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

通过两项在线研究探究了评注者身份和信仰对有毒语言的评注的影响，发现评注者的身份和信仰与有毒性评分之间有很强的关联，表明对有毒语言的注释需要在社会变量中予以情境化考虑，进而提高有毒语言的注释和检测的准确性。

Nov, 2021

本文讨论了自然语言处理中语言歧视和对非标准语言特征的忽略可能导致偏见结果的问题，并介绍了引入人机交互模式以更好地理解非标准语言使用者和强调方言语言包容性的必要性，以便减少身份剥夺感情况下，AAE 本土使用者与 NLP 系统的广泛互动。

Jun, 2022

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

该论文探讨了在流行的有毒语言数据集中存在针对非裔美国英语用户的种族偏见如何存在，并针对这种偏见提出了使用描述公平度量来更好理解其来源的建议。作者提出了一个基于集成框架的方法来减少这些数据集中的意识形态偏见，并提供了实证证据证明其能够取消针对使用非裔美国英语的作者的注释偏见，同时仅对分类性能产生最小的影响。

Sep, 2021

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

本文研究了五个 Twitter 数据集上使用的基于分类器的识别恶意语言的技术中的种族歧视问题，并在使用这些技术时可能产生的不平等负面影响上发出了警告。

May, 2019

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

为了解决仇恨言论不断增长的问题，本文探索了种族、性别交叉轴线上仇恨言论数据集的分析，发现 African American English、男性和 AAE + 男性推文中存在强烈的偏见，BERT 模型会传播这种偏见，但通过平衡训练数据可以实现更公平的性别模型。

May, 2022

由于文本分类器开发中的偏见关联限制了公平性和准确性，因此我们调查了最近介绍的去偏置方法，作用于检测有毒语言的文本分类数据集和模型，重点关注词汇（例如骂人话、侮辱性言论、身份称谓）和方言标记（特别是非裔美国英语）。我们的全面实验表明，现有的方法在防止当前毒性检测器中出现有偏见的行为方面存在局限性。然后，我们提出了一种自动的方言感知数据校正方法作为概念验证。尽管采用了合成标签，但该方法减少了方言与毒性之间的关联。总的来说，我们的发现表明，在训练有毒性偏见性数据的模型时去偏置并不如简单重标记数据以消除现有偏见有效。

Jan, 2021