得益于神經(jīng)機(jī)器翻譯 (NMT) 的進(jìn)步，譯文更加自然流暢，但與此同時(shí)，這些譯文也反映出訓(xùn)練數(shù)據(jù)存在社會(huì)偏見和刻板印象。因此，Google 持續(xù)致力于遵循 AI 原則，開發(fā)創(chuàng)新技術(shù)，減少機(jī)器翻譯中的性別偏見。

神經(jīng)機(jī)器翻譯

https://ai.googleblog.com/2020/06/recent-advances-in-google-translate.html

其中一個(gè)研究領(lǐng)域是利用句子或段落等上下文，來提高性別表述的準(zhǔn)確性。傳統(tǒng) NMT 方法是單獨(dú)翻譯句子，但單獨(dú)的句子中并不是總能帶有對性別信息的明確說明，因此這無疑會(huì)帶來挑戰(zhàn)。例如，在下方西班牙語（該語言并不總是明確提及主語 (Null-subject language)）段落中，第一句話明確將 Marie Curie 視為主語，但第二句話沒有明確提及主語。孤立來看，第二句話可以指任何性別的人。然而，在翻譯成英語時(shí)，需要選擇一個(gè)代詞，而翻譯準(zhǔn)確所需的信息就在第一句話中。

如果想推動(dòng)翻譯技術(shù)，讓其不止步于單句翻譯，則需要新指標(biāo)來衡量進(jìn)展，并且需要新數(shù)據(jù)集，其中包括最常見的上下文錯(cuò)誤。翻譯性別錯(cuò)誤（如選擇正確的代詞或性別一致）可能直接涉及到人及自我認(rèn)同方式，因此尤其敏感。而這一點(diǎn)則進(jìn)一步加劇了挑戰(zhàn)。

為應(yīng)對上下文翻譯的常見挑戰(zhàn)（如代詞省略、性別一致和準(zhǔn)確使用所有格），我們發(fā)布了 Translated Wikipedia Biographies（維基百科傳記譯本）數(shù)據(jù)集，可用于評估翻譯模型的性別偏見。發(fā)布此數(shù)據(jù)集的目的在于提供衡量模型改變前后的翻譯準(zhǔn)確性的基準(zhǔn)，從而對翻譯中代詞和性別的 ML 系統(tǒng)進(jìn)行長期改進(jìn)。

Translated Wikipedia Biographies（維基百科傳記譯本）

https://storage.googleapis.com/gresearch/translate-gender-challenge-sets/Readme.html

常見翻譯錯(cuò)誤的來源

“維基百科傳記 (Wikipedia:Biographies of living persons) ”經(jīng)過精心撰寫，涵蓋多個(gè)地域，包含多個(gè)句子，并以第三人稱指代主語（所以包含大量代詞）。因此極有可能出現(xiàn)性別相關(guān)的翻譯錯(cuò)誤。當(dāng)文章在段落前幾句中明確提及某人，但在后面的句子中沒有明確提及時(shí)，通常會(huì)出現(xiàn)性別相關(guān)的翻譯錯(cuò)誤。一些示例如下：

構(gòu)建數(shù)據(jù)集

如上文所示，Translated Wikipedia Biographies（維基百科傳記譯本）數(shù)據(jù)集旨在分析機(jī)器翻譯中常見的性別表述錯(cuò)誤。該數(shù)據(jù)集中的每個(gè)實(shí)例代表個(gè)人（在傳記中被認(rèn)為是女性或男性）、搖滾樂隊(duì)或運(yùn)動(dòng)隊(duì)（被視為性別無關(guān)）。每個(gè)實(shí)例都均由 8 到 15 個(gè)相互關(guān)聯(lián)的句子組成的長文本翻譯來表示，且這些句子中會(huì)提到中心主語（人、搖滾樂隊(duì)或運(yùn)動(dòng)隊(duì)）。文章撰寫的源語言為英語，并由專業(yè)人士處理，翻譯成西班牙語和德語。我們已針對代詞省略，對西班牙語譯文進(jìn)行優(yōu)化，因此可以使用相同的集合來分析代詞省略（西班牙語→英文）和性別一致（英語→西班牙語）。

我們選擇一組在不同地域和性別之間具有同等代表性的實(shí)例構(gòu)建該數(shù)據(jù)集。為此，我們根據(jù)職業(yè)、專業(yè)、工作和/或活動(dòng)，從維基百科中提取傳記。為了確保職業(yè)選擇的公平性，我們根據(jù)維基百科的統(tǒng)計(jì)數(shù)據(jù)，選擇了九種職業(yè)。這些職業(yè)代表了一系列刻板的性別聯(lián)想（女性、男性或兩者都不是）。為了減輕任何基于地域的偏見，之后我們根據(jù)不同地域來劃分所有這些實(shí)例。對于每個(gè)職業(yè)類別，我們希望每個(gè)地區(qū)（使用 census.gov 中的地區(qū)作為不同地域的代表）都有一名人選。在關(guān)聯(lián)實(shí)例與地區(qū)時(shí)，我們會(huì)檢查被選者是否與指定地區(qū)的國家具有相關(guān)性（國籍、出生地、長期居住之地等等）。該數(shù)據(jù)集使用此標(biāo)準(zhǔn)，包含了來自世界 90 多個(gè)國家和所有地區(qū)的個(gè)人條目。

雖然性別并非二元化，但我們專注于令“女性”和“男性”實(shí)體具有同等代表性。值得一提的是，由于維基百科通過這種方式來表示實(shí)體，目前其中的實(shí)例還不足以準(zhǔn)確反映非二元群體。因此很遺憾，該集合并不包括標(biāo)識為非二元的個(gè)人。為了將每個(gè)實(shí)例貼上“女性”或“男性”標(biāo)簽，我們依靠的是維基百科上的傳記信息，其中包含對此人特定性別的參考資料（她、他、女人、兒子、父親等）。

在應(yīng)用所有這些過濾條件之后，我們會(huì)為每個(gè)“職業(yè)-地區(qū)-性別”三元組隨機(jī)選擇一個(gè)實(shí)例。針對七個(gè)地理區(qū)域的每一種職業(yè)，我們都挑選了兩份傳記（一份男性傳記和一份女性傳記）。

最后，我們添加了 12 個(gè)性別無關(guān)實(shí)例。之所以選擇搖滾樂隊(duì)和運(yùn)動(dòng)隊(duì)，是因?yàn)樗鼈兺ǔＳ蔁o性別的第三人稱代詞（如“它”或復(fù)數(shù)形式的“它們”）所指代。包含這些實(shí)例是為了研究過度觸發(fā) (over triggering)，即當(dāng)模型得知其因產(chǎn)生特定性別的代詞而獲得獎(jiǎng)勵(lì)時(shí)，它們會(huì)在本不應(yīng)該的情況下產(chǎn)生這些代詞。

結(jié)果和應(yīng)用

該數(shù)據(jù)集為降低機(jī)器翻譯中的性別偏見提供了一種新的評估方法（前一篇文章中已有所介紹）。每個(gè)實(shí)例都指向已知性別的主語，因此我們可以計(jì)算出指向該主語的、特定性別翻譯的準(zhǔn)確性。在翻譯成英語（該語言有代詞省略或中性代詞）時(shí)，因?yàn)橹饕?jì)算基于英語的特定性別代詞，所以這種計(jì)算更為容易。在這些情況下，與先前模型相比，上下文感知模型利用性別數(shù)據(jù)集，將錯(cuò)誤數(shù)量減少了 67%。如前所述，我們可利用中性實(shí)體，如使用陰性或陽性代詞來指代無性別實(shí)體，來發(fā)現(xiàn)過度觸發(fā)的情況。這個(gè)新數(shù)據(jù)集還為不同類型的職業(yè)或地理區(qū)域中不同模型的性能提供了新的研究方向。

比如，我們利用該數(shù)據(jù)集，在翻譯自西班牙語的 Marie Curie 傳記節(jié)選中發(fā)現(xiàn)了改進(jìn)之處。

結(jié)論

Translated Wikipedia Biographies（維基百科傳記譯本）數(shù)據(jù)集是我們在研究識別與性別和機(jī)器翻譯有關(guān)的偏見方面的工作成果。該數(shù)據(jù)集側(cè)重于與性別偏見有關(guān)的具體問題，并不旨在涵蓋整個(gè)問題。值得一提的是，我們發(fā)布此數(shù)據(jù)集的目的并不在于強(qiáng)調(diào)確定解決性別偏見的最佳方法，而是幫助推動(dòng)全球研究界在應(yīng)對這一方面挑戰(zhàn)。

致謝

這些數(shù)據(jù)集的構(gòu)建得到了以下人員的幫助：Anja Austermann、Melvin Johnson、Michelle Linch、Mengmeng Niu、Mahima Pushkarna、Apu Shah、Romina Stella 和 Kellie Webster。

責(zé)任編輯：haq