该研究探讨了多模态仇恨迷因检测中的挑战，发现仅有具有仇恨性质的文本能够泛化，图像对特定数据集敏感。研究发现文本模态的贡献程度为83%，引入迷因图像标题后减少至52%。评估显示文本混淆因素性能高于图像混淆因素。