در عصر حاضر، پردازش زبان طبیعی (NLP) به ابزاری قدرتمند برای تحلیل و درک زبان انسانی تبدیل شده است. یکی از جنبه‌های مهم و در عین حال پیچیده در این حوزه، بررسی و مقابله با سوگیری‌های جنسیتی در داده‌های زبانی است. مقاله‌ای با عنوان “به سوی استنتاج جنسیت واژگانی: روش‌شناسی مقیاس‌پذیر با استفاده از پایگاه داده‌های آنلاین” به این چالش مهم پرداخته و روشی نوین برای شناسایی خودکار واژه‌های دارای جنسیت واژگانی ارائه می‌دهد.

این مقاله به طور خاص بر روی مشکل محدودیت‌های روش‌های سنتی تکیه دارد. روش‌های سنتی اغلب به فهرست‌های دستی واژگان جنسیت‌دار متکی هستند، که این فهرست‌ها نیازمند به‌روزرسانی دوره‌ای بوده و ممکن است به دلیل قضاوت‌های شخصی گردآورندگان، دارای سوگیری باشند. همچنین، این فهرست‌ها تنها واژه‌های موجود در لیست را پوشش می‌دهند و واژه‌های جدید یا کمتر رایج از تحلیل خارج می‌شوند.

این پژوهش توسط ماریون بارتل و سوزان لِیوی انجام شده است. زمینه تحقیقاتی این دو محقق، حوزه‌های پردازش زبان طبیعی، تحلیل سوگیری‌های جنسیتی و استخراج اطلاعات است. تخصص آن‌ها در این حوزه‌ها، آن‌ها را قادر ساخته است تا روشی کارآمد و مقیاس‌پذیر برای استنتاج جنسیت واژگانی ارائه دهند.

مقاله حاضر یک روش جدید برای تشخیص خودکار کلماتی با جنسیت واژگانی در مجموعه داده های زبانی در مقیاس بزرگ ارائه می دهد. ارزیابی سوگیری جنسیتی در پردازش زبان طبیعی در حال حاضر متکی بر فرهنگ لغت های جمع آوری شده دستی از عبارات جنسیتی، مانند ضمایر (“او”، “او” و غیره) و اسم هایی با جنسیت واژگانی (“مادر”، “دوست پسر”، “زن پلیس” و غیره) است. با این حال، گردآوری دستی چنین لیست هایی می تواند منجر به اطلاعات استاتیک شود اگر به طور دوره ای به روز نشوند و اغلب شامل قضاوت های ارزشی توسط مفسران و محققان فردی باشند. علاوه بر این، اصطلاحاتی که در لیست گنجانده نشده اند از محدوده تحلیل خارج می شوند. برای رفع این مشکلات، ما یک روش مقیاس‌پذیر مبتنی بر فرهنگ لغت برای تشخیص خودکار جنسیت واژگانی طراحی کردیم که می تواند یک تحلیل پویا و به روز با پوشش بالا ارائه دهد. رویکرد ما به دقت بالای 80٪ در تعیین جنسیت واژگانی اسم‌های بازیابی‌شده به‌طور تصادفی از نمونه ویکی‌پدیا و هنگام آزمایش روی فهرستی از کلمات جنسیت‌دار استفاده‌شده در تحقیقات قبلی می‌رسد.

به طور خلاصه، این مقاله به دنبال ارائه یک روش خودکار و مقیاس‌پذیر برای تشخیص جنسیت واژگانی در زبان است. هدف اصلی، غلبه بر محدودیت‌های روش‌های دستی و ایجاد سیستمی است که بتواند به‌طور مداوم و با پوشش بالا، جنسیت واژه‌ها را تعیین کند. این سیستم با استفاده از پایگاه داده‌های آنلاین و الگوریتم‌های یادگیری ماشین، قادر است تا سوگیری‌های جنسیتی در متون را شناسایی و به محققان در این زمینه کمک کند.

روش‌شناسی این تحقیق بر پایه استفاده از پایگاه داده‌های آنلاین و الگوریتم‌های استنتاج آماری استوار است. مراحل اصلی این روش عبارتند از:

• جمع‌آوری داده‌ها: ابتدا حجم وسیعی از داده‌های زبانی از منابع آنلاین مانند ویکی‌پدیا جمع‌آوری می‌شود. این داده‌ها شامل متون مختلف با موضوعات گوناگون است.
• پیش‌پردازش داده‌ها: داده‌های جمع‌آوری شده پیش‌پردازش می‌شوند تا برای تحلیل آماده شوند. این مرحله شامل توکن‌بندی، حذف کلمات بی‌اثر (stop words) و ریشه‌یابی (stemming) می‌شود.
• استخراج ویژگی‌ها: ویژگی‌های مربوط به جنسیت واژه‌ها از داده‌ها استخراج می‌شوند. این ویژگی‌ها می‌توانند شامل الگوهای هم‌نشینی کلمات، استفاده از ضمایر و صفات مرتبط با جنسیت، و اطلاعات موجود در پایگاه داده‌های معنایی باشند. به عنوان مثال، حضور کلمه “خانم” در کنار یک اسم می‌تواند نشان‌دهنده جنسیت مؤنث آن اسم باشد.
• استنتاج جنسیت: با استفاده از الگوریتم‌های یادگیری ماشین، جنسیت واژه‌ها بر اساس ویژگی‌های استخراج شده استنتاج می‌شود. الگوریتم‌های مختلفی مانند ماشین‌های بردار پشتیبان (SVM)، شبکه‌های عصبی و درخت‌های تصمیم می‌توانند در این مرحله مورد استفاده قرار گیرند.
• ارزیابی عملکرد: عملکرد سیستم با استفاده از مجموعه‌ای از داده‌های برچسب‌گذاری شده به صورت دستی ارزیابی می‌شود. معیارهایی مانند دقت (accuracy)، بازخوانی (recall) و اف-معیار (F-measure) برای سنجش عملکرد سیستم استفاده می‌شوند.

به عنوان مثال، سیستم ممکن است برای تعیین جنسیت واژه “پزشک” از اطلاعات زیر استفاده کند:

• آیا در متون مختلف، این واژه بیشتر با ضمایر مذکر (او) استفاده شده یا مؤنث (او)؟
• آیا در پایگاه داده‌های معنایی، واژه “پزشک” به چه مشاغلی مرتبط است و آیا این مشاغل معمولاً با جنسیت خاصی مرتبط هستند؟

یافته‌های این تحقیق نشان می‌دهد که روش ارائه شده قادر است با دقت بالای ۸۰٪ جنسیت واژه‌ها را به طور خودکار تعیین کند. این دقت در مقایسه با روش‌های دستی بسیار قابل توجه است و نشان‌دهنده کارآمدی سیستم پیشنهادی است. همچنین، این سیستم قادر است واژه‌هایی را شناسایی کند که در فهرست‌های دستی موجود نیستند، که این امر باعث افزایش پوشش تحلیل سوگیری‌های جنسیتی می‌شود.

علاوه بر این، محققان نشان دادند که استفاده از پایگاه داده‌های آنلاین به سیستم امکان می‌دهد تا به‌طور مداوم به‌روزرسانی شود و تغییرات زبانی را در طول زمان رصد کند. این امر باعث می‌شود که سیستم همیشه اطلاعات به‌روز و دقیقی در مورد جنسیت واژه‌ها داشته باشد.

برخی از مهم‌ترین یافته‌های این تحقیق عبارتند از:

• روش پیشنهادی دقت بالایی در تعیین جنسیت واژه‌ها دارد.
• این روش قادر است واژه‌هایی را شناسایی کند که در فهرست‌های دستی موجود نیستند.
• استفاده از پایگاه داده‌های آنلاین به سیستم امکان می‌دهد تا به‌طور مداوم به‌روزرسانی شود.

نتایج این تحقیق دارای کاربردهای فراوانی در حوزه‌های مختلف است. برخی از مهم‌ترین کاربردها و دستاوردهای این تحقیق عبارتند از:

• تحلیل سوگیری‌های جنسیتی در متون: این روش می‌تواند برای شناسایی و کاهش سوگیری‌های جنسیتی در متون مختلف مانند مقالات خبری، کتاب‌ها و محتوای آنلاین مورد استفاده قرار گیرد.
• بهبود سیستم‌های ترجمه ماشینی: با استفاده از اطلاعات جنسیت واژه‌ها، سیستم‌های ترجمه ماشینی می‌توانند ترجمه‌های دقیق‌تری ارائه دهند و از ایجاد سوگیری‌های جنسیتی در ترجمه جلوگیری کنند.
• توسعه سیستم‌های گفتگوی هوشمند: این روش می‌تواند برای توسعه سیستم‌های گفتگوی هوشمند که قادر به درک و پاسخگویی به سؤالات مربوط به جنسیت هستند، مورد استفاده قرار گیرد.
• آموزش زبان: این روش می‌تواند به زبان‌آموزان در درک و استفاده صحیح از واژه‌های دارای جنسیت کمک کند.

به عنوان مثال، تصور کنید یک سیستم ترجمه ماشینی در حال ترجمه متنی از انگلیسی به فارسی است. اگر سیستم از اطلاعات جنسیت واژه‌ها آگاه نباشد، ممکن است در ترجمه ضمایر و صفات دچار اشتباه شود و سوگیری‌های جنسیتی ایجاد کند. با استفاده از روش ارائه شده در این مقاله، سیستم می‌تواند جنسیت واژه‌ها را به‌طور دقیق تعیین کند و ترجمه‌ای دقیق‌تر و منصفانه‌تر ارائه دهد.

مقاله “به سوی استنتاج جنسیت واژگانی: روش‌شناسی مقیاس‌پذیر با استفاده از پایگاه داده‌های آنلاین” یک گام مهم در جهت مقابله با سوگیری‌های جنسیتی در پردازش زبان طبیعی است. این مقاله روشی نوین و کارآمد برای شناسایی خودکار واژه‌های دارای جنسیت واژگانی ارائه می‌دهد که قادر است محدودیت‌های روش‌های سنتی را برطرف کند. یافته‌های این تحقیق دارای کاربردهای فراوانی در حوزه‌های مختلف است و می‌تواند به بهبود سیستم‌های پردازش زبان طبیعی، کاهش سوگیری‌های جنسیتی و توسعه سیستم‌های هوشمندتر کمک کند. این تحقیق نشان‌دهنده اهمیت استفاده از روش‌های خودکار و مقیاس‌پذیر در تحلیل زبان و مقابله با چالش‌های مربوط به سوگیری‌های جنسیتی است.