Cette procédure leur a permis d'explorer les traits associés aux identités intersectionnelles, en quantifiant la fréquence à laquelle des étiquettes de profession ou des adjectifs de traits étaient déployés à proximité d'expressions faisant référence à plusieurs identités, telles que « Femmes noires », « Hommes riches », « Femmes pauvres » ou « Hommes blancs."

Dans leur analyse, publiée dans PNAS Nexus , les auteurs montrent d'abord que la méthode est un moyen valable d'extraire des stéréotypes :des métiers qui étaient, en réalité, dominés par certaines identités (par exemple, architecte, ingénieur, manager sont dominés par des hommes blancs) sont également, dans le langage, fortement associés à ce même groupe intersectionnel à un taux nettement supérieur au hasard :environ 70 %.

Ensuite, les auteurs ont examiné les traits de personnalité. La procédure FISE a révélé que 59 % des traits étudiés étaient associés aux « hommes blancs », mais seulement 5 % des traits étaient associés aux « femmes noires ».

Selon les auteurs, les déséquilibres dans la fréquence des traits indiquent un biais androcentrique (centré sur les hommes) et ethnocentrique (centré sur les blancs) en anglais. La valence (positivité/négativité) des traits associés était également déséquilibrée. Environ 78 % des traits associés aux « Blancs riches » étaient positifs, tandis que seulement 21 % des traits associés aux « Noirs pauvres » étaient positifs.

De tels modèles ont des conséquences en aval sur l’IA, la traduction informatique et la génération de texte, selon les auteurs. En plus de comprendre comment les préjugés intersectionnels façonnent ces résultats, les auteurs notent que FISE peut être utilisé pour rechercher une gamme d'identités intersectionnelles à travers les langues et même à travers l'histoire.