本研究探讨了多语言模型重标定对表现不佳语言的影响，提出AlignFreeze方法，通过冻结模型层的上半部分或下半部分，避免性能下降。研究表明，冻结下层能有效改善某些语言的词性标注效果。

本研究提出了一种新方法，通过内在重标定训练样本的重要性，解决缺乏人口统计信息下的公平性问题。该方法针对最坏情况进行训练，增强了对异常值的鲁棒性，实验结果显示其在公平性基准测试中表现优越。