从检测到缓解：通过高效调参与基于投票的再平衡解决中文文本中的性别偏见
计算与语言
2025-09-10 v1
摘要
本文提出我们团队对 NLPCC-2025 共享任务 7 的解决方案，该任务聚焦于中文句子层面的性别偏见检测与缓解。该任务旨在通过自动检测、分类和缓解性别偏见，促进自然语言生成中的公平性与可控性。为应对这一挑战，我们采用基于大语言模型（LLM）的微调方法，通过低秩自适应（LoRA）高效适配偏见检测任务。在数据处理方面，我们构建了更均衡的训练集以缓解类别不平衡，并引入来自多个源的异构样本以增强模型泛化能力。对于检测与分类子任务，我们采用多数投票策略整合多个专家模型的输出以提升性能。此外，为提高偏见生成检测与缓解效果，我们设计了多温度采样机制以捕捉偏见表达风格的潜在变化。实验结果证明了该方法在偏见检测、分类与缓解方面的有效性。我们的方法最终取得了 47.90% 的平均分，在共享任务中排名第四。
引用
@article{arxiv.2509.07889,
title = {From Detection to Mitigation: Addressing Gender Bias in Chinese Texts via Efficient Tuning and Voting-Based Rebalancing},
author = {Chengyan Wu and Yiqiang Cai and Yufei Cheng and Yun Xue},
journal= {arXiv preprint arXiv:2509.07889},
year = {2025}
}
备注
NLPCC 2025