定义术语：定义增强高效的侮辱性言论分类
内容提要
该文综述社交媒体攻击性语言检测研究，采用机器学习、BERT、多任务学习及众包等方法识别侮辱与仇恨言论，分类准确率最高约91.5%；并提出语言数据扩增以减少标注偏见，提升多语言检测的公平性与准确性。
延伸解读
攻击性语言检测的对抗性风险
文章指出，具有贪婪和注意力机制的词汇选择与上下文感知嵌入的攻击，可将机器学习型攻击性语言分类器的准确率降低50%以上，同时保持修改后文本的可读性和含义。这意味着仅依赖表面词汇特征的检测系统容易受到对抗性攻击，在实际部署中需考虑模型鲁棒性，避免被恶意用户轻易绕过。
多任务学习与BERT提升检测性能
文章提到，结合多任务学习和BERT的模型在OffensEval-2020英文子任务A中达到91.51%的F1得分，接近第一名的92.23%。这表明预训练语言模型能有效学习社交媒体噪声文本的表示，并利用相关任务的监督信号提升性能。但该结果基于特定比赛数据集，实际应用中的泛化能力仍需验证。
数据扩增与标注公平性
文章强调，通过语言数据扩增方法可以减少标注过程中的偏见，借助机器提高标注的准确性和公平性，从而改善跨多种语言的冒犯性语言分类任务。这提示我们，标注偏见是多语言检测公平性的重要障碍，而数据扩增是缓解该问题的可行方向，但具体效果取决于扩增策略与语言特性。
众包与社群检测的互补作用
文章提及，众包方法结合集成多分类器和仇恨言论词汇，能区分仇恨、冒犯及无冒犯推文；而社群检测和词嵌入模型发现，标记数据和关键词方法在探测新兴极端组织词汇时效果不佳，学到的代号词汇准确度更高。这说明单一方法有局限，结合众包与社群检测可提升对新兴仇恨言论的识别能力。
Q&A
社交媒体侮辱性言论分类的最高准确率是多少？
根据文章，采用多任务学习和BERT模型在OffensEval-2020英文子任务A中达到了91.51%的F1得分，这是文中提到的最高准确率。
有哪些方法被用于检测社交媒体上的侮辱性言论？
文章提到的方法包括传统机器学习、基于规则的黑名单、BERT模型、多任务学习、众包、社群检测和词嵌入等。
如何减少侮辱性言论分类中的标注偏见？
文章提出通过语言数据扩增方法来减少标注过程中的偏见，借助机器提高标注的准确性和公平性，以改善跨多种语言的冒犯性语言分类任务。
多任务学习在攻击性语言检测中有什么作用？
多任务学习结合BERT模型，利用预训练语言模型学习社交媒体噪音文本的表示，并利用其他相关任务的监督信号来提高攻击性语言检测的性能。
众包方法如何用于仇恨言论检测？
文章提到利用众包方法，通过集成的多分类器和众包获得的仇恨言论词汇，成功区分了具有仇恨言辞、仅具有冒犯性言辞以及没有冒犯性言辞的推文。
语言数据扩增如何改善多语言冒犯性语言分类？
通过语言数据扩增方法，减少标注过程中的偏见，提高标注的准确性和公平性，从而改善跨多种语言的冒犯性语言分类任务，并减少社交媒体上冒犯性内容的传播。
