Detailansicht
Towards gender-inclusive translation
prompting large language models to reduce the bias present in zero-shot output
Maja Durovic
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Zentrum für Translationswissenschaft
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Translation Bosnisch/Kroatisch/Serbisch Deutsch
Betreuer*in
Dragos Ioan Ciobanu
DOI
10.25365/thesis.79891
URN
urn:nbn:at:at-ubw:1-20367.96486.571613-6
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Diese Arbeit untersucht geschlechtsspezifische Verzerrungen (Gender Bias) in maschinellen Übersetzungen durch große Sprachmodelle (LLMs), mit Fokus auf Übersetzungen vom Englischen ins Serbische und Montenegrinische. Englisch ist eine ressourcenstarke Sprache ohne grammatisches Geschlecht, während Serbisch und Montenegrinisch ressourcenschwache, gegenderte Sprachen sind. Anhand von 120 Sätzen mit Berufsbezeichnungen und geschlechterstereotypen Adjektiven zeigte sich eine ausgeprägte männliche Verzerrung. Zur Verringerung dieses Bias wurden drei Prompting-Strategien entwickelt, die gemischte Resultate lieferten: Gezieltes Prompting kann den Bias signifikant reduzieren, jedoch auch paradoxerweise verstärken, wenn nach Alternativen gefragt wird. Die Analyse wurde zudem im sozio-politischen Kontext Serbiens und Montenegros verortet. Da LLMs Bias aus menschlichen Trainingsdaten übernehmen, spiegeln sie häufig dominante gesellschaftliche Stereotype wider. Technologische Fortschritte bieten die Chance, den Sprachgebrauch zu überdenken und Reformen für eine genderneutrale und inklusive Sprache zu fördern.
Abstract
(Englisch)
This thesis investigates gender bias in machine translation using large language models (LLMs), focusing on translations from English into Serbian and Montenegrin. English is a high-resource language without grammatical gender, while Serbian and Montenegrin are low-resource, gendered languages. We tested 120 sentences containing occupations and gender-biased adjectives and found a strong male bias in the translations. To address this, we proposed three prompting strategies. These showed mixed results: while targeted prompting can significantly mitigate gender bias by producing more inclusive forms, it can also paradoxically increase male bias when prompting for alternatives. Beyond the technical analysis, we contextualized gender bias within the socio-political landscape of Serbia and Montenegro. As LLMs inherit biases from human-generated training data, they often reflect dominant societal stereotypes. We argue that technological advancements offer an opportunity to rethink language use and support reforms toward gender-neutral and inclusive language that ensures visibility for marginalized groups.
Schlagwörter
Schlagwörter
(Deutsch)
Gender Bias Machinelle Übersetzung Große Sprachmodelle Zero-Shot Prompting
Schlagwörter
(Englisch)
Gender Bias Machine Translation LLM Zero-Shot Prompting
Autor*innen
Maja Durovic
Haupttitel (Englisch)
Towards gender-inclusive translation
Hauptuntertitel (Englisch)
prompting large language models to reduce the bias present in zero-shot output
Publikationsjahr
2025
Umfangsangabe
96 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Dragos Ioan Ciobanu
Klassifikationen
17 Sprach- und Literaturwissenschaft > 17 Sprach- und Literaturwissenschaft ,
54 Informatik > 54.72 Künstliche Intelligenz
AC Nummer
AC17733853
Utheses ID
77856
Studienkennzahl
UA | 070 | 363 | 331 |