گروهی از پژوهشگران دانشگاه نورت‌ایسترن، دانشگاه کالیفرنیای لس‌آنجلس و مرکز پژوهش آی‌بی‌ام، یک بستر هوش مصنوعی معرفی کرده‌اند که قادر است سوگیری جنسیتی و کلیشه‌های داستان‌های پریان و افسانه‌ها را شناسایی کند. آن‌ها این اطلاعات را در مطالعه‌ای جدید در سایت «آرکایو پرپرینت» (arXiv preprint) منتشر کرده‌اند. 

این مطالعه بررسی‌شده، ماهیت فراگیر سوگیری‌های جنسیتی را در افسانه‌های کلاسیک، مانند سفیدبرفی، سیندرلا و زیبای خفته، نمایان می‌کند. 

به گزارش اورشلیم‌پست، چندین دهه است که پژوهشگران و مربیان درباره تاثیر افسانه‌ها روی کودکان، به‌ویژه دختران، و تصویرسازی آنان از نقش‌های اجتماعی-فرهنگی، بحث می‌کنند. این داستان‌ها که اغلب درباره شاهدخت‌هایی است که باید شاهزاده‌ای خوش‌منظر آن‌ها را نجات بدهد، تداوم کلیشه‌های جنسیتی است و آرزوهای دختران را محدود می‌کند. 

هدف این گروه چیست؟ 

هدف این گروه به سرپرستی داکو وانگ، استادیار دانشگاه نورت‌ایسترن، ایجاد ابزاری مبتنی بر هوش مصنوعی است که می‌تواند داستان‌ها را تجزیه‌و‌تحلیل، و نمونه‌هایی از سوگیری‌های جنسیتی و کلیشه‌ها را در آن‌ها مشخص کند. هدف نهایی آنان این است که روایت‌هایی فراگیرتر نوشته شود که کودکان را توانمندتر کند. 

وانگ درباره انگیزه‌اش می‌گوید: «اگر بتوانیم این فناوری را توسعه دهیم که خودکار این نوع تعصبات و کلیشه‌های جنسیتی را شناسایی کند یا نشان دهد، دست‌کم نه فقط برای افسانه‌های قدیمی، بلکه برای داستان‌های جدیدی نیز که اینک هر روز نوشته و خلق می‌شوند، نقش حفاظ یا تور ایمنی را ایفا خواهد کرد.» 

این پژوهش از بررسی مستمر گروه مذکور درباره چگونگی بهره‌گیری از هوش مصنوعی در بهبود مهارت‌های یادگیری زبان در کودکان نشات گرفته است. پژوهشگران برای تجزیه‌‌وتحلیل خود، مجموعه‌ای متنوع از داستان‌های سراسر جهان را گردآوری کردند. 

آن‌ها سپس با همکاری گروهی از کارشناسان آموزش، از جمله معلمان و پژوهشگران، مجموعه پرسش‌و‌پاسخ‌هایی طراحی کردند که میزان تاثیرپذیری کودکان را از این داستان‌ها ارزیابی کند.

با این فرایند، آن‌ها حضور مداوم کلیشه‌های جنسیتی را در تمام داستان‌ها مشاهده کردند. 

مطالعه‌های پیشین روی سطوح ظاهری تعصبات، مثل شناسایی کلمات مرتبط [مرد قوی، زن ضعیف] متمرکز بود که هنجارهای جنسیتی را تقویت می‌کرد، اما وانگ و گروهش پژوهش عمیق‌تری را مدنظر داشتند. آن‌ها با تمرکز روی «زنجیره زمانی روایت»، توالی رویدادهایی را که شخصیت‌ها از سر می‌گذرانند و عملکرد آن‌ها را در داستان‌ها بررسی کردند.  

وانگ توضیح داد که «درواقع، این تجربه و عملکرد فرد است که هویت او را تعریف می‌کند، و آن عملکرد‌ها، بر خوانندگان چنین تاثیر می‌گذارد که باید چه کارهایی را به تقلید از آن شخصیت داستانی انجام دهند یا انجام ندهند.»  

پژوهشگران با استفاده از فرایندهای خودکار، نام شخصیت‌ها، جنسیت‌ها و رویدادها را از داستان‌های گردآوری‌شده استخراج کردند. سپس برای هر شخصیت، رویدادها را به صورت زنجیره‌ای مرتب، و آن‌ها را بر همان اساس دسته‌بندی کردند. 

آنان سپس هر رویداد را به دقت تجزیه‌وتحلیل، و برای تعیین فراوانی ارتباط آن با شخصیت‌های مرد یا زن، یک نسبت احتمالات (odds ratio) تعیین کردند. از ۳۳ هزار و ۵۷۷ رویدادی که در این مطالعه تجزیه‌وتحلیل شد، ۶۹ درصد با شخصیت‌های مرد، و ۳۱ درصد با شخصیت‌های زن مرتبط بودند. رویدادهای مرتبط با شخصیت‌های زن، عمدتا کارهای خانگی مانند گردگیری، نظافت، پخت‌وپز و خیاطی بود. در مقابل، رخداد‌های مربوط به شخصیت‌های مرد اغلب حول مفاهیم شکست و موفقیت، یا خشونت می‌چرخید. 

وانگ و گروهش با این داده‌های ارزشمند، یک ابزار پردازش زبان طبیعی پیشرفته ساختند که قادر است سوگیری را در سلسله رویدادها شناسایی کند، که از تحلیل رویدادها به صورت مجزا، فراتر می‌رود. 

این پژوهشگران ابزارشان را نه فقط برای محققان، بلکه برای نویسندگان، ناشران و پدیدآورندگان داستان‌های کودکان هم مفید می‌دانند. کاربر می‌تواند پیش‌نویس‌های مقدماتی خود را در این ابزار بارگذاری کند و امتیاز یا معیاری به دست آورد که نشان‌دهنده سوگیری‌های جنسیتی احتمالی است، و برای بهبود متن نیز پیشنهادهایی دریافت کند.