标签
本文提出了一种自动检测英语和汉语普通话中居高临下和屈尊俯就语言（PCL）的系统，对比了静态词嵌入结合卷积神经网络（CNN）的方法与经过微调的 BERT 嵌入方法，后者在开发集上取得了 0.528 的 F1 分数。
一项覆盖14种语言的大规模研究，探讨跨语言仇恨言论检测的迁移效果，发现语言相似性是最强预测因素，而文化线索与交际规范可部分解释剩余差异。
本文提出 Plausibility-EFG，一种群体级别的差异度量指标，用于衡量仇恨言论检测中不同人口群体之间的解释合理性差距，并提出 Fair-REF，一种对抗性理由正则化策略，能够在保持分类性能的同时减少解释差异。
论文提出「axle」预标注阶段，通过情境化对话将标注者的亲身体验转化为微叙事以激活其立场，研究显示这提升了身份共鸣与伤害敏感度，同时增加标签熵、降低标注者间一致性，表明其呈现多元视角而非制造共识。
本文提出了基于大语言模型（LLM）标注中的"仪器不确定性"概念，研究表明：在同一种任务设计下，重复运行LLM的结果高度可靠；但对任务设计或模型选择做出合理的调整，就可能大幅改变攻击性语言和仇恨言论的标注结果以及流行率估计。
本研究引入 SHAP-RTL，一个渲染层，用于校正针对右到左语言的 SHAP 和 LIME 解释可视化，解决标记序列和文本塑形等问题，同时保留原始归因值。
本文提出一个可解释的仇恨言论检测框架，整合了DistilBERT嵌入、BiLSTM和注意力机制，在基准数据集上针对二分类和多分类任务实现了高F1分数。
介绍了 ParsHate，一个手动标注的 10,000 条波斯语推文数据集，用于仇恨言论和目标检测，展示了当前模型的中等性能，并强调了需要更先进的方法。
本文对模因中仇恨言论检测的视觉-语言模型进行定性分析，评估了它们在零样本和少样本提示下的性能和推理能力。
本文提出了一种用于多语言仇恨言论检测的训练时可解释性框架，通过将模型推理与人类理据对齐，以提高分类性能和可解释性，并在英语和Hinglish数据集上进行了评估。
本文研究了通过指令微调通用大语言模型来实现健壮的有害内容缓解，特别是仇恨言论检测，使用了一个包含36个数据集的统一语料库，取得了最先进的性能，并增强了跨领域和跨语言的泛化能力。
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。
本文描述了一个用于尼泊尔表情包分类的两阶段视觉-语言适配系统，使用Qwen3-VL-8B-Instruct，结合LoRA微调和对比学习。该系统在CHiPSAL 2026共享任务中，在仇恨言论检测中排名第二，在情感分析中排名第四。
Reddit已部署AI/LLM实时分析所有帖子和评论中的仇恨言论与有害内容，能在几秒内自动封禁用户，这与Instagram和Facebook形成对比，后两者并未如此严格地应用此类分析。