Popularne modele językowe o rozmiarach od 14B do 70B parametrów rutynowo przepisują African American English na Standard American English, skutecznie traktując żywy dialekt ponad 30 milionów ludzi jako błąd wymagający korekty. Badania wykazują, że nawet najnowocześniejsze modele preferują SAE kontynuacje, gdy wejście jest w AAE - dzieje się to niewidocznie dla użytkownika, co czyni problem szczególnie poważnym.
Team naukowców zaproponował kompleksowe rozwiązanie składające się z dwóch części. Do audytu bias opracowali metrykę conditional Dialect Group Invariance (cDGI), która izoluje rzeczywisty bias modelu od artefaktów introducowanych przez tłumaczenie. Analiza na poziomie features pokazała, że konstrukcje syntaktyczne - szczególnie negative concord jak "ain't nobody" - uniwersalnie trigger bias we wszystkich badanych modelach.
Do mitygacji zastosowali activation steering - metodę opartą na causal tracing, która wydobywa kierunki dialektu i wprowadza je do warstw odpowiedzialnych za bias. Podejście to jest bezkosztowe (test-time only) i zmniejsza błąd 5 do 20 razy bardziej niż tradycyjne prompting, jednocześnie utrzymując płynność SAE. Aby wspomóc dalsze badania, zespół wydał REAL-AAE - największy dotąd korpus równoległy z 17479 trójkami AAE/SAE/AAE_back pochodzącymi z naturalnych tweetów, 2-6 razy większy niż dotychczasowe zasoby.