
Chemische Named Entity Recognition-Modelle zeigen deutliche geschlechtsspezifische Verzerrungen, bei denen weibliche Namen häufiger als Chemikalien fehlklassifiziert werden, insbesondere bei Markenname-Erwähnungen. Darüber hinaus werden Leistungsunterschiede zwischen Daten, die mit weiblichen und männlichen Personen assoziiert sind, beobachtet. Viele Systeme erkennen Verhütungsmittel wie die Pille nicht zuverlässig.


coremsg

eine-umfassende-studie-zur-geschlechtsspezifischen-verzerrung-in-chemischen-named-entity-recognition-modellen


Eine umfassende Studie zur geschlechtsspezifischen Verzerrung in chemischen Named Entity Recognition-Modellen


title_rewrite


Durch den Einsatz von Übersetzungsinformationen und großen vortrainierten Sprachmodellen kann die Leistung bei der automatischen Glossierung in Umgebungen mit geringen Ressourcen deutlich verbessert werden.


effiziente-einbettung-von-übersetzungen-für-die-automatische-glossierung-von-ressourcen-mit-geringen-mitteln


Effiziente Einbettung von Übersetzungen für die automatische Glossierung von Ressourcen mit geringen Mitteln
