FHSTP@EXIST 2025基准测试：使用透明语音概念瓶颈模型进行性别歧视检测

性别歧视在社交媒体和在线对话中已变得普遍。为了帮助解决这个问题，第五届社交网络性别歧视识别(EXIST)挑战赛于CLEF 2025启动。在今年的国际基准测试中，我们专注于解决第一个任务，旨在识别和分类社交媒体文本帖子中的性别歧视。在本文中，我们描述了我们的解决方案，并报告了三个子任务的结果：子任务1.1 - 推文中的性别歧视识别，子任务1.2 - 推文中的来源意图，以及子任务1.3 - 推文中的性别歧视分类。我们实现了三个模型来处理每个子任务，它们构成了三个独立的运行：语音概念瓶颈模型(SCBM)、带Transformer的语音概念瓶颈模型(SCBMT)和微调的XLM-RoBERTa Transformer模型。SCBM使用描述性形容词作为人类可解释的瓶颈概念。SCBM利用大语言模型(LLMs)将输入文本编码为形容词的人类可解释表示，然后用于训练轻量级分类器以执行下游任务。SCBMT通过将基于形容词的表示与来自Transformer的上下文嵌入融合来扩展SCBM，以平衡可解释性和分类性能。除了有竞争力的结果外，这两个模型在实例（局部）和类别（全局）级别都提供了细粒度的解释。我们还研究了如何利用额外的元数据，例如标注者的人口统计资料。对于子任务1.1，在提供的数据集上微调并增强先前数据集的XLM-RoBERTa，在Soft-Soft评估中，英语和西班牙语排名第6，英语排名第4。我们的SCBMT在英语和西班牙语中排名第7，在西班牙语中排名第6。