機器翻譯系統在性別翻譯上仍存在偏見，尤其是在缺乏明確性別線索時，系統常依賴默認行為或刻板印象，這可能導致對用户的傷害。為了深入探究這些系統在不同性別特徵下的表現，研究人員提出了GAND（Gender-Ambiguous Natural Data）數據集，這是一個專為分析語境線索對翻譯中性別影響而設計的基準資源。
GAND由英語源句子組成，旨在自然反映現實世界中的性別模糊場景。例如，句子“The doctor told the patient they would recover”中的“they”可以指代任何性別，而機器翻譯系統在翻譯成有語法性別的語言（如法語或德語）時，需要選擇一個確定的性別，這往往依賴於默認假設或統計偏見。研究團隊從GAND中選取了一個子集，將其翻譯成兩種有語法性別的語言（法語和德語），並手動構建了對比翻譯版本，即改變上下文中的某些詞語來觀察性別翻譯的變化。這種對比翻譯方法允許研究人員精確地控制變量，從而隔離出哪些源詞對性別選擇有決定性影響。
隨後，研究團隊應用特徵歸因分析技術，系統地評估了源句中每個詞語對目標性別翻譯的貢獻。結果發現，影響性別翻譯的關鍵詞通常不是明顯的性別標記詞（如“he”或“she”），而是上下文中的角色詞彙（如“nurse”、“engineer”）或修飾語，這些詞彙往往攜帶了社會刻板印象。例如，當提到“the strong nurse”時，系統可能傾向於翻譯為“l'infirmier”（男性），而“the compassionate nurse”則可能翻譯為“l'infirmière”（女性）。
這項研究為理解機器翻譯系統中的性別偏見提供了新的視角和工具。GAND數據集本身是一個開放的基準，可供其他研究者復現和擴展研究。對比歸因方法也可以推廣到其他語言對和性別相關任務中。該論文已被EAMT2026技術軌道接收，標誌着學術界對MT公平性問題的持續關注。未來，研究者可以利用GAND來評估和改進翻譯系統的性別處理能力，從而減少對用户的潛在傷害。