Wort-Einbettungen quantifizieren 100 Jahre Geschlechter- und ethnische Stereotype

Wort-Einbettungen sind ein leistungsfähiges Machine-Learning-Framework, das jedes englische Wort durch einen Vektor repräsentiert. Die geometrische Beziehung zwischen diesen Vektoren erfasst bedeutungsvolle semantische Beziehungen zwischen den entsprechenden Wörtern. In diesem Papier entwickeln wir ein Framework, um zu demonstrieren, wie die zeitlichen Dynamiken der Einbettung dazu beitragen, Veränderungen in Stereotypen und Einstellungen gegenüber Frauen und ethnischen Minderheiten im 20. und 21. Jahrhundert in den Vereinigten Staaten zu quantifizieren. Wir integrieren Wort-Einbettungen, die auf 100 Jahren Textdaten trainiert wurden, mit dem US Census, um zu zeigen, dass Veränderungen in der Einbettung eng mit demografischen und beruflichen Verschiebungen über die Zeit hinweg übereinstimmen. Die Einbettung erfasst gesellschaftliche Verschiebungen – z.B. die Frauenbewegung in den 1960er Jahren und die asiatische Einwanderung in die Vereinigten Staaten – und beleuchtet auch, wie spezifische Adjektive und Berufe im Laufe der Zeit enger mit bestimmten Bevölkerungsgruppen assoziiert wurden. Unser Framework zur zeitlichen Analyse von Wort-Einbettungen eröffnet eine fruchtbare Schnittstelle zwischen Machine Learning und quantitativer Sozialwissenschaft.