تعتبر دراسة انحياز الجنس الخارجي في نماذج اللغة البنغالية (Bangla pretrained language models) خطوة مهمة نحو فهم كيفية تأثير التحيزات الاجتماعية في تقنيات الذكاء الاصطناعي، وهو مجال لم يُكتشف بعد بشكل كامل في اللغات ذات الموارد المحدودة. في هذا السياق، قام الباحثون بإنشاء أربع مجموعات بيانات معيارية محددة المهام تشمل تحليل المشاعر، اكتشاف السمية، رصد خطاب الكراهية، واكتشاف السخرية، حيث تم وسمها يدوياً.

في خطوة مبتكرة، تم تعزيز كل مجموعة بيانات من خلال تبديل الأسماء والمصطلحات المرتبطة بالجنس بشكل دقيق، مما أتاح تقييمًا شاملاً حول كيفية تأثير الاختلافات الجندرية في تنبؤات النماذج. يعكس ذلك الحاجة الملحة للنظر في العوامل العميقة التي تؤثر على أداء نماذج اللغة.

بالإضافة إلى ذلك، قدمت الدراسة استراتيجية جديدة تُعرف باسم RandSymKL، وهي طريقة عشوائية لتخفيف التحيز، تكاملت مع تقنيات مثل تباين KL المتماثل وخسارة الانتروبيا المتقاطعة (cross-entropy loss) للحد من التحيز في نماذج معينة تستهدف مهام التصنيف.

تم تقييم هذه المقاربة الجديدة مقارنة بأساليب تخفيف التحيز الحالية، ولعل ما يميزها ليس فقط قدرتها على تقليل التحيز، بل أيضًا على الحفاظ على دقة تنافسية مشابهة لأساليب الأساس الأخرى. في مسعى لتشجيع المزيد من الأبحاث في هذا المجال، تم إتاحة الأساليب والمجموعات البيانية للعامة، مما يعكس التزام الباحثين بتطوير نماذج أكثر عدلاً وشمولية.