Queer NLP: A Critical Survey on Literature Gaps, Biases and Trends

Questo studio offre una rassegna critica della letteratura sull'NLP queer, evidenziando come la maggior parte delle ricerche si limiti a identificare reattivamente i pregiudizi invece di proporre soluzioni proattive, e delinea una roadmap per un futuro più inclusivo che privilegi il coinvolgimento degli stakeholder, l'intersezionalità e la diversità linguistica.

L'essenziale

🌈 L'Intelligenza Artificiale e la Comunità Queer: Un Viaggio tra Pregiudizi e Possibilità

Immagina che le tecnologie di NLP (elaborazione del linguaggio naturale) siano come dei grandi chef robot che cucinano parole. Questi chef imparano a cucinare leggendo milioni di libri, siti web e conversazioni umane. Il problema è che la "cucina" da cui prendono gli ingredienti (i dati) è piena di pregiudizi, stereotipi e regole vecchie.

Questo articolo è come un sommelier esperto che assaggia tutti i piatti preparati da questi chef robot per vedere come trattano la comunità LGBTQIA+ (persone lesbiche, gay, bisessuali, trans, queer, ecc.). Gli autori hanno analizzato 86 ricerche scientifiche per capire cosa sta succedendo e cosa manca.

Ecco i punti principali, spiegati con delle metafore:

1. Il Problema: Il Chef Robot è "Cieco" e "Pregiudicato"

Molti di questi chef robot hanno imparato da testi scritti in passato o da internet, dove le persone queer sono spesso ignorate, insultate o ridotte a stereotipi.

• L'errore di pronuncia: Se chiedi al robot di descrivere una persona, spesso usa il genere sbagliato (es. chiama "lei" una persona che si definisce "lui"). È come se un cameriere ti desse il menu sbagliato perché non ti ha ascoltato.
• La confusione tra parole: Spesso, parole innocue come "gay" o "trans" vengono etichettate dal robot come "offensive" o "tossiche", proprio come se un filtro per la sicurezza bloccasse una parola d'amore perché contiene una lettera proibita.
• La mancanza di ingredienti: I robot hanno pochissimi dati su persone non binarie o trans. È come se un chef provasse a cucinare un piatto speciale senza avere gli ingredienti giusti: il risultato sarà sempre stonato.

2. Cosa hanno trovato gli autori? (Le Tre Grandi Scoperte)

Gli autori hanno notato tre cose principali nel modo in cui gli scienziati stanno cercando di risolvere questi problemi:

• A. Reazione invece che Prevenzione (Il "Pompiere" vs l'Architetto):
  La maggior parte delle ricerche oggi agisce come un pompiere. Quando il robot fa un errore (es. insulta qualcuno), gli scienziati intervengono per spegnere l'incendio. Raramente agiscono come architetti che costruiscono una casa sicura fin dall'inizio. Si concentrano molto più sul dire "Guarda, questo robot è cattivo!" che sul creare un robot che sia gentile per natura.

• B. Il Mondo è solo in Inglese (La Torre di Babele):
  Quasi tutte le ricerche guardano solo la lingua inglese. È come se stessimo studiando come le persone mangiano guardando solo i ristoranti di New York, ignorando completamente la cucina di Roma, Tokyo o Mumbai. La comunità queer esiste in tutto il mondo, con lingue e culture diverse, ma i robot sono quasi tutti "anglocentrici".

• C. Manca la Voce dei Protagonisti (Il Teatro senza Attori):
  Questo è il punto più importante. Gli scienziati costruiscono questi robot e decidono cosa è "giusto" o "sbagliato" senza chiedere alle persone queer cosa ne pensano. È come se un regista facesse un film su una comunità senza mai parlare con i membri di quella comunità per chiedere: "Come vi sentite? Come vorreste essere rappresentati?". Spesso, i robot usano dati freddi al posto del vero feedback umano.

3. Le Lacune e le Opportunità (Cosa manca?)

Il documento evidenzia che c'è molto lavoro da fare:

• Intersezionalità: Le persone non sono solo "gay" o "trans". Sono anche nere, disabili, povere, religiose, ecc. I robot attuali spesso non capiscono come queste identità si intrecciano. È come se un medico guardasse solo il tuo piede e ignorasse tutto il resto del tuo corpo.
• Lingue diverse: Bisogna creare robot che parlino e capiscano il portoghese, lo spagnolo, l'italiano, l'hindi e molte altre lingue, non solo l'inglese.
• Coinvolgimento: Bisogna invitare le persone queer a sedersi al tavolo di progettazione, non solo a essere i "cavie" dei test.

4. La Proposta per il Futuro: Non solo "Riparare", ma "Costruire Diverso"

Gli autori non si limitano a criticare. Chiedono un cambio di rotta:

• Smetti di etichettare: A volte, le persone queer non vogliono essere etichettate o misurate dai robot. A volte, la scelta di non dire il proprio genere o di usare un linguaggio ambiguo è una forma di resistenza e libertà. I robot dovrebbero rispettare anche il diritto di non essere classificati.
• Teoria Queer: Bisogna imparare dalla filosofia e dagli studi di genere. Non basta correggere un errore tecnico; bisogna capire perché quel errore esiste (potere, norme sociali) e cambiare il modo di pensare.
• Sistemi Giusti: L'obiettivo non è solo che il robot non insulti, ma che il robot sia uno strumento che aiuta attivamente la comunità queer a vivere meglio, offrendo supporto reale (ad esempio, chatbot per la salute mentale o informazioni mediche affidabili).

In Sintesi

Immagina che l'Intelligenza Artificiale sia un grande specchio che riflette la società. Attualmente, questo specchio è sporco, distorto e mostra solo una parte della realtà (bianca, maschile, eterosessuale).

Questo articolo dice: "Dobbiamo pulire questo specchio, ma non basta. Dobbiamo anche chiedere alle persone che non si vedono nello specchio come vorrebbero essere riflesse, e costruire nuovi specchi che mostrino tutta la bellezza e la diversità del mondo, non solo la parte comoda."

È un invito a passare dal "correggere gli errori" al "costruire un futuro più giusto e inclusivo" insieme alle persone coinvolte.

Sommario tecnico

Ecco una sintesi tecnica dettagliata del paper "Queer NLP: A Critical Survey on Literature Gaps, Biases and Trends" in italiano.

1. Il Problema

Le tecnologie di Elaborazione del Linguaggio Naturale (NLP) stanno ridefinendo la creazione e l'analisi del linguaggio, con impatti critici in settori come l'assunzione, la legge e l'assistenza sanitaria. Tuttavia, questi sistemi spesso perpetuano danni verso i gruppi marginalizzati, in particolare la comunità LGBTQIA+.
Il problema centrale affrontato dal paper è la mancanza di una comprensione sistematica dello stato attuale della ricerca NLP focalizzata sulle identità queer. Sebbene ci sia una crescente attenzione al bias di genere e razziale, la letteratura specifica sulle esperienze queer è frammentata. Esiste un rischio che i sistemi NLP:

• Erasino le identità non binarie e trans.
• Stereotipino o misgenderino (attribuire il genere errato) gli utenti.
• Classifichino erroneamente il linguaggio queer neutro o positivo come tossico (falsi positivi).
• Siano costruiti su dati e modelli che riflettono una visione cis-normativa e eteronormativa, ignorando la fluidità delle identità.

2. Metodologia

Gli autori hanno condotto un'indagine sistematica (survey) seguendo la metodologia PRISMA per selezionare e analizzare la letteratura accademica.

• Raccolta Dati: È stata effettuata una ricerca nell'ACL Anthology (la principale raccolta di paper NLP) utilizzando termini chiave specifici (es. queer, lgbt, transgender, non-binary).
• Selezione: Dopo un filtraggio manuale per escludere paper non pertinenti (es. autori con nomi come "Gay" o uso del termine come esempio linguistico generico), il corpus iniziale è stato ampliato con paper da altre fonti e conferenze (come NAACL 2025).
• Corpo Finale: La survey copre 86 paper (di cui 55 selezionati inizialmente e poi espansi).
• Processo di Annotazione: Ogni paper è stato annotato lungo diverse assi:
  • Task NLP (es. classificazione, traduzione, modelli linguistici).
  • Gruppi queer specifici e tipi di danno affrontati.
  • Linguaggi utilizzati (diversità linguistica).
  • Coinvolgimento degli stakeholder (membri della comunità).
  • Approccio all'intersezionalità (sovrapposizione di identità come razza, genere, classe).
• Affidabilità: È stata calcolata l'affidabilità inter-valutatore (Cohen's Kappa > 0.62) su un sottoinsieme di paper, confermando un alto accordo sui temi di coinvolgimento degli stakeholder, intersezionalità e diversità linguistica.

3. Contributi Chiave

Il paper non si limita a riassumere la letteratura, ma offre:

1. Mappatura delle Tendenze: Identifica come la ricerca sia guidata dalle capacità attuali dei modelli (LLM) piuttosto che da esigenze reali della comunità.
2. Identificazione dei Gap: Evidenzia carenze strutturali nella metodologia, nell'inclusione linguistica e nel coinvolgimento della comunità.
3. Prospettiva Teorica: Integra la Teoria Queer nell'analisi tecnica, criticando la rigidità delle categorizzazioni binarie nei sistemi NLP.
4. Call to Action: Propone un cambio di paradigma da un approccio "reattivo" (correggere i bias dopo il fatto) a uno "proattivo" (co-progettazione con le comunità).

4. Risultati Principali

A. Tendenze di Ricerca

• Dominio dell'Inglese: La stragrande maggioranza dei paper (circa il 77%) si concentra esclusivamente sulla lingua inglese, trascurando la diversità culturale globale.
• Approccio Reattivo: La maggior parte della ricerca è focalizzata sull'identificazione del bias (valutazione) piuttosto che sulla sua mitigazione attiva o sulla creazione di nuove soluzioni inclusive.
• Focus Tematico: I temi principali sono i pronome (inclusi i neopronomi) e gli stereotipi. Molti studi si limitano a dimostrare che i modelli falliscono nel riconoscere identità non binarie.
• Metodologie: Predominano metodi basati su template (frasi predefinite con spazi vuoti da riempire) e data augmentation (creazione di dati sintetici). Questi metodi, sebbene utili per rilevare bias evidenti, non catturano l'uso reale e complesso del linguaggio queer.

B. Lacune Critiche (Gaps)

• Mancanza di Coinvolgimento degli Stakeholder: Pochissimi paper includono membri della comunità queer nel processo di sviluppo o valutazione. Spesso si usano metriche automatiche come surrogato del feedback umano.
• Assenza di Intersezionalità: Raramente si analizza come le identità queer si intersechino con altre dimensioni (razza, disabilità, classe). La ricerca tende a trattare l'identità queer come un blocco monolitico.
• Limiti Linguistici: C'è una scarsa attenzione alle lingue non occidentali e a basso risorse, nonostante l'esistenza di comunità queer significative in queste aree (es. India, America Latina).
• Danni Non Rilevati: I sistemi attuali spesso non rilevano discorsi dannosi sofisticati (es. retorica "gender-critical" o TERF) che non usano parole chiave offensive, mentre flaggano erroneamente slang queer riappropriato.

C. Analisi per Categoria NLP

• Modelli Linguistici (LLM): Mostrano bias intrinseci (stereotipi, hate speech) derivanti dai dati di addestramento. Le tecniche di mitigazione sono spesso post-hoc e poco scalabili.
• Classificazione del Testo: I sistemi di rilevamento dell'hate speech tendono a sovrastimare la tossicità del linguaggio queer (falsi positivi) e a sottostimare l'hate speech reale.
• Traduzione Automatica: Soffre di anglocentrismo e difficoltà nel gestire pronomi non binari o generi grammaticali non presenti nella lingua sorgente.
• Riconoscimento Vocale (ASR) e Sintesi: C'è una quasi totale assenza di dati vocali queer. Le tecnologie sono addestrate su voci cisgender, portando a errori di riconoscimento e sintesi per voci trans e non binarie.

5. Significato e Implicazioni Future

Questo studio è fondamentale perché sposta il dibattito tecnico verso una giustizia sociale nell'NLP.

• Critica Epistemologica: Il paper sostiene che l'NLP attuale è incompatibile con la fluidità delle identità queer perché si basa su tassonomie fisse. Per avanzare, la ricerca deve abbracciare la complessità e la fluidità della teoria queer.
• Ricerca Partecipativa: Si raccomanda di adottare la ricerca partecipativa (Participatory Action Research), coinvolgendo attivamente le comunità queer come collaboratori, non solo come soggetti di studio.
• Diversità Linguistica: È urgente espandere la ricerca oltre l'inglese, supportando conferenze e workshop non anglofoni (es. in Brasile, Italia, Spagna) che stanno già producendo lavori rilevanti su temi come il "discorso della speranza" (hope speech) e la riappropriazione di insulti.
• Diritto al Rifiuto (Refusal): Il paper introduce il concetto di "rifiuto critico", ovvero il diritto degli utenti a non essere categorizzati o misurati dai sistemi NLP, una possibilità che le attuali architetture tecniche non prevedono.

In conclusione, il paper funge da roadmap per trasformare l'NLP queer da un campo di studio prevalentemente critico e reattivo a uno proattivo, inclusivo e interdisciplinare, capace di costruire tecnologie che non solo evitino danni, ma supportino attivamente le comunità marginalizzate.