本文介绍了如何使用Mimesis库生成平衡的反事实数据集，以审计机器学习模型的偏见。通过创建具有相同收入但不同性别的贷款申请者，揭示模型在性别上的歧视。实验结果表明，男性申请者更容易获得贷款批准，而女性则常被拒绝。这一方法有助于识别和纠正模型中的偏见。

美国大学女性毕业生比例达到62%，引发性别歧视讨论。不同专业性别比例差异明显，男性多集中于高薪技工领域，女性则在需要学历的职业中占优势。学历与收入关系复杂，男性因经济考量选择早入职场，影响上大学意愿。教育公平与平等的讨论中，结果差异是否代表制度歧视成为争议焦点。

印刷出版促进了英语的标准化，简化了拼写和语法。女性在语言演变中影响深远，但英语中存在性别歧视，许多针对女性的词汇带有贬义，反映社会偏见。女性在语言创新中发挥重要作用，尤其在非裔美国人文化中重新定义贬义词。研究表明，女性的交流方式更具合作性，而男性则倾向于竞争。

本研究解决了性别歧视检测领域中专家知识与大语言模型（LLM）之间的协作与互动问题。通过专家与LLM的互动，发现了共创定义的潜力，有效提升性别歧视的定义质量和分类性能。研究表明，尽管专家撰写的定义通常表现较差，但某些专家在与LLM共同创作的定义中提升了分类准确性，尤其是对LLM使用经验不足的专家而言。

本研究提出了MuSeD数据集，用于检测社交媒体视频中的性别歧视，包含约11小时的西班牙语视频。研究表明，视觉信息对识别性别歧视内容至关重要，但模型在隐性歧视的识别上表现不佳，反映了任务的复杂性。

本研究针对探测隐晦且依赖上下文的有毒语言（如性别歧视和辱骂行为）这一关键挑战，提出了SafeSpeech平台。该平台通过结合消息级和对话级的分析，采用精细调整的分类器和大型语言模型，实现了多维度的有毒内容检测和分析，评估结果在多个基准数据集上显示出先进的性能，特别是在细粒度性别歧视检测方面。

男性解释（mansplaining）是一种性别歧视，女性常被男性以居高临下的方式解释。文章讲述了一位女性在PostgreSQL社区纠正错误时，男性却坚持己见。支持被解释者并让他们感到不孤单至关重要。

本研究探讨了标签聚合对少数声音的影响，指出标准聚合策略可能压制或低估少数有效意见。通过分析性别歧视检测中的少数意见，发现其质量和价值显著影响黄金标签的类别分布，并可能在模型训练中引入偏见。

研究探讨预训练语言模型中的偏见和可解释性，提出“偏见归因得分”方法。发现东南亚多语言模型存在性别歧视和恐同偏见，尤其在犯罪、亲密关系和互助主题上明显。使用时需谨慎。

本研究提出了一种理论驱动的合成训练数据方法，以提高计算文本分类中多维社会构念的测量精确度。研究表明，该方法有效减少对标注数据的依赖，尤其在政治话题分类中表现突出。

本研究探讨了在线性别歧视和厌女症的量化现状，提出了一种半自动化的方法以优化文献选择过程。通过对2012至2022年相关文献的综述，揭示了社会科学与计算机科学在性别仇恨言论量化中的机遇与挑战，并指出了学科间的主题分歧，为未来研究提供了启示。

文章讨论了理查德·斯托曼的性别歧视言论及其对神经多样性的辩护，认为将其有害行为归因于神经多样性是偏见，伤害了该群体。强调神经多样性不应成为不当行为的借口，呼吁对斯托曼问责，并提出改善对神经多样性人士的支持措施。