論文の概要: Bridging the Language Gap in Scholarly Data II: Enhancing Gender Inference for Chinese Names

• arxiv url: http://arxiv.org/abs/2610.23734v1
• Date: Fri, 16 Oct 2026 16:44:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:08.027142
• Title: Bridging the Language Gap in Scholarly Data II: Enhancing Gender Inference for Chinese Names
• Title（参考訳）: 学術データにおける言語ギャップのブリッジ化 II: 中国語名に対する性推論の強化
• Abstract要約: 我々は,0(男性)から1(女性)までの連続的な性別スコアを生成する回帰モデルである2つのハンジモデルを開発する。 中国語の物理学の出版物からハンジの名前のサンプルを訓練し、11人の中国語話者が評価した。 ピニイン名には、音訳と周波数重み付けによるハンジ予測を集約するパイプラインと、ピニイン単独では解決できない性別をフラグするあいまいさスコアを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Perceived gender inference from names is important for inclusive scientometrics research, yet existing methods perform poorly on non-Western scholars. We address this gap for Chinese names, which appear in two forms, Hanzi and Pinyin, its Romanized form (e.g., Zhang Wei, Li Na). In international bibliographic records, names are often available only in Pinyin. However, a single pinyin name can correspond to multiple distinct hanzi characters with different gender associations, so gender inference from Pinyin alone is intrinsically ambiguous. To address this, we first develop two hanzi models, a regression model that produces a continuous gender score from 0 (male) to 1 (female), and a classification model that outputs one of three labels (\em{male}, \em{neutral}, \em{female}). We train them on a sample of hanzi names from Chinese-language physics publications, rated by 11 native Chinese speakers. On this sample, the models achieve an RMSE of $0.09$ and an R$^2$ of $0.85$ (regression), and macro-AUC of $0.97$ and a Cohen's $κ$ of $0.81$ (classification), demonstrating high performance that is robust to class imbalance. For pinyin names, we propose a pipeline that aggregates hanzi predictions via transliteration and frequency weighting, together with an ambiguity score that flags names whose gender cannot be resolved from Pinyin alone. Benchmarked against three off-the-shelf tools (Namsor, GPT, and Claude), our models achieve the highest agreement with human annotations for both gender scores and gender labels, in both scripts. Applied to an independent sample of Chinese-named authors in APS journals, our models assign a gender to every name, whereas existing Pinyin-based methods leave between 20\% and 100\% of names unclassified. These findings demonstrate the importance of hanzi-level information for reliable gender inference of Chinese names. Code and data are publicly available.
• Abstract（参考訳）: 名前からの性別推定は包括的サイエントメトリックス研究において重要であるが、既存の手法は非西洋学者にはあまり役に立たない。 このギャップは、ハンジ(Hanzi)とピニイン(Pinyin)という2つの形に現れ、そのローマ化形式(eg , Zhang Wei, Li Na)に対処する。 国際書誌記録では、ピニインでのみ名前が用いられることが多い。 しかし、単一のピニイン名は、異なる性関係を持つ複数の異なるハンジ文字に対応できるため、ピニイン単独からの性別推定は本質的に曖昧である。 そこで我々はまず,0(男性)から1(女性)までの連続性スコアを生成する回帰モデルと,3つのラベルのうちの1つを出力する分類モデル(\em{male}, \em{neutral}, \em{female})を開発する。 中国語の物理学の出版物からハンジの名前のサンプルを訓練し、11人の中国語話者が評価した。 このサンプルでは、モデルが RMSE の$0.09$、R$^2$の$0.85$、マクロAUCの$0.97$、Cohen's $κ$の$0.81$(分類)を達成し、クラス不均衡に対して堅牢なハイパフォーマンスを示す。 ピニイン名には、音訳と周波数重み付けによるハンジ予測を集約するパイプラインと、ピニイン単独では解決できない性別をフラグするあいまいさスコアを提案する。 市販の3つのツール(Namsor、GPT、Claude)と比較すると、どちらのスクリプトでも、性別スコアと性別ラベルの両方に対する人間のアノテーションとの最も高い合意が得られます。 APS誌の中国名作家の独立したサンプルに応用すると、我々のモデルはすべての名前に性別を割り当てるが、既存のPinyinベースの手法では名前の20%から100%は未分類のままである。 これらの結果から,漢字の性別推定におけるハンジレベルの情報の重要性が示唆された。 コードとデータは公開されている。

関連論文リスト

• Decolonising Data Systems: Using Jyutping or Pinyin as tonal representations of Chinese names for data linkage [0.0]
  データ品質を選択的に妥協するメカニズムは、名前のロマン化である。 漢字の標準化されていないロマン化は、中国人移民にとってリンクレートが低くなった。 本論説は、漢名を持つ個人のリンク率や精度を向上させるため、広東語(Jyutping)や中国語(Pinyin)の標準化されたロマン化システムの使用を示唆するものである。
  論文  参考訳（メタデータ） (2024-09-06T12:01:01Z)
• Beyond Binary Gender: Evaluating Gender-Inclusive Machine Translation with Ambiguous Attitude Words [85.48043537327258]
  既存の機械翻訳の性別バイアス評価は主に男性と女性の性別に焦点を当てている。 本研究では,AmbGIMT (Gender-Inclusive Machine Translation with Ambiguous attitude words) のベンチマークを示す。 本研究では,感情的態度スコア(EAS)に基づく性別バイアス評価手法を提案する。
  論文  参考訳（メタデータ） (2024-07-23T08:13:51Z)
• For the Misgendered Chinese in Gender Bias Research: Multi-Task Learning with Knowledge Distillation for Pinyin Name-Gender Prediction [8.287754685560815]
  我々は、Pinyinの名前と性別の推測問題を定式化し、知識蒸留によるマルチタスク学習ネットワークを設計する。 当社のオープンソース手法は,9.70%から20.08%の精度で商品名と性別の推測ツールを上回り,最先端のアルゴリズムを上回ります。
  論文  参考訳（メタデータ） (2024-05-10T03:16:07Z)
• Shuo Wen Jie Zi: Rethinking Dictionaries and Glyphs for Chinese Language Pre-training [50.100992353488174]
  辞書知識と漢字の構造を持つ中国語PLMの意味理解能力を高める新しい学習パラダイムであるCDBERTを紹介する。 我々はCDBERTの2つの中核モジュールを Shuowen と Jiezi と名付け、そこで Shuowen は中国語辞書から最も適切な意味を取り出す過程を指す。 本パラダイムは,従来の中国語PLMのタスク間における一貫した改善を実証する。
  論文  参考訳（メタデータ） (2023-05-30T05:48:36Z)
• For the Underrepresented in Gender Bias Research: Chinese Name Gender Prediction with Heterogeneous Graph Attention Network [1.13608321568471]
  コンポーネント関係における不均一性を捉え,文字の発音を組み込むために,中国異種グラフ注意(CHGAT)モデルを設計する。 我々のモデルは現在のツールをはるかに上回り、最先端のアルゴリズムよりも優れています。 私たちは、よりバランスのとれた複数文字のデータセットを、公式のソースから、私たちのコードとともにオープンソース化しました。
  論文  参考訳（メタデータ） (2023-02-01T13:08:50Z)
• Exploring and Adapting Chinese GPT to Pinyin Input Method [48.15790080309427]
  我々は,中国GPTをピンイン入力に活用する最初の探索を行っている。 凍結したGPTは、完璧なピニイン上で最先端のパフォーマンスを達成する。 しかし、入力に短縮ピンインが含まれていると、性能が劇的に低下する。
  論文  参考訳（メタデータ） (2022-03-01T06:05:07Z)
• ChineseBERT: Chinese Pretraining Enhanced by Glyph and Pinyin Information [32.70080326854314]
  我々は,漢字のグリフとピニイン情報を事前学習に組み込んだ ChineseBERT を提案する。 提案した ChineseBERT モデルは,トレーニングステップの少ないベースラインモデルよりも大幅な性能向上を実現している。
  論文  参考訳（メタデータ） (2021-06-30T13:06:00Z)
• SHUOWEN-JIEZI: Linguistically Informed Tokenizers For Chinese Language Model Pretraining [48.880840711568425]
  事前学習された言語モデルの中国語トークン化に対する3つの要因の影響について検討する。 本稿では,発音に基づくトークン化システムであるSHUOWEN (Talk Word) と,グリフに基づくトークン化システムであるJIEZI (Solve Character) の3種類のトークン化手法を提案する。 SHUOWENとJIEZIは、一般的に従来のシングル文字トークンよりも優れた性能を持つ。
  論文  参考訳（メタデータ） (2021-06-01T11:20:02Z)
• Gender Prediction Based on Vietnamese Names with Machine Learning Techniques [2.7528170226206443]
  ベトナム語名に基づくジェンダー予測のための新しいデータセットを提案する。 このデータセットは、性別で注釈付けされた26,000以上のフルネームで構成されている。 本稿では、6つの機械学習アルゴリズムと、ベトナム語の性別予測のための高速テキスト単語埋め込みを用いた深層学習モデル(LSTM)について述べる。
  論文  参考訳（メタデータ） (2020-10-21T09:25:48Z)
• 2kenize: Tying Subword Sequences for Chinese Script Conversion [54.33749520569979]
  本稿では,2つのスクリプト間のマッピングと変換をあいまいにできるモデルを提案する。 提案手法は,従来の漢字変換手法よりも精度が6ポイント向上した。
  論文  参考訳（メタデータ） (2020-05-07T10:53:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。