针对资源匮乏语言仇恨言论检测的LLM高效适应：罗马乌尔都语的比较研究

arXiv cs.AI 论文
large-language-models hate-speech-detection low-resource-languages roman-urdu peft lora comparative-study

摘要

本文评估了大语言模型在罗马乌尔都语（一种资源匮乏语言）中的仇恨言论检测能力，证明使用LoRA的参数高效微调相比零样本推理显著提升了分类性能。

arXiv:2608.18142v1 公告类型：新 摘要：在资源匮乏语言（LRLs）中检测仇恨言论具有挑战性，原因包括标注数据的缺失、语言结构的非正式性以及标准化语法的缺乏。罗马乌尔都语就是一个很好的例子，它被南亚人在社交媒体上广泛使用，具有高度变异性，且缺乏上下文一致的拼写。本文的目标是对大语言模型（LLMs）在罗马乌尔都文字中进行仇恨言论检测（HSD）的全面评估，并使用称为低秩适应（LoRA）的参数高效微调（PEFT）方法对这些模型进行微调。为了评估零样本推理，我们在不同的Transformer模型上对其进行了基准测试，包括Mistral、LLaMA、Falcon和多语言BERT。实验在PURUTT（用于毒性评论和音译的并行乌尔都语和罗马乌尔都语语料库）数据集上进行，该数据集包含超过72,000条标注评论。结果表明，零样本模型的表现中等（F1 = 0.56），但更新一小部分模型可训练参数可以显著提高分类性能（F1 > 0.93）。我们的结果显示，PEFT在提供卓越性能的同时，还具有出色的计算效率，使其非常适合低资源语言处理任务。
查看原文
查看缓存全文

缓存时间: 2026/08/20 10:00 

# 面向低资源语言仇恨言论检测的大语言模型高效适配研究：罗马乌尔都语对比分析  
来源：https://arxiv.org/abs/2608.18142  
查看PDF（https://arxiv.org/pdf/2608.18142）

> 摘要：低资源语言（LRLs）的仇恨言论检测面临多重挑战，包括标注数据缺失、语言结构非标准化以及语法体系不完善。罗马乌尔都语作为典型代表，在南亚社交媒体中广泛使用，其拼写变体繁多且缺乏语境一致性，更凸显了该任务的复杂性。本文旨在全面评估大语言模型（LLMs）在罗马乌尔都语仇恨言论检测（HSD）中的应用效能，并采用参数高效微调（PEFT）技术中的低秩适应（LoRA）方法对模型进行优化。研究通过零样本推理与多种Transformer模型（包括Mistral、LLaMA、Falcon及多语言BERT）的PEFT方法进行对比评估，实验基于包含超7.2万条标注评论的PURUTT数据集（平行乌尔都语与罗马乌尔都语毒性评论及音译语料库）。结果表明，零样本模型表现中等（F1值=0.56），而通过微调少量模型可训练参数可使分类性能显著提升（F1值>0.93）。研究证实，PEFT技术在保持卓越计算效率的同时实现了优异性能，为低资源语言处理任务提供了高效解决方案。

## 投稿历史记录  
来源：Toneema Zubair \[查看邮箱（https://arxiv.org/show-email/f0678e4b/2608.18142）\] **\[v1\]** 2026年8月6日（周四）11:28:19 UTC（1,417 KB）

相似文章

大语言模型在低资源语言人文学科研究中的机遇与挑战

arXiv cs.CL

本文系统评估了大语言模型在低资源语言研究中的应用，分析了在语言变异、历史文献、文化表达和文学分析等方面的机遇与挑战。研究强调了跨学科合作和定制化模型开发，以保护语言和文化遗产，同时解决数据可获取性、模型适应性和文化敏感性问题。

UrduMMLU：乌尔都语理解的大规模多任务基准测试

arXiv cs.CL

UrduMMLU是一个新基准测试，包含来自本土教育材料的26,431道多项选择题，涵盖26个学科，用于评估大语言模型在乌尔都语理解上的表现。对30个大语言模型的评估显示，Gemini-3.5-Flash表现最佳，而开源模型和区域特定学科仍构成重大挑战。