掩码语言模型中的性别化心理健康污名
计算与语言
2023-04-13 v2 计算机与社会
摘要
心理健康污名阻碍了许多人获得适当的护理，社会心理学研究表明，男性的心理健康问题往往被忽视。在这项工作中，我们研究了掩码语言模型中的性别化心理健康污名。为此，我们通过开发一个基于心理学研究的框架来操作化心理健康污名：我们利用临床心理学文献来策划提示，然后评估模型生成性别化词语的倾向。我们发现，掩码语言模型捕捉到了社会中关于心理健康性别的污名：在描述患有心理健康状况的句子中，模型始终更倾向于预测女性主语而非男性主语（32% 对 19%），并且这种差异在表明寻求治疗行为的句子中更为加剧。此外，我们发现不同的模型对男性和女性捕捉到的污名维度不同，将愤怒、责备和怜悯等刻板印象更多地与患有心理健康状况的女性联系起来，而非男性。通过展示模型性别化心理健康污名的复杂细微差别，我们证明了在评估计算模型的社会偏见时，背景和重叠的身份维度是重要的考量因素。
引用
@article{arxiv.2210.15144,
title = {Gendered Mental Health Stigma in Masked Language Models},
author = {Inna Wanyin Lin and Lucille Njoo and Anjalie Field and Ashish Sharma and Katharina Reinecke and Tim Althoff and Yulia Tsvetkov},
journal= {arXiv preprint arXiv:2210.15144},
year = {2023}
}
备注
EMNLP 2022