Aug, 2022

自我描述性取向时，Z世代中标签使用的演变

HTML
PDF
TL;DR本研究分析了美国年龄在13到24岁之间、涵盖33,993个LGBTQ的Generation Z自述性取向的文本语料库，研究发现某些标签，如双性恋、泛性恋和女同性恋，在不同的年龄组中保持同样的重要性，而其他标签如同性恋、半性恋和全性恋则随年龄组有所不同，并发现到在这个群体中存在着不同的标签使用率，因此我们敦促各方关注LGBTQ用户最重要的性取向标签，并不断更新材料以反映LGBTQ社群不断变化的情况并创造一个包容的环境。
发现论文，激发创造
  • 利用社会语言学变量揭示性取向和性别态度的变化

    本文研究了在美国社会语言学的词汇选择中关于同性恋和性别的态度变化，通过在 Twitter 和 Reddit 上对 8700 万条消息的纵向分析，发现态度正在发生变化但是这些变化是由特定人口群体驱动的，并且在溯因分析中表明不同州的婚姻平等法案是语言变化的推动因素。

    Sep, 2021

  • 在综合描述符数据集中发现语言模型中的新偏见

    本文介绍了一种全新的包含13个不同人口统计学轴线近600个描述符的、基于HolisticBias的更加包容性的偏差测量数据集，结合一组偏差测量模板产生超过45万个独特的句子提示，用于探索、识别和减少几个生成模型中的新型偏差。

    May, 2022

  • 视觉语义人工智能中的标记性

    通过评估CLIP模型的性别、种族和年龄标记偏见，我们发现CLIP在白人个体上更容易选择人这个标签而不是种族或者性别标记，同时在男性个体上更倾向于性别标记而非年龄标记，表明其训练数据存在语言和社会偏见。

    May, 2022

  • 我完全是我自己”: 以聚焦跨性别和非二元性人的声音来衡量开放式语言生成中的偏差

    本文旨在通过研究TGNB社区的社会现实，评估其对语言生成技术中存在的性别歧视传统和对TGNB身份的伤害，并引入TANGO数据集来测量这些歧视。同时，本文还提出了一些具体的解决方案，并呼吁关注性少数群体的需求。

    May, 2023

  • 反事实探究情感和特异性对群际偏见的影响

    本文提出了一个修正过的偏见研究框架，并探讨了不同种族间社交语境下的语言行为与话语两个语用学特征之间是否存在系统地差异。研究发现推理模型可可靠地使用情感特征，但使用特定性特征的模型效果更不确定。

    May, 2023

  • 文本-图像模型对非二元性别身份的（误）表征：刻板印象与淫秽

    本文旨在研究多模态模型处理不同性别认同的表现，发现某些非传统性别的个体被（误）刻画为不够人性化、更具刻板印象和性化。同时，受访者特别关注描绘的准确性，呼吁采用策展训练数据和定制化等改进措施，实现社区更广泛的参与和更积极的进步。

    May, 2023

  • 在交叉背景下评估语言模型的偏见态度关联

    利用上下文词嵌入的概念投射方法，量化了英语语言模型中社会群体的情感倾向，发现语言模型对性别认同、社会阶级和性取向的信号表现出最有偏见的态度，此方法旨在研究语言模型中的历史偏见，并对设计正义做出贡献，探讨了在语言中被边缘化的群体的相关关系。

    Jul, 2023

  • Generation Z判别在Discord上由AI生成与人类创作的文本的能力

    探讨了社交媒体中生成式人工智能聊天机器人的普及对社交媒体产生的变革性影响，调查了Generation Z年龄段的个体对Discord上的AI生成和人为撰写的文本进行辨别的能力，并发现Generation Z个体无法区分AI生成和人为构造的文本，与Discord的熟悉程度和人工智能技术经验相关。结果表明，AI技术和流行的通信方式之间存在微妙的关联，对人机交互、数字通信和人工智能素养提供了有价值的洞见。

    Dec, 2023

  • 自由放任的危害：生成式语言模型中的算法偏差

    通过开放式提示，我们发现模型产生的文本在描绘边缘群体的身份时存在错误、隐含和刻板印象的问题，这些问题可能导致心理伤害和认知能力下降。

    Apr, 2024

  • 代际差距：探索大型语言模型中的年龄偏见

    本研究通过对13个类别的世界价值观调查数据进行分析，探索了大型语言模型（LLMs）与特定年龄群体的价值观契合度。我们通过一系列针对不同回应的多样化提示，发现LLMs在年轻人中的价值观倾向。此外，我们还探究了在提示中纳入年龄身份信息的影响，并观察到在不同年龄群体中调和价值观差异方面的挑战。我们的研究结果凸显了LLMs中的年龄偏见，并为未来的研究提供了启示。

    Apr, 2024