本研究提出了一种“首先定位然后微调”（LFTF）算法，旨在减轻大型语言模型中的性别偏见。该算法通过BMI评分对相关部分进行排序，优先微调偏见最严重的部分，实验结果表明该方法有效。

本研究探讨了语言模型中的性别偏见及其对跨性别和性别多样身份的影响，呼吁重新审视“性别偏见”的定义。通过实证测试16种语言模型，发现它们主要将性别视为与生物性别相关的二元类别，强化了性别与生物性别的关联，导致对性别的狭隘理解。

本研究提出了一种领域对抗训练方法，旨在解决语音心理健康检测中的性别偏见问题，显著提升抑郁症和PTSD的检测性能，E-DAIC数据集F1分数提高最多13.29个百分点。

本研究提出了FairTranslate数据集，以评估机器翻译中的性别偏见，特别关注非二元性别。通过2418对英法句子，揭示了主流语言模型在性别代表性方面的偏差，强调了确保翻译系统公平与包容性的必要性。

本研究探讨大型语言模型的性别偏见表现，发现其能够中等程度推测性别，但仍受刻板印象影响，需加强偏见缓解策略。

本研究使用FAIRE基准测试大型语言模型在AI招聘中对简历的种族和性别偏见，结果显示所有模型均存在偏见，强调了减少偏见的紧迫性。

本研究提出了一种新框架，评估大型语言模型中的性别偏见，特别关注职业叙事。研究发现女性角色在职业中被过度代表，生成的性别排名与人类刻板印象一致，强调需采取措施确保公平性。

本研究分析了预训练语言模型中的性别偏见，揭示了不同模型在性别编码上的一致性，并指出常见去偏见技术效果有限，甚至可能加剧偏见，为改善偏见缓解策略提供了指导。

本研究探讨了推荐系统中的性别偏见，提出了一套量化指标，并强调评估公平性的重要性。研究表明，加入类别意识公平性指标可以有效减少模型偏见，同时保持推荐性能。

本研究探讨自动翻译系统中的性别偏见，强调性别中立翻译的重要性，以促进性别包容性和提升翻译系统的客观性。通过分析英语到意大利语的翻译，评估模型对性别偏见的认知，为开发性别中立的翻译算法提供启示。

本研究提出DR.GAP方法，旨在减轻大型语言模型中的性别偏见。该方法通过示例选择和结构化推理，自动降低偏见，同时保持模型性能。实验结果表明，DR.GAP在多个模型上有效，并可推广至视觉语言模型，显著减少偏见。

本研究提出FaIRMaker框架，旨在解决大型语言模型中的性别偏见问题。该框架通过自动生成和优化Fairwords，减少性别偏见并提高响应质量，适用于多种模型。

本研究针对统一多模态大型语言模型在图像生成中的性别和种族偏见，提出了“定位-修复”策略来审计偏见，发现偏见主要源于语言模型，并引入平衡偏好模型以减少偏见。强调了对U-MLLMs的全面解读和去偏见策略的重要性。