语言传播仇恨容易，但传递感动需要技巧。人类天生用语言表达不满，哭泣是最初的表达方式。贸易赤字在英语中是负面词汇，容易引发误解。语言影响思维，古人善用语言操控心智。

本研究解决了在线仇恨言论分类中缺乏多标签处理的科学盲点。通过系统性回顾46篇相关文献，提出了28个适用于多标签分类模型的数据集，并指出现有模型在评估上的不一致性及数据集小、稀疏等问题。研究结果为未来的研究提供了十条建议，以促进该领域的规范化与发展。

本研究解决了算法仇恨言论检测中由于多样化定义和数据集所带来的挑战。通过将现有的数据集和分类法整合为一个统一的模型，提出了一种通用分类法和能够在单一框架内检测多种定义的仇恨言论分类器。研究表明，该方法显著提升了分类性能，并在广泛适用性上具有潜力。

本研究解决了社交媒体上多模态内容理解和管理中的重要问题，尤其是错误信息、仇恨言论和宣传内容的自动检测。通过介绍MemeIntel数据集及其多阶段优化方法，研究表明该方法显著提高了标签检测和解释生成的性能，超越了现有技术水平，推动了相关领域的进一步研究。

PostgreSQL Europe决定停止在Twitter/X上发布内容，认为该平台的政策变化传播仇恨，与社区精神不符。请通过其他社交媒体渠道与我们联系。

本研究针对仇恨言论分类中的标注者分歧问题，提出了多种基于精调BERT模型的策略，并评估其在土耳其推文中的效果，取得了优异的检测和理解结果。

本研究针对现有多模态迷因审查中缺乏高质量仇恨言论数据集的问题，提出了两个新颖的多模态仇恨言论数据集MHS和MHS-Con，以捕捉细粒度的仇恨抽象。通过引入SAFE-MEME框架，该框架结合问答式推理和层次分类，实现了对迷因中仇恨言论的强健检测，实验结果显示其在多个基准上均有显著提升，尤其在处理混淆案例时表现出色。

本研究针对德瓦纳加里文语言（如印地语、马拉地语、尼泊尔语、博杰普尔语和梵语）中的两个子任务：在线文本中的仇恨言论检测和仇恨言论目标识别。我们提出了MultilingualRobertaClass模型，利用预训练的多语言变压器模型优化分类任务，实现了子任务B的88.40%准确率和子任务C的66.11%准确率，显著推动了针对这些语言的仇恨言论检测技术的发展。

本研究解决了德瓦纳加里文仇恨言论检测研究的不足，提出了一种基于参数高效微调的解决方案，以提高检测的有效性。通过在包含印地语和尼泊尔语的德瓦纳加里数据集上评估多个大型语言模型，结果显示该方法在处理德瓦纳加里文时具有良好效果，具有重要的实际应用价值。

本研究探讨了不同国家仇恨言论法律框架的差异及其对在线平台检测的影响，提出了一种改进仇恨言论分类的新方法，强调法律知识在识别可追诉仇恨言论中的重要性。

本文旨在解决边缘社区面临的在线仇恨言论问题，特别是在资源匮乏的语言环境中。我们推出了REACT数据集，并提出了基于联邦学习的少样本仇恨言论检测方法，以保护用户隐私并持续提升模型的鲁棒性。研究结果表明，联邦学习在不同目标群体中有效，但个性化训练的效果仍不明确。

本研究旨在解决大型变换器语言模型在仇恨言论检测中的可推广性和鲁棒性问题。通过设计一种新的任务“刻板印象意图蕴涵（SIE）”，增强模型对刻板印象的上下文理解，研究发现SIE目标有助于提高内容理解，但在建模隐含意图方面仍面临挑战。

本研究创建了首个多模态多语言平行仇恨言论数据集Multi3Hate，包含5种语言的300个样本，发现文化背景对标注一致性有显著影响，尤其在美国与印度之间仅为67%。