Gender bias in the context of indigenous languages and natural language processing
Notice bibliographique
Résumé
Le Traitement Automatique du Langage Naturel (TALN) est un domaine qui combine la linguistique, les sciences cognitives, l’informatique notamment l’Intelligence Artificielle (IA) pour explorer l’interaction des systèmes informatiques avec le langage humain. Au cours des dernières années, les modèles de TALN ont été largement utilisés dans diverses applications du monde réel, allant de la traduction automatique aux outils de développement des langues en danger et/ou autochtones. Grâce aux récents progrès de l’apprentissage profond, les modèles de TALN jouent un rôle important dans la promotion de la diversité linguistique pour les langues à faibles ressources. Malgré la popularité et l’influence croissantes de ces modèles, ils sont toujours soumis à des préjugés sexistes, sociaux et implicites inhérents aux données d’entraînement. Ce travail de recherche explore l’inuktitut, une langue autochtone parlée par les communautés inuites du nord du Canada, caractérisée par sa grammaire, sa morphologie complexe et sa structure unique qui la rendent difficile à traiter informatiquement par rapport à l’anglais ou le français. Dans cette étude, nous nous concentrons sur la tâche de détection et d’atténuation des biais de genre en inuktitut, ce qui pose plusieurs difficultés et défis qui font partie intégrante des caractéristiques du traitement des données dans cette langue. Nous examinons les principaux défis linguistiques de l’inuktitut et nous nous concentrons sur la détection et l’atténuation du biais de genre dans cette langue. Dans un premier temps, nous utilisons des méthodes de regroupement et de WEAT pour quantifier les biais de genre en inuktitut. Ensuite, nous proposons d’atténuer le biais de genre existant dans le corpus de l’inuktitut à l’aide de trois méthodes importantes : le "HARD Debias", le "SENT Debias" et la projection itérative dans l’espace vide (INLP). Enfin, nous évaluons les performances de ces modèles dans des tâches en aval et expliquons comment les approches de détection et de réduction des biais de genre dans les embeddings anglais peuvent être transposées aux embeddings inuktitut en tenant compte des caractéristiques particulières de la langue. Nous avons mené différents types d’expériences pour optimiser et évaluer les approches proposées, car elles sont axées sur l’anglais ou d’autres langues européennes. Sur la base des évaluations et des résultats obtenus, nous constatons que le biais de genre est présent dans le corpus d’inuktitut que nous avons traité, et nous soulignons également que les techniques utilisées pour mesurer et réduire le biais de genre pour l’anglais peuvent être utilisées pour l’inuktitut. De plus, nous examinons l’impact des méthodes de débiaisage sur les tâches en aval, qui ne montrent pas d’effet significatif sur la performance. Enfin, nous présentons une liste des mots les plus biaisés détectés dans le corpus inuktitut. \n_____________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : Traitement Automatique du Langage Naturel, TALN, Inuktitut, Biais de genre, Apprentissage profond.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».