Affrontare i pronomi di genere neutro nei sistemi di NLP

I pronomi neutrali di genere stanno diventando sempre più comuni in molte lingue occidentali. Questi pronomi offrono alternative per le persone che non si identificano strettamente come maschi o femmine. Tuttavia, molti sistemi di elaborazione del linguaggio naturale (NLP), progettati per comprendere e generare il linguaggio umano, faticano con questi pronomi. Questo può portare a problemi come l'annullamento dell'identità di qualcuno o il Misgendering, specialmente per le persone non binarie.

In questo articolo, ci concentriamo specificamente sui pronomi neutrali di genere olandesi, concentrandoci su quanto bene funzioni un sistema di risoluzione della coreferenza-un sistema NLP che determina quando parole diverse si riferiscono alla stessa entità-con questi pronomi. Esploreremo le sfide e confronteremo due metodi destinati a ridurre il bias nel modo in cui questi sistemi lavorano con i pronomi non binari.

#Contesto sui Pronomi Neutri

Negli ultimi anni, diversi pronomi neutrali di genere hanno attirato l'attenzione. Ad esempio, il pronome svedese "hen" è stato introdotto nel 2013, mentre la comunità olandese ha votato per adottare "hen" e "die" nel 2016. Gli anglofoni hanno a lungo usato "they" come pronome singolare, con più varianti conosciute come neopronouns, tra cui "ze" e "thon", che stanno guadagnando popolarità.

Nonostante questi progressi, molti modelli NLP vedono ancora il genere in modo binario, il che significa che riconoscono solo maschio e femmina come categorie valide. Questa prospettiva esclude le persone transgender, in particolare quelle che si identificano come non binarie. Le persone non binarie possono vedersi come un mix di generi, nessun genere, o il loro genere può cambiare nel tempo.

#Sfide Affrontate dalle Persone Non Binari

In molte società, le persone transgender affrontano una varietà di sfide. Spesso incontrano alti tassi di disoccupazione, insicurezza abitativa, abusi e povertà. La discriminazione è comune, specialmente nei luoghi di lavoro. Accedere a servizi essenziali come assistenza sanitaria e supporto legale può essere problematico.

I modelli NLP possono contribuire alla marginalizzazione di queste persone rinforzando concetti tradizionali e binari di genere. Ad esempio, un modello potrebbe prevedere il genere di qualcuno in base al suo nome o al contesto, assumendo che siano cisgender, o non riconoscendo affatto le identità non binarie. Il misgendering si verifica quando un modello usa termini di genere che non si allineano con l'identità di un individuo, il che può essere sconvolgente e dannoso.

#Stato Attuale della Ricerca

Studi recenti hanno iniziato ad esaminare quanto bene i modelli NLP gestiscano i pronomi di genere non binari. L'obiettivo è valutare se questi modelli discriminano contro le persone non binarie attraverso il loro design e implementazione. Molte valutazioni coinvolgono modelli linguistici, sistemi di traduzione e compiti come il tagging delle parti del discorso, ma non è stata ancora fatta un'attenzione specifica sulla risoluzione della coreferenza in olandese.

La risoluzione della coreferenza riguarda l'identificazione di quando due o più espressioni in un testo si riferiscono alla stessa cosa. Ad esempio, nella frase "Noa è una studentessa. Loro studiano sodo," il termine "loro" si riferisce a "Noa." Se un sistema non riesce a riconoscere questo, potrebbe trascurare informazioni importanti sull'argomento, annullando effettivamente la sua identità.

#Focalizzazione dello Studio

Questo studio valuta un sistema di risoluzione della coreferenza olandese riguardo alle sue performance con pronomi neutrali di genere come "hen" e "die." Il contesto olandese è diverso dall'inglese, poiché "hen" e "die" sono meno frequenti rispetto all'inglese "they," e molti nomi olandesi sono specifici di genere, senza opzioni neutrali. Le risorse per NLP in olandese sono anche più limitate.

Gli obiettivi di questo studio includono:

1. Valutare quanto bene il sistema di risoluzione della coreferenza olandese gestisce i pronomi neutrali di genere rispetto a quelli di genere.
2. Introdurre una nuova metrica di valutazione, il punteggio pronome, che misura quanti pronomi il sistema elabora correttamente.
3. Confrontare due tecniche per ridurre il bias: Incremento di Dati Contrafattuali (CDA) e delexicalizzazione.

#Metodologia

Per condurre questo studio, utilizzeremo il corpus SoNaR-1, che è il più grande corpus di testi olandesi attualmente disponibile, annotato per la risoluzione della coreferenza. Include una gamma diversificata di documenti come articoli, brochure e testi legali.

#Analisi dei Dati

All'interno del corpus SoNaR-1, i pronomi costituiscono una piccola porzione del totale dei token. Di questi pronomi, la maggioranza è maschile. I pronomi neutrali di genere e i neopronouns sono notevolmente assenti. Questo squilibrio nell'uso del linguaggio può presentare difficoltà per le persone che si identificano al di fuori del binario maschio-femmina.

#Preprocessing dei Dati

Per questo studio, modificheremo il corpus originale per creare versioni specifiche focalizzate su singoli tipi di pronomi. Ad esempio, creeremo versioni in cui tutti i pronomi di terza persona sono sostituiti con forme maschili, femminili, neutrali di genere o neopronoun. Questo ci permette di analizzare come il modello si comporta in base ai diversi tipi di pronomi, controllando altre variabili che potrebbero interferire con i risultati.

#Sistema di Risoluzione della Coreferenza

Lo studio valuterà un modello di risoluzione della coreferenza neurale addestrato su dati inglesi, adattato per l'olandese. Questo comporta il fine-tuning del modello sui nostri dataset modificati. Valuteremo le sue performance in base ai set di test revisionati che abbiamo creato, concentrandoci sulle diverse categorie di pronomi.

#Metriche di Valutazione

Misureremo le performance del modello utilizzando il punteggio lea tradizionale, ma useremo anche il nuovo punteggio pronome per ottenere informazioni più dettagliate. Il punteggio pronome calcola la percentuale di pronomi elaborati correttamente, offrendo una visione più chiara di quanto bene il sistema gestisce vari pronomi.

#Risultati

#Scoperte Iniziali

Sulla base dei test preliminari, il modello ha performato peggio con i pronomi neutrali di genere rispetto a quelli di genere. I risultati indicano che il sistema ha elaborato correttamente meno pronomi neutrali di genere in generale. In particolare, il punteggio pronome era più basso per "hen" e "die" rispetto ai punteggi per pronomi di genere.

#Tecniche di Debiasing

Per affrontare questi problemi, abbiamo esplorato due tecniche di debiasing.

1. Incremento di Dati Contrafattuali (CDA): Questo metodo prevede di potenziare i dati di addestramento sostituendo i pronomi di genere con i pronomi target di interesse (in questo caso, neutrali di genere). Includendo più istanze neutrali di genere nell'addestramento, ci aspettiamo che il modello performi meglio con questi pronomi.

2. Delexicalizzazione: Questa tecnica sostituisce i pronomi nei dati di addestramento con tag sintattici. L'idea è di addestrare il modello a riconoscere la funzione grammaticale di una parola piuttosto che la sua forma specifica. Tuttavia, i risultati iniziali suggeriscono che questo metodo non migliora le performance sui pronomi neutrali di genere.

#Guadagni nelle Performance

I risultati mostrano che il CDA ha migliorato significativamente le performance del modello sui pronomi neutrali di genere, riducendo il divario tra pronomi di genere e neutrali. I punteggi del modello sono aumentati sia per "hen" che per "die" dopo aver utilizzato il CDA.

In contesti a bassa risorsa, dove solo un numero limitato di documenti era disponibile per l'addestramento, il CDA ha comunque fornito miglioramenti nelle performance. Questo indica che il debiasing può avere successo anche con dati limitati.

#Pronomi Non Visti

Abbiamo anche valutato la capacità del modello di gestire neopronouns che non aveva incontrato durante l'addestramento. I risultati hanno mostrato che le performance su questi nuovi pronomi sono rimaste basse, suggerendo che i metodi attuali hanno delle limitazioni. Sebbene il CDA possa aiutare con pronomi conosciuti, potrebbe non estendersi a parole non viste che non sono state precedentemente parte dell'addestramento del modello.

#Discussione

I risultati di questo studio evidenziano l'importanza di migliorare i sistemi NLP per accogliere il linguaggio neutrale di genere. I risultati promettenti del CDA suggeriscono che la tecnologia NLP può essere adattata per servire meglio popolazioni diverse, specialmente mentre il linguaggio evolve.

Nonostante i risultati incoraggianti, rimangono delle limitazioni. Lo studio si è principalmente concentrato su un modello e l'appropriatezza di questi risultati per altri sistemi NLP o lingue è incerta. La ricerca futura potrebbe coinvolgere il test di modelli e lingue diverse, oltre a consultare direttamente le persone non binarie per garantire che le loro esperienze informino il design e la valutazione di queste tecnologie.

#Conclusione

In conclusione, lo studio illustra le sfide affrontate dai sistemi NLP nella gestione dei pronomi neutrali di genere. Rimangono significativi divari, ma metodi come l'Incremento di Dati Contrafattuali mostrano potenziale per migliorare questi sistemi. Progredire nella nostra comprensione e gestione del linguaggio non binario nell'NLP è cruciale per favorire un ambiente inclusivo, aprendo la strada a trattamenti più equi per tutti gli individui nello spazio digitale.

Facendo passi attivi nel debiasing dei modelli NLP, possiamo aiutare l'accettazione e il riconoscimento delle persone non binarie, promuovendo così una rappresentazione più equa sia nella tecnologia che nella società.

Questa ricerca rappresenta un passo vitale verso l'inclusività nella tecnologia linguistica, illustrando che con aggiustamenti attenti possiamo iniziare a colmare il divario nella rappresentazione per le persone non binarie. Sarà necessario ulteriormente lavorare per affinare questi approcci e garantire che i nuovi costrutti linguistici siano gestiti in modo appropriato dai futuri sistemi NLP.