打破沉默：检测和减少印度在线空间中的性别虐待（印地语、泰米尔语和印度英语）
内容提要
本文探讨了性别暴力与社交媒体的关系，提出了针对印地语、泰米尔语和印度英语的性别虐待数据集。研究表明，IndicBERT在马拉雅拉姆语和泰米尔语中的表现优异，旨在通过打击恶意言论促进在线空间的包容性。
延伸解读
多语言检测的挑战与数据稀缺
文章指出，在线性别暴力随着社交媒体普及而增长，尤其在非英语国家更为严重。然而，缺乏特定语言和语境的数据来构建自动检测工具。本文介绍的数据集涵盖印地语、泰米尔语和印度英语，由自称女性或LGBTQIA群体成员的专家标注，涉及性别虐待经历的三个问题。这凸显了数据稀缺是当前多语言性别虐待检测的主要瓶颈。
模型性能与语言差异
文章提到，IndicBERT模型在马拉雅拉姆语和泰米尔语中的加权平均F1-score分别为0.86和0.77，表现优异。此外，在孟加拉语、阿萨姆语和古吉拉特语的恶意言论检测中，单语句BERT模型在孟加拉语中表现最佳，但阿萨姆语和古吉拉特语仍有改进空间。这表明模型性能因语言资源而异，资源匮乏语言需进一步优化。
参与式方法与技术趋势
文章强调了一种参与性的方法来创建推动AI系统的数据集，即让受性别虐待影响的群体参与标注。同时，研究还涉及跨语言迁移、合成数据、脚本切换等技术，如LT-EDI-2024共享任务中，加入脚本切换等跨语言行为元素可提高资源匮乏语言下的检测性能。这些方法为构建包容性在线空间提供了技术方向。
Q&A
印度在线空间中的性别虐待问题有多严重？
在线性别暴力在印度尤其严重，尤其是在非英语国家，社交媒体的使用与性别虐待的增长密切相关。
本文提到的性别虐待数据集包含哪些语言？
数据集包括印地语、泰米尔语和印度英语。
IndicBERT模型在马拉雅拉姆语和泰米尔语中的表现如何？
IndicBERT模型在马拉雅拉姆语和泰米尔语中的F1-score分别为0.86和0.77，表现优异。
缺乏特定语言数据对性别虐待检测有什么影响？
缺乏特定语言和语境的数据使得构建自动检测性别虐待的工具变得困难。
研究中提到的其他语言的恶意言论检测结果如何？
研究发现单语句BERT模型在孟加拉语中表现最佳，但阿萨姆语和古吉拉特语的性能仍有改进空间。
本文的主要目标是什么？
本文的目标是通过打击恶意言论促进在线空间的包容性。
