Challenging Negative Gender Stereotypes: A Study on the Effectiveness of Automated Counter-Stereotypes

性别刻板印象是基于个人性别的普遍信念，它们在塑造社会态度、行为甚至机会方面起着重要作用。鉴于性别刻板印象的负面影响，尤其是在在线交流中，本研究调查了11种自动对抗和挑战这些观点的策略。我们向（自我认同的）男性和女性研究参与者展示了由人工智能生成的基于性别的反刻板印象，并要求他们评估其冒犯性、可信度和潜在有效性。反事实和扩大普遍性的策略（即指出任何人都可以拥有某种特质，而不受群体成员身份的限制）被认为是最强大的方法，而幽默、换位思考、反例和对说话者的同情被认为不太有效。此外，对不同目标的刻板印象的评分差异比评分者的性别之间的差异更加明显。令人担忧的是，许多由人工智能生成的反刻板印象被认为具有冒犯性和/或不可信。我们的分析和收集的数据集为反刻板印象的生成提供了基础性的见解，指导未来的努力，以有效地挑战在线交互中的性别刻板印象。

如何通过AI生成的反刻板印象策略来挑战性别刻板印象？这些策略的有效性如何评估？

使用AI生成反刻板印象的策略，包括反事实和广义普遍化，来挑战性别刻板印象，并通过实验评估这些策略的有效性和可行性。

论文提供了11种AI生成的反刻板印象策略，并通过实验评估了它们的有效性和可行性。研究发现，反事实和广义普遍化是最有效的策略，而幽默、透视、反例和对说话者的同理心则被认为不太有效。此外，研究还发现，AI生成的反刻板印象策略有些被认为是冒犯的或不可信的。

最近的相关研究包括： 1. "Reducing Implicit Gender Bias in Online Advertising with Targeted Counter-Stereotypical Ads" (Ferguson et al., 2020) 2. "Gender Stereotypes in Natural Language Processing: A Literature Review" (Zhao et al., 2019) 3. "Gender Bias in Natural Language Processing: A Survey" (Sun et al., 2019)