依从、引导与偏离：自然语言生成中的性别处理

DOI

自然语言生成（NLG）支持创建个性化、情境化和针对性的内容。然而，NLG背后的算法因强化性别、种族和其他问题偏见而受到审查。NLG领域的最新研究试图通过公平和隐私原则消除这些偏见。我们借鉴了来自社会学和科学技术研究的性别和酷儿理论，探讨NLG如何有助于推动社会中的性别平等。我们提出一个概念框架和技术参数，以使NLG与女权主义人机交互质量保持一致。我们介绍了三种方法：（1）遵循当前去除敏感性别属性的方法，（2）引导性别差异偏离规范，（3）通过质疑刻板印象来酷儿化性别。我们讨论了这三种方法在三个假设场景中的优势和局限性：新闻标题、工作广告和聊天机器人。最后，我们讨论了实施此框架以及相关伦理和公平议程的考虑事项。