本文提出了skew和stereotype两个度量标准，分析了上下文语言模型在WinoBias代词消解任务中的性别偏见，并探讨了两种减少偏见的方法：在线方法和基于增强性别平衡数据集的BERT微调。研究表明，现有基准未能充分检测专业偏见。