解释GAND：关于性别模糊自然数据与对比归因的资源

机器翻译系统在性别翻译上仍存在偏见，尤其是在缺乏明确性别线索时，系统常依赖默认行为或刻板印象，这可能导致对用户的伤害。为了深入探究这些系统在不同性别特征下的表现，研究人员提出了GAND（Gender-Ambiguous Natural Data）数据集，这是一个专为分析语境线索对翻译中性别影响而设计的基准资源。

GAND由英语源句子组成，旨在自然反映现实世界中的性别模糊场景。例如，句子“The doctor told the patient they would recover”中的“they”可以指代任何性别，而机器翻译系统在翻译成有语法性别的语言（如法语或德语）时，需要选择一个确定的性别，这往往依赖于默认假设或统计偏见。研究团队从GAND中选取了一个子集，将其翻译成两种有语法性别的语言（法语和德语），并手动构建了对比翻译版本，即改变上下文中的某些词语来观察性别翻译的变化。这种对比翻译方法允许研究人员精确地控制变量，从而隔离出哪些源词对性别选择有决定性影响。

随后，研究团队应用特征归因分析技术，系统地评估了源句中每个词语对目标性别翻译的贡献。结果发现，影响性别翻译的关键词通常不是明显的性别标记词（如“he”或“she”），而是上下文中的角色词汇（如“nurse”、“engineer”）或修饰语，这些词汇往往携带了社会刻板印象。例如，当提到“the strong nurse”时，系统可能倾向于翻译为“l'infirmier”（男性），而“the compassionate nurse”则可能翻译为“l'infirmière”（女性）。

这项研究为理解机器翻译系统中的性别偏见提供了新的视角和工具。GAND数据集本身是一个开放的基准，可供其他研究者复现和扩展研究。对比归因方法也可以推广到其他语言对和性别相关任务中。该论文已被EAMT2026技术轨道接收，标志着学术界对MT公平性问题的持续关注。未来，研究者可以利用GAND来评估和改进翻译系统的性别处理能力，从而减少对用户的潜在伤害。