支持标注人员的提升对抗数据收集：GAHD 德语仇恨言论数据集的经验教训
内容提要
本研究提出了一种动态数据集生成和训练模型的方法，生成约40,000项新数据，显著提升了模型的鲁棒性和性能。通过构建多语言的GOTHate数据集，开发了HEN-mBERT模型，增强了恶意言论检测效果。同时，研究探讨了在有限数据情况下的仇恨言论检测，提出合成数据生成方法，显示出良好的模型性能。
延伸解读
动态对抗数据采集的实践价值
文章提到使用动态对抗数据采集（DADC）能持续生成挑战性样本，提高模型泛化能力并减少错误率。在长期研究中，该方法使模型在测试集上错误率降低26%。这表明，对于仇恨言论检测这类动态变化的领域，静态数据集可能很快过时，而动态采集能不断补充新样本，帮助模型适应新的仇恨言论形式。
多语言模型的内源信号增强
研究构建了多语言的GOTHate数据集，并开发了HEN-mBERT模型，通过历史、拓扑和范例等内源信号改善语义分析。实验显示，该模型整体宏F1值提升2.5%，恶意言论F1值提升5%。这说明，在仇恨言论检测中，利用对话上下文、用户关系等内源信号，能有效提升模型对恶意言论的识别能力，尤其在多语言环境下。
有限数据下的合成数据策略
针对低资源语言仇恨言论检测数据不足的问题，研究提出合成数据生成方法，能在目标语言中生成保留仇恨情绪但转移仇恨目标的样本。在印地语和越南语上的实验表明，使用合成数据训练的模型表现与仅使用目标领域样本训练的模型相当甚至更好。这为从零开始构建仇恨言论检测模型提供了可行路径，尤其适用于缺乏标注数据的语言。
Q&A
GAHD德语仇恨言论数据集的主要贡献是什么？
GAHD德语仇恨言论数据集通过动态数据集生成和训练模型的方法，生成了约40,000项新数据，显著提升了模型的鲁棒性和性能。
HEN-mBERT模型的性能提升了多少？
HEN-mBERT模型的整体宏F1值提升了2.5%，恶意言论F1值提升了5%。
在有限数据情况下，如何进行仇恨言论检测？
研究提出了合成数据生成方法，显示出良好的模型性能，能够在有限数据情境中有效进行仇恨言论检测。
合成数据训练的模型与目标领域样本训练的模型相比如何？
使用合成数据训练的模型在有限数据情境中表现与仅使用目标领域样本训练的模型相媲美，甚至更好。
GOTHate数据集的特点是什么？
GOTHate数据集是一个多语言和多主题的数据集，旨在增强恶意言论检测任务的效果。
动态对抗数据采集（DADC）有什么优势？
DADC能够不断生成具有挑战性的例子，获得更多训练样本，提高模型泛化能力，减少错误率。
