。

    Oct, 2020

  • 评估机器翻译中的性别偏见 -- 以 Google 翻译为例

    本文研究了机器偏见和性别偏见，使用性别中性语言对 Google 翻译进行了实验，结果显示翻译的默认性别更偏向于男性，特别是在 STEM 领域中，这种偏见程度远超实际分布，因此需要对当前的统计翻译工具进行偏误纠正。

    Sep, 2018

  • WMT2020 年性别同指和偏见评估

    通过使用 WinoMT 自动测试套件，我们对 19 个系统进行了研究，发现性别偏见在机器翻译中很常见，系统通常使用数据中的假性别关联而非有意义的上下文信息。

    Oct, 2020