該研究使用囊括多重語言並具備性別敏感度的「MuST-SHE基準測試集」，針對前述三種系統的「英文→西班牙文」、「英文→義大利文」以及「英文→法文」翻譯進行測試。

結果發現，當句子屬於第一人稱陳述，且必須根據說話者的表達判斷其性別時，三種系統的準確度皆有極大的性別落差。例如Google（英轉義）正確翻譯男性的比例是92.5%，女性卻只有9.2%。但如果句子內有明確的性別線索，準確度落差則縮小至12%以內。

在詞性方面，三種系統翻譯開放詞類（名詞、描述性形容詞、動詞）的性別落差都較大，尤其名詞與動詞可能相差50%以上；而封閉詞類（限制形容詞、代名詞、冠詞與介系詞）的落差則大約在20%以下。

#哪一種系統翻譯性別的表現最佳？

研究發現，雖然DeepL的通用翻譯品質並非最佳，但它翻譯性別的表現卻優於其他兩種系統。即便如此，DeepL翻譯結果的性別落差仍然很大。看來提升性別準確度將是翻譯系統需要克服的一大關卡。

#為什麼需要正確翻譯性別？

錯譯性別看似是使用者可以自行調整的小問題，但它很有可能造成更大的麻煩。若自動翻譯系統不斷將女人「轉換」成男人，可能導致網路中的男性代名詞大量增加，並進一步擴大（用來訓練機器的）語料庫中的性別落差，導致機器翻譯繼續以男性為預設標準。

對此，史丹佛大學的「性別化創新」（gendered innovations）研究團隊建議研發一套能夠辨識性別的演算法。透過識別文句中的個別實體及其社會性別，再運用演算法根據文本脈絡加以歸納。如此不僅能強化翻譯性別的準確度，更可以進一步縮減線上文本的性別落差。

想知道更多相關內容嗎，快點來看看原文研究： https://arxiv.org/abs/2306.05882

延伸閱讀：

性別化創新案例研究－機器翻譯 https://tinyurl.com/mr2zrh29

 ⇐前往較新一則貼文　　　　       前往較舊一則貼文⇒

科科性別已經有IG（@kekegender）了！在這裡 https://www.instagram.com/kekegender/

掌握國際間最新的性別化創新研究、活動與課程，請鎖定「性別化創新通訊新知」? https://tinyurl.com/mr2xkcy6