本论文描述了我们的系统，旨在设计出一个自动系统来探测和分类在线空间中的性别歧视内容。我们提出了一组基于 transformer 的预训练模型，通过任务适应式预训练和集成学习相结合。通过分析不同的 transformer-based 预训练模型的性能以及组合这些模型，提供了一种使用大量未标注数据的有效方法，同时还探索了几种其他策略。在测试数据集上，我们的系统分别在子任务 A，B 和 C 上取得 83％，64％和 47％的 F1 分数。

May, 2023

本文通过采用 fine-tuning transformer-based architecture 的方法，从二元性别歧视检测、具体性别类别和更精细的性别类别三个子任务的角度，探讨了模型决策的可解释性、可信度和理解度。实验证明，该方法在 Codalab SemEval 竞赛中的 Task A、B 和 C 的 macro F1 得分分别为 0.839、0.5835 和 0.3356。

Apr, 2023

本文介绍了一个用于在线性别歧视检测的多任务模型，该模型通过对各种相关任务和数据集进行微调，然后在具体任务上进行微调，通过将每个任务形式化为二进制成对文本分类来实现多任务学习，结果相对于使用 DeBERTa-V3 fine-tuned 作为基准的结果进行比较，在任务 A 中，F1 值达到了 85.9％（rank 13/84），在任务 B 中达到了 64.8％（rank 19/69），在任务 C 中达到了 44.9％（rank 26/63）。

Jun, 2023

本文介绍了我们在 SemEval 2023 - 可解释的在线性别歧视检测 (EDOS) 的 Task 10 中的贡献，包括三个子任务。我们提出了使用 BERT-based 模型进行实验和调优、并使用多数表决模型的方法来检测和解释在线性别歧视内容。在三个任务中，我们的系统均取得了优异的宏 F1 得分。

Apr, 2023

这篇论文讲述了如何提高对网络性别歧视检测的可解释性，并对比了单一任务和多任务学习在不同子任务下的表现。

Jun, 2023

介绍 SemEval 任务 10，该任务是关于可解释的在线性别歧视检测（EDOS）。我们提出了新的性别歧视分层分类体系，包括帮助解释的细粒度歧视向量，并提供了一个新的带有细粒度标签的 20,000 条社交媒体评论数据集，以及用于模型适应的更大型的未标注数据集，并提供了任务的基线模型以及对参与者提交的方法、结果和错误的分析。

Mar, 2023

本文讨论了我们在 SemEval-2023 任务 10 中应用的方法：实现在线性别歧视的可解释检测。我们进行了三个分类任务以预测文本是否具有性别歧视，将性别歧视文本分类为子类以提供其他解释。我们尝试了许多不同类型的模型，包括 GloVe 嵌入作为基线方法，基于 transformer 的深度学习模型如 BERT，RoBERTa 和 DeBERTa，集成模型和模型混合。我们探索了各种数据清理和增强方法以提高模型性能。预训练 transformer 模型在性能上产生了显着的改进，而集成和混合略微提高了 F1 的稳健性。

May, 2023

通过利用自然语言处理模型，提高双语环境（英语和西班牙语）下的性别歧视识别能力，并使用 XLM-RoBERTa 模型和 GPT-3.5 完成两个任务，即判断文本是否性别歧视以及其来源意图。

Jun, 2024

本研究使用 RoBERTa 和数据增强等技术探讨社交媒体中的性别歧视检测，并进一步研究了不同数据增强技术，研究结果仍有提升空间。

Feb, 2023

该研究通过细粒度分类，使用数据增强和迭代技术来解决在线性别歧视检测的挑战，采用不同数据集训练的 Transformer 模型集成，解决了性能和可解释性之间的平衡问题。

May, 2023