GENDIS: discorso sul genere e posizioni espresse nei commenti YouTube multilingue provenienti da India, Kenya e Nigeria

Abstract degli autori

La ricerca sui contenuti online legati al genere viene spesso impostata come una serie di compiti incentrati sui contenuti dannosi, che accorpano i contenuti legati al genere ma non dannosi a quelli non legati al genere. I dataset esistenti, inoltre, restano concentrati sulle lingue con maggiori risorse e sui contesti del Nord globale. Per colmare queste lacune, presentiamo GENDIS, un dataset di 9.600 commenti YouTube multilingue provenienti da India, Kenya e Nigeria (3.200 per paese), annotati da esseri umani secondo uno schema a due livelli: prima si individua se il commento fa riferimento al genere, poi si classifica il contenuto legato al genere come negativo, positivo o neutro. Questa distinzione fornisce un denominatore per il discorso sul genere indipendente dalla presenza di contenuti dannosi, permettendo sia di stimarne la prevalenza sia di descrivere la gamma delle valutazioni espresse. Nello strato campionato casualmente in modo uniforme, il 23,8-35,0% dei commenti è legato al genere e, tra quelli per cui è stata determinata una posizione, l’82% è neutro o positivo. Per tutti i modelli, rilevare i riferimenti al genere è notevolmente più facile che classificare la posizione espressa, soprattutto nel caso di espressioni positive e neutre. I classificatori addestrati con una supervisione limitata eguagliano i modelli linguistici di grandi dimensioni di frontiera in modalità zero-shot a un costo nettamente inferiore e superano i sistemi generici di rilevamento della tossicità, mentre il trasferimento tra paesi resta limitato. GENDIS offre una risorsa radicata nei contesti locali per misurare quando il genere viene richiamato online e in che modo viene presentato.