提到性别偏见，别以为只有人才会产生偏见，事实上作为非生命体的AI系统，也可能因为设计者的疏忽，或者社会语料库本身的性别不公因素，而流露出性别偏见倾向。这当然不是设计者的本意，可是这种现象无可避免地会对部分用户造成观感不适。
特伦托大学的研究人员以身力行，借用名为＂MuST－SHE＂的测试集，来评估AI语音翻译系统的输入文本数据集是否存在具有性别差异的语句，而AI又是否将这种性别差异从翻译加工成果中体现出来。
分门别类！为不同翻译语料类型找准定位
在机器翻译过程中，性别偏见可以归因于语言表达上之于男女性别的差异。那些有专属性别语法系统的语言，如罗曼斯语，依赖于性别词性和句法变化来区分出性别差异。而这对于英语和中文都是不适用的，比如说，中文是一种“自然性别”系的语言，它只通过代词（如：“她”和“他”）、固有性别的词语（如：“男孩”和“女孩”）和性别专用名词（如：“妈妈”和“夫人”）来反映性别差异。
如果AI翻译系统不能捕捉到这些细微差别，可能导致对不同性别群体的不准确描述。为了尽可能抹消这种区别，研究人员专门创建了一个被称为MuST－SHE的多语言测试集，旨在揭露潜藏在语言翻译系统后的性别偏见。
机器人在吸收歧视性数据集后，也会表现出歧视倾向
MuST－SHE是基于TED演讲数据集筛选得出的一个数据子集，其中包括大约1000份音频、文本和翻译素材，这些翻译素材都取自开源MuST－C语料库，有专门的语料注释了与性别相关的定性差异。这些素材被细分为两类：
第1类：当性别差异性仅取决于说话人本身的性别时（即没有相应的语境样本支持），翻译素材的形成需从音频信号中获取消除性别歧义的必要信息样本。
第2类：所得的翻译素材有直接消除歧义信息的样本支持，其中包含比较清晰的语境提示，如性别指定性词组、代词和专有名词都能说明说话者的性别。
每一类的第一框都是正确语料例子
第二框是错误例子作为参照物
基于语料库中的每一条翻译引用，研究人员都特意创建了一个反面语料例子，除了“他／她”不分、“男／女”不分之外，反面的翻译素材与原文的涵义其实完全相同。在将两种语料信息输入AI翻译系统后，研究结果表明，在性别的正式表达预料方面，原语料库中的翻译范例被AI驳回，认为其是“存在部分错误的”，而反面语料例子则被认为是“正确的”。这种结果差异可以用来衡量语音识别系统处理性别现象的能力。
