基于语料库的我国职业性别无意识偏见共时历时研究.pptxVIP

content目录01研究背景与问题提出02理论基础与研究设计03实证方法与数据采集04共时层面的偏见格局05历时维度的演变趋势06讨论与未来展望

研究背景与问题提出01

性别偏见作为社会结构深层矛盾的语言映射日益受到跨学科关注偏见映射社会性别偏见通过语言反映社会深层结构矛盾，职业称谓中的性别倾向揭示了权力与角色的不平等分配，成为观察社会变迁的重要窗口。跨学科聚焦社会学、语言学与计算科学共同关注语言中的隐性偏见，语料库方法为量化分析提供了可靠路径，推动研究走向实证化与精细化。技术放大风险机器学习模型从文本中习得并强化性别刻板印象，可能将历史偏见带入招聘、推荐等系统，引发算法公平性危机。传统研究局限以往依赖问卷调查的研究难以捕捉无意识态度，且样本有限，缺乏对大规模真实语言使用模式的动态追踪能力。语料库新视角基于真实语料的大数据分析能揭示公众未察觉的偏见模式，为理解职业性别刻板印象的形成与演变提供全新证据支持。

机器学习模型对文本数据中隐性偏见的继承引发技术伦理反思偏见内化机制模型在训练中无意识继承文本中的职业性别偏见，并将其内化为参数特征。这种隐性学习导致偏见在输出中持续存在。需通过语料分析揭示其形成路径。偏见放大效应模型在生成或分类任务中可能强化原有偏见，使性别与职业关联更加固化。这种放大加剧了结果的不公。尤其在敏感场景中影响显著。算法歧视风险带有偏见的模型在决策中可能导致不公平结