Förutfattade meningar i engelska och svenska texter?

HimToHer Initiative

Förutfattade meningar i engelska och svenska texter

I den här tjänsten har vi implementerat stora engelska och svenska språkmodeller baserade på BERT. Modellerna är tränade på ett stort antal representativa texter och används här för att mäta förutfattade meningar i skriven text.

Klicka på nedanstående exempel för att testa

() är expert.

Testa själv!

Skriv in en text nedan på svenska eller engelska, lägg in () (en tom parentes) där han eller hon bör stå och klicka OK för att se vad den svenska språkmodellen förutsäger ska stå

{{mword}}: {{firstscore}} %

{{fword}}: {{first=='han'?secondscore:firstscore}} %

{{mword}}: {{secondscore}} %

Ratio: {{firstscore/secondscore | number:2}}:1

{{lang({"sv":"Vänta medan vi analyserar meningen...","default":"Please wait while we are analyzing the sentence..."})}}

{{lang({"sv":"Analys av meningen är klar. Vänta medan vi kontrollerar resultatet... ","default":"The analysis of the sentence is ready. Please wait while we check the result..."})}}

{{lang({"sv":"Vi kan tyvärr inte visa resultatet p.g.a. att det bedöms innehålla stötande innehåll.","default":"Unfortunately we cannot show the result since we consider it to contain offensive content."})}}

ios_share

Modellen kunde inte hitta ett sannolikt svar kopplat till han/hon. Det troligaste ordet är istället "{{response.word}}" ({{response.score}} %).

{{lang({"sv":"Skapa länk för att dela online","default":"Create link to share online"})}}

{{lang({"sv":"Skapa och kopiera länk till urklipp","default":"Create and copy link to clipboard"})}}

Denna tjänst utvecklades 2021 för att mäta förutfattade meningar baserat på kön med hjälp av maskininlärning. Modellerna som vi använder är stora maskininlärningsmodeller tränade på representativa texter hämtade från samhället runtomkring oss. Modellerna är alltså en approximering av det som möter många av oss genom livet och bör därmed rätt väl återspegla de förutfattade meningar som vi själva också bär med oss genom att vi vistas i den omgivning som vi gör.

Metoden i maskininlärningsmodellerna är lik den som används när tjänster som ChatGPT genererar svar - att gissa ord för ord för att generera texter. OpenAI har fått miljardtals kronor för att bygga astronomiskt stora modeller men man klarar sig rätt bra med mindre modeller - relativt sett - när man bara gissar ett enda saknat ord i en mening och det är också så som vi använder modellerna i denna tjänst.

Vi gissar med hjälp av modellerna vilket ord som är mest sannolikt där det pronomen eller subjekt som identifierar kön ska stå genom att låta modellerna utvärdera vad sannolikheten är att olika ord från könsbestämda ordpar (han/hon, hans/hennes, kvinna/man etc.) bör stå i meningen och så mäter vi därefter relationen inom ordparen med högst sannolikhet. Resultatet visas i form av ett cirkeldiagram där relationen mellan det feminina och maskulina ordet i ordparet illustreras och sannolikheterna och relationen dem emellan presenteras. Ta gärna del av videon nedan för att höra mer om tjänsten.

Mer från HimToHer

Det osynliga inköpsgapet

Vad som mäts, blir gjort

En social EU-taxonomi?