本文研究表明，虽然方言语言在社交媒体上越来越普遍，但是开发自然语言处理工具的资源很少。本文以推特上的非裔美国英语为案例研究方言语言的实用性。文章提出了一种基于地理位置信息的远距离语言学习模型来识别 AAEL（African-American English like language），并验证了这种语言遵循已知的非裔美国英语语言现象。此外，文章对现有的语言识别和依赖解析工具在 AAEL 文本上的质量进行了分析，证明它们在处理这样的文本时比白人说话者的文本表现差。作者还提供了一种语言识别的整合分类器，消除了这种差异，并发布了一个包含 AAEL 类似语言的新推文语料库。

Aug, 2016

在线社交网络中，使用非洲裔美国英语表达可能导致对话者被认为更加有害，即使在几乎相同的主题下讲话。

Jan, 2024

该研究评估 LLM 在理解非洲裔美国人语言（AAL）方面的能力，比较其在白人主流英语（WME）方面的表现。通过两项任务，评估 LLM 的表现并发现了模型性能差距、偏见和 AAL 特征的理解欠缺。

May, 2023

本文研究表明自然语言处理系统对非裔美国人说话者存在偏见，尤其是由于在训练数据中缺乏非裔美国英语独特的语言特征，而多数偏见误差是由于此而引起的。为了克服此类偏见，本文提出了一种流程来解决习惯 “be” 造成的偏见，包括使用基于规则的过滤器和数据增强来生成一个平衡的语料库，我们使用这个平衡语料库训练了无偏见的机器学习分类器，以区分习惯 “be” 与其他形式的 “be”，在非裔美国英语转录文本的语料库上取得了 0.65 的 F1 得分。

Apr, 2022

本文研究针对美国非裔英语的歧视在当前仇恨言论数据集中存在的问题，并提出对抗性训练的方法来降低该歧视，实验结果表明该方法可以显著降低美国非裔英语文本的误判率，而对于仇恨言论分类的表现影响很小。

May, 2020

使用少量的长形式非洲裔美国英语（AAE）数据，通过将分类器输出与地理信息相结合，优化洲外识别器，从而减少 AAE 与 MAE 之间的相对词错误率差异 38.5%，而不降低 MAE 的质量。

Sep, 2023

我们研究了算法公平性领域中的一个重要问题：将来自不同社会群体作者的语言用于自然语言处理算法时质量的差异。我们在研究中着重探讨了当前系统在分析女性和少数族裔群体所使用的语言时出现的问题，证实了在处理非裔美国英语的推文时出现的种族差异，并讨论了该领域的研究意义。

Jun, 2017

本研究使用 AAVE/SAE 推文对 AAVE 文本的语法结构、AAVE 特定语言和 SAE 特定语形进行隔离，以探究 GPT-2 在 AAVE 文本上的表现，并使用预训练的情感分类器评估每个样本及其 GPT-2 生成的文本，结果显示 AAVE 文本的负面情感分类比 SAE 文本更多，GPT-2 的使用一般会增加正面情感的出现。此外，本研究进行了人类评估，用以比较 GPT-2 生成的 AAVE 文本与 SAE 文本在上下文的严谨性和总体质量。

Oct, 2020

本文利用几种音频和语言分析特征，包括 X-vector 表示法，ComParE 特征以及从 ASR 转录文件中提取的信息等，探究了非标准方言比例的自动预测方法，使用弱监督模型将 X-vector 和韵律特征投影到低维度的任务相关特性中，用 XGBoost 方法预测说话人的方言密度且评估其在此任务中的效用。最后，作者在 CORAAL 数据库的音频片段上展示了其方法相对于地面真实数据的显著相关性，并将其作为一种解释和减少语音技术偏见的工具。

Apr, 2022

该论文调查了自然语言处理中方言的重要性，描述了不同方言数据集和方法，对方言的研究超过了仅仅方言分类的工作，对构建具有公平性的语言技术有重要意义。

Jan, 2024