NLPシステムにおけるジェンダーニュートラルな代名詞への対処

性別中立の代名詞が多くの西洋言語で一般的になってきてるよね。こういう代名詞は、男性や女性として厳密に特定しない人たちのための代替手段を提供してる。でも、自然言語処理（NLP）システムは、こういう代名詞を理解したり生成するのが苦手なんだよね。これが原因で、特にノンバイナリーの人たちにとって、アイデンティティを消したり、誤った性別を当てられたりする問題が起こることもあるんだ。

この記事では、オランダの性別中立の代名詞に特に焦点を当てて、異なる言葉が同じ存在を指すときにそれを特定するコリファレンス解決システムが、これらの代名詞とどれだけうまく機能するかを見ていくよ。課題を探って、ノンバイナリーの代名詞に対してこのシステムがどのように偏見を減らすための2つの方法を比較するつもり。

#性別中立の代名詞についての背景

最近、いくつかの性別中立の代名詞が注目を集めてる。例えば、スウェーデン語の「hen」は2013年に導入され、オランダのコミュニティは2016年に「hen」と「die」を採用することに投票したんだ。英語では「they」が単数代名詞として長い間使われていて、最近では「ze」や「thon」みたいなネオプロナウンズも人気が出てきてる。

でも、こうした進展にもかかわらず、多くのNLPモデルは性別をバイナリーな観点でしか認識しないから、男性と女性だけが有効なカテゴリーとして認められるんだ。この視点は、特にノンバイナリーとして認識されるトランスジェンダーの人を排除しちゃう。ノンバイナリーの人は、自分を性の混合として見たり、全く性がないと思ったり、時間と共に性が変わることもあるんだよね。

#ノンバイナリーの人たちが直面する課題

多くの社会で、トランスジェンダーの人たちはさまざまな困難に直面している。たいてい、高い失業率や住宅不安、虐待、貧困に苦しんでる。差別も一般的で、特に職場で多い。医療や法的支援などの基本的なサービスにアクセスするのも大変なことが多いんだ。

NLPモデルは、伝統的なバイナリーな性別概念を強化することで、こうした人々の周縁化に貢献することがある。たとえば、モデルが名前や文脈に基づいてその人の性別を予測して、彼らがシスジェンダーだと仮定したり、ノンバイナリーのアイデンティティを全く認識しなかったりすることがあるんだ。誤った性別を当てることは、モデルが個々のアイデンティティと合ってない性別用語を使うことで起こる。これって、すごく辛いし、害を及ぼすことにもなる。

#現在の研究の状態

最近の研究では、NLPモデルがノンバイナリーの性別代名詞にどれだけうまく対応できるかを調べ始めているよ。目的は、これらのモデルがノンバイナリーの人に対して差別的な設計や実装になってないかを評価することなんだ。多くの評価は、言語モデルや翻訳システム、品詞タグ付けみたいなタスクに関わるけど、オランダ語でのコリファレンス解決に特化した焦点はまだ行われていない。

コリファレンス解決っていうのは、テキスト内の2つ以上の表現が同じものを指しているときにそれを特定すること。たとえば、「Noaは学生です。彼らは一生懸命勉強する」という文では、「彼ら」が「Noa」を指してる。もしシステムがこれを認識できなければ、主語に関する重要な情報を見逃して、彼らのアイデンティティを消すことになりかねない。

#研究の焦点

この研究では、オランダ語のコリファレンス解決システムが「hen」や「die」みたいな性別中立の代名詞でどれだけうまく機能するかを評価するよ。オランダ語の文脈は英語とは違って、「hen」と「die」は英語の「they」ほど頻繁には使われないし、多くのオランダ語の名詞は性別特定的で、中立的な選択肢が欠けているんだ。また、オランダ語のNLPのリソースもあんまりないよ。

この研究の目的には以下のことがある：

1. オランダ語のコリファレンス解決システムが性別中立の代名詞を性別特定的なものと比較してどれだけうまく扱うかを評価すること。
2. システムが正しく処理した代名詞の数を測る新しい評価指標、代名詞スコアを導入すること。
3. 偏見を減らすための2つの手法、反事実データ増強（CDA）とデレキシカリゼーションを比較すること。

#方法論

この研究を行うために、コリファレンス解決用に注釈されたオランダ語テキストの最大のコーパスであるSoNaR-1コーパスを利用するよ。これには、記事やパンフレット、法律文書などの多様なジャンルのドキュメントが含まれてる。

#データ分析

SoNaR-1コーパスの中では、代名詞はトークン全体の中の小さな部分を占めている。その中でも大半が男性的な代名詞だ。性別中立の代名詞やネオプロナウンズは明らかに不足している。この言語使用の不均衡は、男性と女性のバイナリーに外れるアイデンティティを持つ人たちにとって困難をもたらすことがある。

#データ前処理

この研究では、元のコーパスを修正して、個別の代名詞タイプに特化したバージョンを作成するよ。たとえば、すべての三人称代名詞を男性、女性、性別中立、またはネオプロナウンズの形式で置き換えたバージョンを作成する。この方法で、異なる代名詞タイプに基づいてモデルのパフォーマンスを分析できるし、結果に干渉するかもしれない他の変数を制御できるんだ。

#コリファレンス解決システム

この研究では、英語のデータでトレーニングされたニューラルコリファレンス解決モデルをオランダ語に適応させて評価する。これには、修正したデータセットでモデルをファインチューニングすることが含まれる。さまざまな代名詞カテゴリーに焦点を当てて、我々が作成した改訂されたテストセットに基づいてそのパフォーマンスを評価するよ。

#評価指標

モデルのパフォーマンスは、従来のleaスコアを使って測定するけど、新しい代名詞スコアも使って詳細な洞察を得るつもり。代名詞スコアは、正しく処理された代名詞の割合を計算して、さまざまな代名詞をシステムがどれだけうまく扱えるかを明確に示すんだ。

#結果

#初期の発見

初期テストに基づくと、このモデルは性別中立の代名詞に対して性別特定的な代名詞よりもパフォーマンスが悪かった。結果は、システムが全体的に性別中立の代名詞を正しく処理した数が少なかったことを示している。具体的には、「hen」と「die」の代名詞スコアが、性別特定的な代名詞のスコアに比べて低かったんだ。

#デバイアシング技術

これらの問題に対処するために、2つのデバイアシング技術を探ったよ。

1. 反事実データ増強（CDA）: この方法は、性別特定の代名詞を目標の代名詞（この場合は性別中立）に置き換えて、トレーニングデータを強化すること。性別中立のインスタンスをトレーニングにたくさん含めることで、モデルがこれらの代名詞に対してパフォーマンスが向上することを期待している。

2. デレキシカリゼーション: この技術は、トレーニングデータの代名詞を文法的タグに置き換える。文法の機能を認識させるためにモデルをトレーニングするという考え方なんだけど、初期の発見では、この方法が性別中立の代名詞のパフォーマンスを向上させることはないみたい。

#パフォーマンスの向上

結果は、CDAが性別中立の代名詞に対するモデルのパフォーマンスを大幅に改善し、性別特定的な代名詞とのギャップを減少させたことを示してる。「hen」と「die」のスコアは、CDAを使用した後に向上したんだ。

リソースが限られた環境でも、トレーニングに使えるドキュメントが少ない中で、CDAはまだパフォーマンスの向上を提供した。これは、デバイアシングが限られたデータでも成功する可能性があることを示してる。

#未知の代名詞

また、トレーニング中に遭遇しなかったネオプロナウンズに対するモデルの能力も評価したよ。結果は、こうした新しい代名詞のパフォーマンスが低いままであることを示していて、現在の方法には限界があることを示唆している。CDAは既知の代名詞には効果があるかもしれないけど、モデルのトレーニングに含まれてない未開の単語には広がらない可能性があるんだ。

#議論

この研究の結果は、NLPシステムが性別中立の言語に対応する重要性を強調してる。CDAからの有望な結果は、言語が進化する中で、NLP技術が多様な人々により良くサービスを提供できるように適応できる可能性を示唆してる。

だけど、励みになる結果がある一方、限界も残ってる。研究は主に1つのモデルに焦点を当てているから、これらの結果が他のNLPシステムや言語にどれだけ一般化できるかは不明だ。今後の研究では、異なるモデルや言語をテストしたり、直接ノンバイナリーの人々と相談して、彼らの経験がこれらの技術の設計や評価に反映されるようにすることが重要だね。

#結論

結局、この研究はNLPシステムが性別中立の代名詞を扱う際に直面する課題を示してる。まだまだ大きなギャップがあるけど、反事実データ増強のような方法がこれらのシステムを改善する可能性を示してる。ノンバイナリーの言語に対する理解と扱いを進めることは、包括的な環境を育てるために重要で、デジタル空間で全ての人々により公平な扱いを促進する道を開くんだ。

NLPモデルのデバイアシングに積極的に取り組むことで、ノンバイナリーの人々の受容と認識が助けられ、技術や社会での公平な表現が促進されるんだ。この研究は、言語技術における包括性への重要なステップを示していて、注意深い調整でノンバイナリーの人々の代表性のギャップを埋めることができるってことを示している。これらのアプローチを洗練させ、今後のNLPシステムが新たに出てくる言語構造を適切に扱えるようにするためには、さらに努力が必要だよ。