探索边界和强度：揭示社交媒体言论的复杂范围
原文中文，约1300字，阅读约需3分钟。
📝
内容提要
本文介绍了一种注释恶意在线言论的方法，并发布了一个包含超过40,000条移民推文的高质量数据集。研究探讨了多种训练模式以提高仇恨言论检测的性能，最终实现了良好的分类效果。通过集成学习和深度模型，成功区分了不同类型的仇恨言论，并发现算法在特定群体上存在偏见。
❓
Q&A
这项研究使用了什么方法来注释恶意在线言论？
研究使用了多个标签注释恶意在线言论，强调注释的细致和准确性。
研究中发布的数据集包含多少条推文？
研究发布了一个包含超过40,000条移民推文的高质量数据集。
研究中使用了哪些训练模式来提高仇恨言论检测的性能？
研究探讨了对比学习和多任务学习等多种训练模式。
研究发现算法在判别哪些群体的仇恨言论上存在偏见？
研究发现算法在对非裔美国人和非裔男性的辱骂言论和仇恨言论判别上存在偏见。
研究中实现的宏F1平均分数分别是多少？
在子任务A、B和C中分别实现了0.841、0.817和0.476的宏F1平均分数。
如何通过平衡训练数据来改善模型的公平性？
通过平衡训练数据可以实现更公平的性别模型，减少算法偏见。
🏷️
