“我”迷失在翻译中：众包数据集里的代词失误

随着虚拟助手在全球范围内的持续普及，这些基于语音的系统越来越需要在多种语言中自然沟通。众包倡议聚焦于大型开放数据集的多语言翻译，以用于自然语言处理（NLP）。然而，语言翻译往往不是一一对应的，且偏见可能悄然渗入。在这项迟发工作中，我们关注众包 Tatoeba 数据库中英语与日语之间代词翻译的案例。我们发现总体上存在男性代词偏见，尽管语言的多元性已通过其他方式得到考量。重要的是，我们检测到翻译过程中反映对女性、中性和/或非二元代词存在细致反应的偏见。我们提出代词翻译偏见的问题，并给出一个将多元性嵌入 NLP 数据集的实用方案。