理解并解决专家发现任务中的性别偏见
信息检索
2024-07-09 v1
摘要
专家发现（EF）任务在社区问答（CQ&A）平台中至关重要，它通过提高答案质量和缩短响应时间来显著提升用户参与度。然而，这些平台中已发现存在偏见，尤其是性别偏见。本研究调查了最先进的EF模型中的性别偏见，并探索了缓解方法。利用来自StackOverflow（StackExchange网络中最大的社区）的全面数据集，我们进行了大量实验，以分析EF模型的候选识别过程如何影响性别代表性。我们的发现表明，依赖声誉指标和活动水平的模型不成比例地偏向于在平台上更活跃的男性用户。这种偏见导致女性专家在排名过程中代表性不足。我们提出了对EF模型的调整，这些调整结合了更平衡的预处理策略，并利用了基于内容和基于社交网络的信息，旨在使被识别专家中的性别代表性更加公平。我们的分析表明，整合这些方法可以在不牺牲模型准确性的情况下显著改善性别平衡。据我们所知，本研究是首次专注于检测和缓解EF方法中的性别偏见。
引用
@article{arxiv.2407.05335,
title = {Understanding and Addressing Gender Bias in Expert Finding Task},
author = {Maddalena Amendola and Carlos Castillo and Andrea Passarella and Raffaele Perego},
journal= {arXiv preprint arXiv:2407.05335},
year = {2024}
}