FairQE：缓解翻译质量估计中性别偏见的多智能体框架

质量估计（QE）旨在在没有参考译文的情况下评估机器翻译质量，但近期研究表明，现有QE模型存在系统性的性别偏见。特别是，它们在性别模糊的语境中倾向于偏向男性化表达，并且即使性别被明确指定，也可能给与性别不符的译文打出更高分数。为解决这些问题，我们提出FairQE，一个基于多智能体的公平感知QE框架，可在性别模糊与性别明确两种场景中缓解性别偏见。FairQE检测性别线索，生成性别翻转的译文变体，并通过动态的偏见感知聚合机制将常规QE分数与基于LLM的偏见缓解推理相结合。这一设计以即插即用的方式保留现有QE模型的优势，同时校准其与性别相关的偏见。在多种性别偏见评估设定下的大量实验表明，FairQE持续优于强QE基线，带来更高的性别公平性。此外，在遵循WMT 2023 Metrics共享任务的基于MQM的元评估下，FairQE取得了有竞争力或更优的总体QE性能。这些结果表明，QE中的性别偏见可以在不牺牲评估准确性的前提下得到有效缓解，从而实现更公平、更可靠的翻译评估。