很多“手语翻译”演示把任务缩成识别孤立词的手形，忽略面部表情、身体姿态、空间指代、语序和对话情境。系统可能在固定背景、熟悉签者和有限词表上取得高准确率，却无法处理自然连续手语。更根本的问题是，研究目标常由听人技术团队定义，把聋人与听人之间的沟通障碍当作需要由单向翻译修复的个人缺陷。
2024 年由聋人研究者主导的系统偏差分析指出，手语人工智能存在研究议程偏差、代表性不足、缺少语言学基础的标注和问题化的“沟通障碍”叙事。同年 EMNLP 对 ASL Citizen 众包数据研究发现，签者人口特征与词汇属性会造成模型表现差异，并发布人口统计信息支持后续缓解。这些工作把公平问题从“多收一点数据”推进到“谁决定任务、数据和成功”。
手语不是口语的手部编码
自然手语拥有独立语法，并在三维空间组织指称与一致关系。非手部标记可表达疑问、否定、话题与程度。只裁剪双手的视频会丢失语言信息；把每个手语词强行对齐口语词，也会把目标语言结构塞进来源语言。可靠语料需要多视角、面部和身体信息、时间对齐、语篇上下文以及由合资格手语使用者参与的标注。
“手语”也不是一种全球通用语言。美国手语、英国手语、中国手语和各地变体并不互通，同一语言内部还受地区、年龄、种族、学校与家庭背景影响。模型在少数常见数据集上进步，不代表覆盖全球聋人。报告必须明确语言和变体，不能用 Sign Language 的单数制造普遍性。
数据集如何制造看不见的偏差
实验数据常由年轻、技术熟练、面对镜头的签者重复提示词，背景和服装受控。现实包含自然速度、遮挡、手部差异、轮椅使用者、代码混合和多人对话。模型可能记住签者或背景，而非语言。签者独立划分、跨数据集测试和自然会话评测，比随机拆分片段更能揭示泛化。
人口统计披露有助审计，也涉及隐私。视频包含面孔、身体和家庭环境，难以真正匿名。数据授权应说明研究、商业产品、再识别和生成用途，并允许社区治理。仅由个体签署宽泛许可，未必解决语言资源被平台长期占有的问题。
该为谁造什么工具
聋人社区的需求可能包括更好的手语搜索、教育资源、字幕质量、视频编辑、档案访问和听人学习工具，而非总是“手语到口语自动翻译”。双向沟通系统如果只要求聋人对着机器规范打手语，却让听人无需改变，就是把适应成本单向分配。共同设计应从具体场景和现有无障碍服务出发，比较技术是否补充或削弱手语翻译员与公共义务。
生成式手语头像能提高内容规模，却可能产生不自然或语义错误动作。高风险信息如医疗、法律和应急不应仅凭视觉流畅上线。评测必须由不同背景的母语或高熟练使用者判断可理解性、自然度和语用得体，并记录分歧。
未知边界
- 怎样建立跨签者、跨场景的连续手语基准，又不形成集中式高风险生物特征库？
- 模型如何同时表示手、面部、身体和空间关系，并解释错误来自哪一模态？
- 聋人主导治理如何落实到预算、数据许可、作者署名和产品否决权？
- 自动工具会改善公共访问，还是让机构以低质量机器输出替代专业服务？
- 多种手语资源极不均衡时，共享模型能迁移哪些结构，哪些迁移会抹平差异？
评价成功不能只用词错误率，还应看自然对话理解、不同群体最差表现、用户控制、真实任务完成和是否扩大聋人的语言选择。
基准也要有退出和纠错机制
一旦数据集成为排行榜标准，早期标签和许可会被数百篇工作复制。数据治理应允许签者更正身份或标注、撤回特定片段，并发布版本差异；论文必须报告所用版本。测试集还应防止公开视频被模型预训练提前见过，否则“泛化”可能只是记忆。受控测试服务器可减少泄露，但需要透明评测代码与独立监督。
产品上线后的错误收集不能只靠用户举报。聋人遇到失败时可能已经无法完成医疗预约或公共服务，且未必愿意再次解释。机构应主动抽样真实场景、支付参与评测、提供人工替代并公开整改时限。若系统建议只是辅助，界面必须让工作人员理解不确定性，不能把机器输出默认为正确后再要求用户证明它错了。
研究团队的人力结构同样可测。聋人参与不应只发生在数据采集和最终用户测试，而应覆盖问题定义、预算、模型解释与发布决定。项目可公开治理角色、手语工作环境、口译预算和作者贡献。若所谓共同设计没有改变任务或时间表，它更像咨询；真正共同治理通常会让某些原定功能被取消或重做。
跨域连接
- 手语的空间语法 说明手语依靠手、脸、身体与空间共同编码。模型若只识别手形，就像口语系统只识别元音；语言学结构应决定传感和标注，而非由现成视觉模型决定问题。
- 算法歧视审计 提供群体误差、流程影响与救济框架。手语系统需要签者独立和最差群体评测，同时审计部署机构是否用它降低原有无障碍责任。
- 多模态学习 研究不同信号的时间与语义对齐。手语提供严格测试：模型必须整合快速手部运动、较慢身体姿态与语篇空间，单帧分类不足以完成任务。
- 语言、身份与权力 揭示把手语描述成残缺口语会产生制度后果。聋人主导研究不仅改善样本代表性，也改变哪些能力被视为值得建设，因而改变技术权力分配。
参考文献
- De Meulder, M. et al. Systemic Biases in Sign Language AI Research: A Deaf-Led Call to Reevaluate Research Agendas. LREC-COLING SignLang Workshop 2024. DOI: 10.48550/arXiv.2403.02563.
- Duarte, A. et al. Studying and Mitigating Biases in Sign Language Understanding Models. EMNLP 2024. DOI: 10.18653/v1/2024.emnlp-main.17.
- Desai, A. et al. ASL Citizen: A Community-Sourced Dataset for Advancing Isolated Sign Language Recognition. NeurIPS 2023. DOI: 10.48550/arXiv.2304.05934.
- Bragg, D. et al. Sign Language Recognition, Generation, and Translation: An Interdisciplinary Perspective. ASSETS 2019. DOI: 10.1145/3308561.3353774.
延伸阅读
- ACL Anthology. Proceedings of the Sign Language Representation and Processing Workshops. ongoing.