反事实增强数据与无意偏差：以性别歧视与仇恨言论检测为例

反事实增强数据（Counterfactually Augmented Data, CAD）旨在提升分布外泛化能力，这是模型鲁棒性的一个指标。该改进归功于促进构念的核心特征而非与之偶然相关的虚假伪迹。然而，过度依赖核心特征可能导致无意的模型偏差。特别是，构念驱动的 CAD——对核心特征的扰动——可能诱导模型忽略核心特征被使用的语境。在此，我们在具有挑战性的数据上测试性别歧视与仇恨言论检测模型：身份词与性别词的非仇恨、非性别歧视用法。在这些困难案例中，在 CAD 上训练的模型，尤其是构念驱动的 CAD，比在原始未扰动数据上训练的模型表现出更高的假阳性率。使用多样化的 CAD 集合——构念驱动与构念无关的——可降低此类无意偏差。