Mitigating Gender Bias in English to Romanian Machine Translation
Ioana Grigore, Sergiu Nisioi
cs.CL, cs.AI
2026-08-09
微调 LLaMA 3.2 给英文句插性别提示标签,再交给标签感知的 opus-mt 翻译,WinoMT 性别准确率从 59% 提到 96%。
英语基本不在职业词上标记性别,罗马尼亚语却要求名词、形容词、分词一整套阴性阳性配合。英译罗时遇到「The doctor said she...」这类句子,翻译系统手里没有性别信息,默认输出阳性,还顺带复刻刻板印象:医生翻成阳性、护士翻成阴性。WinoMT 这类基准测的就是这个:现有系统在反刻板样本上的性别准确率常年在五成附近,等于抛硬币。
布加勒斯特大学团队的方案是一条两段式流水线,思路是先判性别,再让翻译模型看得见:
配套发布三个数据集:D1(11,472 条单实体句)、D2(996 条双实体句,同词在三种性别变体里各出现一次)、EnRoGend(1,974 条英罗平行最小对立对,覆盖 82 种职业,阴阳各半,切分按 pair 锁定防泄漏)。
| 系统 | WinoMT Pro | WinoMT Anti | WinoGender |
| 原始 Transformer | 59.05% | 50.13% | 50.28% |
| 本流水线 | 96.34% | 93.68% | 91.53% |
| GPT-5.2 零样本 | 79.23% | 58.79% | 67.71% |
三个基准提升都在 3743 个百分点;顺刻板与反刻板子集的差距从 8.92 个百分点压到 2.66 个百分点。GPT-5.2 那行是反面教材:Pro 子集 79.23%,Anti 子集只有 58.79%,零样本大模型的刻板偏向比小基线还重。翻译质量侧,全量微调配置在验证集上 BLEU 97.29、COMET 0.853;消融显示对翻译模型用 LoRA 不够(COMET 只有 0.650.73),形态控制需要更大的适配容量,全量微调最好。
一个要紧的细节:基准测试集没有罗马尼亚语参考译文,性别正确率由母语者人工判定加抽查,不是自动指标。
这是一套便宜的纠偏方案:分类器是量化后的 1B 模型,单张 L4 就能训;翻译模型是现成的 opus-mt。对任何「无性别语言→有性别语言」的语向(英译匈、土、芬、波斯同理),打内联标签都比给翻译模型喂海量平衡语料省事。英西、英法方向此前有人做过,英罗是第一次同时用 LLM 推理和标签感知翻译来显式处理并评测性别偏见。
只覆盖英语→罗马尼亚语一个语向;基准评测靠单一母语者人工判定加抽查,样本量与标注一致性没有报告;译文仍有丢变音符、选词错误的问题(作者称原始与微调模型都有),性别正确之外的流畅度没有系统评测;流水线比直接翻译多出一次分类前向,工程复杂度是真实成本。另外 D1/D2 与 EnRoGend 都是合成构造语料,比真实文本干净,实测收益在自然语料上剩多少,论文没有验证。