Revisiting The Classics: A Study on Identifying and Rectifying Gender Stereotypes in Rhymes and Poems

📄 arXiv: 2403.11752v2 📥 PDF

作者: Aditya Narayan Sankaran, Vigneshwaran Shankaran, Sampath Lonka, Rajesh Sharma

分类: cs.CL

发布日期: 2024-03-18 (更新: 2024-03-25)

备注: Accepted to appear at LREC-COLING 2024

💡 一句话要点

提出一种模型以识别和纠正韵文中的性别刻板印象

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 性别刻板印象 大型语言模型 韵文分析 文化研究 社会偏见

📋 核心要点

  1. 韵文和诗歌中普遍存在性别刻板印象，影响社会对性别角色的认知。
  2. 本研究通过构建数据集和模型，利用大型语言模型识别和纠正性别偏见。
  3. 模型在识别性别偏见方面达到了97%的准确率，显示出LLM的有效性。

📝 摘要（中文）

韵文和诗歌是传递文化规范和社会角色的重要媒介。然而，这些作品中普遍存在的性别刻板印象助长了偏见，限制了个体身份的多样性。以往研究表明，刻板印象和偏见在儿童早期就已出现，因此了解其因果机制至关重要。本研究通过收集韵文和诗歌数据集，识别性别刻板印象，并提出一种准确率达到97%的模型来识别性别偏见。使用大型语言模型（LLM）纠正性别刻板印象，并通过与人类教育者的纠正效果进行比较评估。该研究强调了文学作品中性别刻板印象的普遍性，并揭示了LLM在纠正性别刻板印象方面的潜力，推动了艺术表达中的包容性，显著贡献于性别平等的讨论。

🔬 方法详解

问题定义：本研究旨在解决韵文和诗歌中存在的性别刻板印象问题。现有方法在识别和纠正这些偏见方面存在不足，难以有效传达性别平等的价值观。

核心思路：论文提出通过构建一个数据集来识别性别刻板印象，并利用大型语言模型（LLM）进行纠正。此设计旨在利用LLM的强大语言处理能力，提升纠正的准确性和有效性。

技术框架：整体架构包括数据收集、模型训练和效果评估三个主要模块。首先，收集韵文和诗歌数据集；其次，训练识别性别偏见的模型；最后，进行与人类教育者的比较评估。

关键创新：本研究的主要创新在于利用LLM进行性别刻板印象的纠正，较以往方法更为高效和准确。与传统方法相比，LLM能够处理更复杂的语言结构和语境。

关键设计：模型的关键设计包括数据集的构建、损失函数的选择以及网络结构的优化。具体参数设置和网络结构细节在论文中进行了详细描述，以确保模型的高效性和准确性。

📊 实验亮点

实验结果显示，所提出的模型在识别性别偏见方面达到了97%的准确率，显著优于传统方法。与人类教育者的纠正效果进行比较时，LLM的纠正效果在准确性和一致性上均表现出色，展示了其在性别平等领域的应用潜力。

🎯 应用场景

该研究的潜在应用领域包括教育、文学创作和社会文化研究。通过识别和纠正性别刻板印象，可以促进更为包容的艺术表达，推动社会对性别平等的认识和接受。未来，该方法还可以扩展到其他文化产品中，以提升整体社会意识。

📄 摘要（原文）

Rhymes and poems are a powerful medium for transmitting cultural norms and societal roles. However, the pervasive existence of gender stereotypes in these works perpetuates biased perceptions and limits the scope of individuals' identities. Past works have shown that stereotyping and prejudice emerge in early childhood, and developmental research on causal mechanisms is critical for understanding and controlling stereotyping and prejudice. This work contributes by gathering a dataset of rhymes and poems to identify gender stereotypes and propose a model with 97% accuracy to identify gender bias. Gender stereotypes were rectified using a Large Language Model (LLM) and its effectiveness was evaluated in a comparative survey against human educator rectifications. To summarize, this work highlights the pervasive nature of gender stereotypes in literary works and reveals the potential of LLMs to rectify gender stereotypes. This study raises awareness and promotes inclusivity within artistic expressions, making a significant contribution to the discourse on gender equality.