本研究探讨了浪漫人工智能伴侣与用户之间的性别刻板印象及关系期望。通过三项实验，发现性别角色显著影响大型语言模型的响应，表现出偏见和刻板印象。

本研究探讨了语言模型中的性别刻板印象，提出了一种局部对比编辑方法，能够识别并修改与性别偏见相关的权重。实验结果表明，该方法有效控制性别偏见，为理解和管理语言模型中的偏见提供了新思路。

该研究探讨了小说中的性别刻板印象，发现男性角色和传统刻板印象普遍存在。尽管女性常受到负面刻板印象的影响，女性作者与男性作者同样容易使用这些刻板印象。研究还提出了减少机器学习偏见的策略，并评估了大型语言模型中的社会偏见，强调需要更系统的评估方法。

这篇文章研究了文本到图像生成AI模型中的种族和性别刻板印象，提出了去偏方法并增加了人脸多样性。分析显示，AI生成的图像存在系统性的性别和种族偏见，强调了解决这些偏见的伦理紧迫性。研究还探讨了性别指示对生成图像的影响，揭示了职业和地理位置的偏见，呼吁采取措施防止偏见影响媒体生态。

本文探讨了语言与性别刻板印象的关系，分析了537人的问卷调查结果，发现性别偏见在歌词和语言模型中普遍存在。研究表明，尽管歌词中的性别歧视有所减少，男性艺术家的作品仍表现出更强的偏见。此外，提出了减轻社会偏见的算法和评估框架，以促进对边缘化群体的公平对待。

本文提出了一种使用单词级别注释训练机器翻译系统的方法，以减少对性别刻板印象的依赖。实验结果表明，这种方法可以使机器翻译系统在五种语言对上的 WinoMT 测试集上准确度提高高达 25.8 个百分点。

本论文提出了一种使用单词级别注释训练机器翻译系统的方法，以减少对性别刻板印象的依赖。实验结果表明，该方法可以使机器翻译系统在五种语言对上的 WinoMT 测试集上准确度提高高达 25.8 个百分点。