本研究探讨了混合语言嵌入在仇恨言论识别中的重要性，指出传统自然语言处理工具在处理混合语言数据时的局限性。研究表明，HingBERT模型在Hindi-English数据集上的表现优于BERT模型，显示出混合语言模型在多语言社区中的应用潜力。

本研究提出了一种结合音频和文本的仇恨言论识别方法，使用Transformer和“Attentive Fusion”层，取得0.927的宏F1得分。同时，介绍了多模态融合模型用于情感分析，F1得分达到0.8049，显示出在情感分类任务中的高准确度，具有广泛应用潜力。

该文综述多模态恶意言论检测研究，涵盖模因、视频等载体。研究者提出集成学习、图像字幕融合、目标实体解缠等框架，结合音频与文本特征提升检测性能，并构建MMHS150K、HSDVD等公开数据集，推动仇恨言论识别发展。

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。