OPSD：一种冒犯性波斯社交媒体数据集及其基准评估
内容提要
本研究针对社交媒体上的攻击性语言问题，构建了多个数据集并开发了自动分类系统，以检测仇恨言论和网络欺凌。研究表明，采用先进模型可以有效提高检测准确率，促进社交媒体平台对恶意言论的治理。
延伸解读
数据集构建的多样性与挑战
文章汇总了多个针对不同语言和文化背景的冒犯性言论数据集，包括丹麦语、越南语、韩语、阿拉伯语、孟加拉语等。这些数据集的构建考虑了语言和文化特异性，例如韩国数据集强调多标签和文化背景，阿拉伯语数据集分析了攻击性语言的使用方式。这表明构建跨文化、多语言的冒犯性言论检测系统需要针对不同语境进行定制，不能简单套用单一模型。
模型性能与上下文信息的重要性
实验结果显示，先进模型如XLM-R和PhoBERT在冒犯性言论检测中表现优异，但提供上下文信息可以显著提升模型性能。例如，在韩国冒犯性语言数据集中，加入上下文后，冒犯性检测、目标分类和目标组分类的准确率均有提高，其中目标组分类提升了13.1个百分点。这提示在实际应用中，考虑上下文信息对于提高检测效果至关重要。
低资源语言的迁移学习方案
针对低资源语言中恶意内容检测的难题，文章提到通过跨语境词嵌入和迁移学习将预测能力扩展到这些语言。这种方法可以利用高资源语言的数据和模型，缓解低资源语言标注数据不足的问题。然而，迁移学习的效果可能受语言相似性和文化差异的影响，需要进一步验证和调整。
Q&A
ViHOS数据集包含多少条评论和仇恨言论标注数据？
ViHOS数据集包含11,000条评论和26,000个含有仇恨和攻击性言论的人工标注数据。
哪种模型在攻击性语言检测中表现最佳？
XLM-R $_{Large}$在单个范围检测和所有范围检测方面取得最佳F1分数，PhoBERT $_{Large}$在多个范围检测方面表现最佳。
研究如何帮助解决社交媒体上的恶意言论问题？
研究通过构建多个数据集和开发自动分类系统，旨在提高对仇恨言论和网络欺凌的检测准确率。
如何提高模型在冒犯性语言检测中的性能？
提供上下文信息显著提高模型性能，在冒犯性检测、目标分类和目标组分类方面都有所改善。
该研究是否考虑了不同文化和语言背景？
是的，研究提供了一个多标签的韩国在线仇恨言论数据集，考虑了文化和语言背景。
孟加拉语仇恨言论检测的研究结果如何？
在孟加拉语仇恨言论检测中，SVM模型在构建的30,000条用户评论数据集上获得了87.5%的准确率。
