作者 | Emily M. Bender

单位 | 华盛顿大学

自然语言处理（NLP）的研究进展在很大程度上依赖于语言资源的存在。这些资源通常需要高质量标注的数据来反映NLP系统预期的输出。尽管无监督、弱监督、半监督或远程监督等机器学习技术减少了对标注数据的依赖，但依然需要足够的标注数据来评估系统性能。这种需求导致了高资源语言和低资源语言之间的显著差距。

高资源语言与低资源语言

高资源语言主要包括英语、汉语、阿拉伯语、法语等，这些语言拥有丰富的文本和语音资源，以及一些注释资源如树形图库和评估集。相比之下，世界上其他约7000种语言却几乎没有或几乎没有资源。此外，NLP领域的大部分研究工作集中在高资源语言上，尤其是英语。

语言研究的重要性

NLP研究不应仅限于高资源语言。英语并非自然语言的代名词或代表。英语作为一种口头语言，没有使用符号语言，且具有独特的拼写系统。此外，英语的拼写标准化简化了NLP任务，但这并不适用于所有语言。英语的语序相对固定，且有大量的训练数据，这使得许多NLP技术难以推广到其他语言。

Bender Rule

为了解决这些问题，Emily M. Bender提出了Bender Rule。她强调在研究中明确指出所使用语言的类型，即使这种语言是英语。这一规则旨在防止研究者误以为他们的系统是语言无关的。Bender Rule的提出是为了确保NLP研究更加全面和公正，避免过分依赖英语。

命名语言的意义

命名语言不仅是简单的标识，而是为了确保研究的透明性和公正性。此外，考虑到语言的多样性，研究者还需要提供关于训练数据的详细信息，包括语言种类、数据选择原则以及数据来源的社会背景等。这些信息有助于识别和纠正训练数据中的偏见，从而提升NLP系统的可靠性和公正性。

通过这些措施，NLP领域可以更好地理解和应对语言多样性带来的挑战，推动跨语言研究的发展。