GOSt-MT：面向机器翻译中职业相关性别偏见的知识图谱
最优化与控制
2024-09-18 v1
摘要
机器翻译（MT）中的性别偏见是一个具有显著挑战性的问题，往往导致对有害刻板印象的强化。尤其在劳动领域，许多职业被错误地与特定性别关联，进而加深了传统性别刻板印象，对社会产生深远影响。为确保 MT 系统的公平性与准确性，本文提出了一种新方法，通过构建 GOSt-MT（Gender and Occupation Statistics for Machine Translation）知识图谱来研究职业相关性别偏见。GOSt-MT 将来自真实劳动数据的综合性别统计信息与 MT 训练所使用的文本语料库集成在一起。该知识图谱支持对英、法、希腊语三种语言中性别偏见的深入分析，帮助识别持续存在的刻板印象及需干预的领域。通过为理解劳动市场和 MT 系统中职业的性别化提供结构化框架，GOSt-MT 为使 MT 系统更加公平、减少自动翻译中的性别偏见作出了贡献。
引用
@article{arxiv.2409.10987,
title = {Relationship between stochastic maximum principle and dynamic programming principle under convex expectation},
author = {Xiaojuan Li and Mingshang Hu},
journal= {arXiv preprint arXiv:2409.10987},
year = {2024}
}
备注
19 pages