Geschlechterverzerrungen in drei kommerziellen Maschinentranslationssystemen: Eine eingehende Analyse

Core Concepts

Maschinentranslationssysteme wie Google Translate, DeepL und ModernMT zeigen systematische Verzerrungen bei der Übersetzung von Geschlecht, insbesondere bei mehrdeutigen Fällen und Berufsbezeichnungen. Die Übersetzungsqualität korreliert nicht direkt mit der Fähigkeit, Geschlecht korrekt zu übertragen.

Abstract

Die Studie untersucht die Fähigkeit von drei weit verbreiteten kommerziellen Maschinentranslationssystemen (Google Translate, DeepL, ModernMT) bei der Übersetzung von Geschlecht. Dafür werden die Systeme auf dem mehrsprachigen, geschlechtssensiblen MuST-SHE-Benchmark evaluiert, der eine detaillierte Analyse auf verschiedenen Ebenen ermöglicht.
Die Ergebnisse zeigen, dass alle Systeme systematische Verzerrungen aufweisen und feminine Formen unterrepräsentieren, insbesondere bei mehrdeutigen Übersetzungen und Berufsbezeichnungen. Die Übersetzungsqualität insgesamt korreliert nicht direkt mit der Fähigkeit, Geschlecht korrekt wiederzugeben. DeepL schneidet hier am besten ab, während Google Translate und ModernMT stärker zu einer maskulinen Verzerrung neigen.
Die Studie betont die Wichtigkeit, Geschlechteraspekte bei der Bewertung von Maschinentranslation zu berücksichtigen, da die identifizierten Verzerrungen erhebliche gesellschaftliche und ethische Auswirkungen haben können, indem sie Stereotype verstärken und die sprachliche Sichtbarkeit von Frauen einschränken.

Stats

"Ricevevo telefonate con domande come questa da centinaia di donne, tutte preoccupate che ci fosse qualcosa di sbagliato, perché non riuscivano ad essere all'altezza."
"Mi disse: "Ho dovuto dare ai tuoi genitori la prognosi che non avresti mai camminato e non avresti mai avuto il tipo di mobilità che hanno gli altri bambini o una vita indipendente, e da allora mi hai fatto passare per un bugiardo"."

Quotes

"Mi ha detto: "Ho dovuto dare questa prognosi ai tuoi genitori che non avresti mai camminato, e non avresti mai avuto il tipo di mobilità che hanno gli altri bambini o qualsiasi tipo di vita di indipendenza, e stai facendo la bugiarda di me da allora""
"Mi disse: "Ho dovuto dare questa prognosi ai tuoi genitori che non avresti mai camminato, e non avresti mai avuto il tipo di mobilità che hanno gli altri bambini o qualsiasi tipo di vita di indipendenza, e da allora mi stai facendo diventare una bugiarda""

Key Insights Distilled From

Good, but not always Fair

by Silvia Alma ... at arxiv.org 03-28-2024

https://arxiv.org/pdf/2306.05882.pdf

Deeper Inquiries

Welche Auswirkungen können die identifizierten Geschlechterverzerrungen in Maschinentranslation auf die Nutzer haben?

Die identifizierten Geschlechterverzerrungen in Maschinentranslation können erhebliche Auswirkungen auf die Nutzer haben. Zum einen können sie bestehende Geschlechterstereotype verstärken und die Sichtbarkeit von Frauen in bestimmten Berufen oder Situationen verringern. Dies kann dazu führen, dass Frauen in der Sprache unterrepräsentiert sind und bestimmte Rollen oder Tätigkeiten mit einem bestimmten Geschlecht in Verbindung gebracht werden. Dies kann nicht nur zu einer Verzerrung der Realität führen, sondern auch die Gleichberechtigung und Vielfalt in der Sprache beeinträchtigen.
Darüber hinaus können Geschlechterverzerrungen in der Maschinentranslation dazu führen, dass Nutzerinnen und Nutzer falsche oder ungenaue Übersetzungen erhalten, insbesondere wenn es um geschlechtsspezifische Begriffe oder Pronomen geht. Dies kann zu Missverständnissen, Verwirrung und sogar zu Kommunikationsproblemen führen, insbesondere in sensiblen oder beruflichen Kontexten. Nutzerinnen könnten sich möglicherweise nicht angemessen repräsentiert oder verstanden fühlen, wenn ihre Geschlechtsidentität nicht korrekt in der Übersetzung wiedergegeben wird.
Insgesamt können Geschlechterverzerrungen in der Maschinentranslation die Art und Weise beeinflussen, wie Nutzerinnen und Nutzer mit sprachlicher Kommunikation interagieren, und potenziell soziale Ungleichheiten und Vorurteile verstärken.

Wie könnten technische Lösungen aussehen, um Mehrdeutigkeiten bei der Geschlechtsübersetzung zu adressieren und eine inklusivere Übersetzung zu ermöglichen?

Technische Lösungen zur Adressierung von Mehrdeutigkeiten bei der Geschlechtsübersetzung könnten verschiedene Ansätze umfassen. Eine Möglichkeit besteht darin, die Systeme mit spezifischen Algorithmen oder Modellen zu trainieren, die in der Lage sind, kontextuelle Hinweise zu erkennen und entsprechend zu berücksichtigen. Dies könnte bedeuten, dass die Maschinentranslationssysteme in der Lage sind, Pronomen oder Berufsbezeichnungen basierend auf dem Kontext oder den vorhandenen Informationen korrekt zu übersetzen.
Ein weiterer Ansatz könnte darin bestehen, den Nutzerinnen und Nutzern die Möglichkeit zu geben, die Geschlechtsform in der Übersetzung selbst auszuwählen oder anzupassen. Dies könnte durch die Implementierung von Benutzeroberflächen oder Einstellungen erfolgen, die es den Nutzerinnen ermöglichen, die gewünschte Geschlechtsform für bestimmte Begriffe oder Ausdrücke festzulegen.
Darüber hinaus könnten technische Lösungen auch darauf abzielen, die Trainingsdaten der Maschinentranslationssysteme zu diversifizieren und sicherzustellen, dass sie eine ausgewogene Darstellung von Geschlechtern und Identitäten enthalten. Dies könnte dazu beitragen, die Systeme sensibler und inklusiver gegenüber verschiedenen Geschlechtern zu machen.

Inwiefern können Erkenntnisse aus der Analyse von Geschlechterverzerrungen in Maschinentranslation auf andere Bereiche der Sprachverarbeitung übertragen werden?

Die Erkenntnisse aus der Analyse von Geschlechterverzerrungen in Maschinentranslation können auf andere Bereiche der Sprachverarbeitung übertragen werden, insbesondere auf Natural Language Processing (NLP) und künstliche Intelligenz im Allgemeinen. Die Identifizierung und Bewältigung von Geschlechterverzerrungen sind wichtige Aspekte der Ethik und Fairness in der Sprachverarbeitung, die in verschiedenen Anwendungen und Systemen relevant sind.
Durch die Anwendung ähnlicher Analysemethoden und Lösungsansätze können andere NLP-Systeme und künstliche Intelligenz-Modelle auf Geschlechterverzerrungen überprüft und entsprechend angepasst werden. Dies kann dazu beitragen, die Qualität, Genauigkeit und Fairness von Sprachtechnologien insgesamt zu verbessern und sicherzustellen, dass sie die Vielfalt und Inklusion in der Sprache angemessen berücksichtigen. Die Erkenntnisse aus der Analyse von Geschlechterverzerrungen können somit als Leitfaden für die Entwicklung ethischer und gerechter Sprachverarbeitungssysteme dienen.