• Home
  • Chimica
  • Astronomia
  • Energia
  • Natura
  • Biologia
  • Fisica
  • Elettronica
  •  Science >> Scienza >  >> Altro
    Estrazione di stereotipi intersezionali dal testo inglese
    Stereotipi dei tratti basati sul linguaggio della FISE applicati agli incorporamenti statici. Ciascun pannello rappresenta i tratti specifici associati a ciascun quadrante intersezionale nel contrasto di (A) genere per razza, (B) genere per classe o (C) razza per classe. Credito:Charlesworth et al

    L’estrazione di enormi set di dati sull’inglese rivela stereotipi su genere, razza e classe prevalenti nelle società di lingua inglese. Tessa Charlesworth e colleghi hanno sviluppato una procedura graduale, l'estrazione flessibile degli stereotipi intersezionali (FISE), che hanno applicato a miliardi di parole di testo inglese su Internet.



    Questa procedura ha permesso loro di esplorare i tratti associati alle identità intersezionali, quantificando la frequenza con cui le etichette di occupazione o gli aggettivi dei tratti venivano utilizzati vicino a frasi che si riferivano a identità multiple, come "Donne nere", "Uomini ricchi", "Donne povere" o " Uomini bianchi."

    Nella loro analisi, pubblicata su PNAS Nexus , gli autori mostrano innanzitutto che il metodo è un modo valido per estrarre gli stereotipi:occupazioni che erano, in realtà, dominate da determinate identità (ad esempio, architetto, ingegnere, manager sono dominate da uomini bianchi) sono anche, nel linguaggio, fortemente associate a lo stesso gruppo intersezionale a un tasso significativamente superiore al caso:circa il 70%.

    Successivamente, gli autori hanno esaminato i tratti della personalità. La procedura FISE ha rilevato che il 59% dei tratti studiati erano associati a "uomini bianchi", ma solo il 5% dei tratti era associato a "donne nere".

    Secondo gli autori, gli squilibri nelle frequenze dei tratti indicano un pregiudizio pervasivo androcentrico (centrico al maschio) ed etnocentrico (centrico al bianco) in inglese. Anche la valenza (positività/negatività) dei tratti associati era sbilanciata. Circa il 78% dei tratti associati ai "bianchi ricchi" erano positivi, mentre solo il 21% dei tratti associati ai "neri poveri" era positivo.

    Secondo gli autori, modelli come questi hanno conseguenze a valle nell’intelligenza artificiale, nella traduzione computerizzata e nella generazione di testi. Oltre a comprendere in che modo i pregiudizi intersezionali modellano tali risultati, gli autori notano che il FISE può essere utilizzato per ricercare una serie di identità intersezionali attraverso le lingue e persino attraverso la storia.

    Ulteriori informazioni: Tessa E S Charlesworth et al, Estrazione di stereotipi intersezionali dagli incorporamenti:sviluppo e convalida della procedura di estrazione degli stereotipi intersezionali flessibili, PNAS Nexus (2024). DOI:10.1093/pnasnexus/pgae089

    Fornito da PNAS Nexus




    © Scienza https://it.scienceaq.com