词嵌入中的性别偏见：频率、句法与语义的综合分析

语言语料库中的统计规律性将众所周知的社会偏见编码进词嵌入中。在此，我们聚焦性别，对基于互联网语料库训练的广泛使用的静态英文词嵌入（GloVe 2014、fastText 2017）中的基于群体的偏见提供综合分析。使用单类别词嵌入关联测试，我们展示了性别偏见的广泛存在，这些偏见也表现出以下差异：(1)与男性 versus 女性相关词的频率；(b)性别相关词中的词性标签；(c)性别相关词中的语义类别；以及(d)性别相关词中的效价、唤醒度和支配度。首先，就词频率而言：我们发现，在词汇表中前1000个最频繁词中，77%更关联男性而非女性，为英语世界日常语言中的男性默认提供了直接证据。第二，转向词性：最关联男性的词通常为动词（如fight、overpower），而最关联女性的词通常为形容词和副词（如giving、emotionally）。嵌入中的性别偏见也渗透进词性。第三，对于语义类别：对每性别前1000个关联词进行自底向上的聚类分析。最关联男性的概念包括大科技、工程、宗教、体育和暴力的角色与领域；相反，最关联女性的概念较少聚焦角色，而是包括女性特定贬损和性内容，以及外貌和厨房术语。第四，使用来自约20,000词词典的人类词效价、唤醒度和支配度评分，我们发现男性关联词在唤醒度和支配度上更高，而女性关联词在效价上更高。