Les hommes sont généralement décrits par des mots qui font référence au comportement, tandis que les adjectifs attribués aux femmes ont tendance à être associés à l'apparence physique. Cette, selon un groupe d'informaticiens de l'Université de Copenhague et d'autres universités qui ont déployé l'apprentissage automatique pour analyser 3,5 millions de livres.

« Belle » et « sexy » sont deux des adjectifs les plus fréquemment utilisés pour décrire les femmes. Les descripteurs couramment utilisés pour les hommes incluent « juste, " " rationnel " et " courageux ".

Un informaticien de l'Université de Copenhague, avec d'autres chercheurs des États-Unis, parcouru une énorme quantité de livres dans le but de découvrir s'il existe une différence entre les types de mots utilisés pour décrire les hommes et les femmes dans la littérature. En utilisant un nouveau modèle informatique, les chercheurs ont analysé un ensemble de données de 3,5 millions de livres, tous publiés en anglais entre 1900 et 2008. Les livres comprennent un mélange de littérature de fiction et de non-fiction.

« Nous pouvons clairement voir que les mots utilisés pour les femmes renvoient beaucoup plus à leurs apparences que les mots utilisés pour décrire les hommes. Ainsi, nous avons pu confirmer une perception largement répandue, seulement maintenant au niveau statistique, " déclare l'informaticienne et professeure adjointe Isabelle Augenstein du département d'informatique de l'Université de Copenhague.

Les chercheurs ont extrait les adjectifs et les verbes associés à des noms spécifiques au genre (par exemple, « fille » et « hôtesse de l'air »). Par exemple, dans des combinaisons telles que « hôtesse de l'air sexy » ou « filles en train de bavarder ». Ils ont ensuite analysé si les mots avaient un effet positif, sentiment négatif ou neutre, et par la suite dans quelles catégories les mots pourraient être divisés.

Leurs analyses démontrent que les verbes négatifs associés au corps et à l'apparence sont utilisés cinq fois plus fréquemment chez les femmes que chez les hommes. Les analyses démontrent également que les adjectifs positifs et neutres relatifs au corps et à l'apparence sont environ deux fois plus fréquents dans les descriptions des femmes, tandis que les hommes sont le plus souvent décrits à l'aide d'adjectifs faisant référence à leur comportement et à leurs qualités personnelles.

Autrefois, les linguistes ont généralement examiné la prévalence du langage et des préjugés sexistes, mais en utilisant des ensembles de données plus petits. Maintenant, les informaticiens sont capables de déployer des algorithmes d'apprentissage automatique pour analyser de vastes trésors de données - dans ce cas, 11 milliards de mots.

Une nouvelle vie pour les vieux stéréotypes de genre

Bien que de nombreux livres aient été publiés il y a plusieurs décennies, ils jouent toujours un rôle actif, précise Isabelle Augenstein. Les algorithmes utilisés pour créer des machines et des applications capables de comprendre le langage humain sont alimentés en données sous forme de texte disponible en ligne. C'est la technologie qui permet aux smartphones de reconnaître nos voix et à Google de fournir des suggestions de mots clés.

"Les algorithmes fonctionnent pour identifier des modèles, et chaque fois que l'on est observé, il est perçu que quelque chose est « vrai ». Si l'un de ces modèles fait référence à un langage biaisé, le résultat sera également biaisé. Les systèmes adoptent, pour ainsi dire, la langue que nous utilisons, Et ainsi, nos stéréotypes et préjugés de genre, " dit Isabelle Augenstein, et donne un exemple où il peut être important :

« Si le langage que nous utilisons pour décrire les hommes et les femmes diffère, dans les recommandations des employés par exemple, cela influencera qui se voit offrir un emploi lorsque les entreprises utilisent des systèmes informatiques pour trier les demandes d'emploi."

Alors que l'intelligence artificielle et la technologie du langage gagnent en importance dans la société, il est important d'être conscient du langage genré.

Augenstein poursuit : « Nous pouvons essayer de prendre cela en compte lors du développement de modèles d'apprentissage automatique en utilisant un texte moins biaisé ou en forçant les modèles à ignorer ou à contrer les biais. Les trois choses sont possibles. »

Les chercheurs soulignent que l'analyse a ses limites, en ce qu'il ne prend pas en compte qui a écrit les passages individuels et les différences dans les degrés de biais selon que les livres ont été publiés au cours d'une période antérieure ou postérieure dans la chronologie de l'ensemble de données. Par ailleurs, il ne fait pas de distinction entre les genres, par ex. entre romans d'amour et non-fiction. Les chercheurs effectuent actuellement un suivi sur plusieurs de ces éléments.