Culturally Entangled Homograph (CEH)

新的基准数据集解决了孟加拉语模型中的文化偏见

研究人员开发了一个名为“文化纠缠同形异义词”（CEH）的新基准数据集，以应对低资源语言模型理解孟加拉语中文化特定细微差别的挑战。该数据集包含 1,516 个专家验证的句子，其中单词既是人名又是常用名词，具有双重含义，通常需要文化知识才能正确解释。现有模型即使在上下文暗示人名时，也倾向于常用名词含义。研究发现，对比性思维链提示和将文化解释蒸馏到小型模型中，显著减少了这种偏见，将准确率从 100% 提高到 5% 以下。