本研究解决了AI系统在不同文化中对手势解读的不足，特别是在全球应用中可能导致的文化冒犯问题。我们提出了一种包含288个手势-国家配对的多文化不当手势和非语言符号数据集（MC-SIGNS），并通过系统评估发现，当前AI模型存在严重的以美国为中心的偏见。这些发现强调了亟需文化意识的AI安全机制，以确保AI技术的全球公平应用。

在社交媒体平台上分享链接可能导致个人账号信息泄露，通过跟踪参数识别用户账号ID。这种行为被认为是冒犯的，平台应该尊重用户隐私权。

本研究针对社交媒体上的攻击性语言问题，构建了多个数据集并开发了自动分类系统，以检测仇恨言论和网络欺凌。研究表明，采用先进模型可以有效提高检测准确率，促进社交媒体平台对恶意言论的治理。

该文综述跨文化迁移学习在攻击性语言检测中的应用。文化特定偏见会削弱模型可迁移性；多元文化数据训练的模型对汉语攻击性语言特征更敏感，少样本非英语检测前景良好。相关方法包括数据增强、半监督标注、跨语言数据选择、XLM-RoBERTa零样本检测及生成对抗网络，并强调整合文化信息以提升包容性与文化敏感性。

本文探讨了减轻大型语言模型毒性的策略，分析了这些策略对模型偏差和质量的影响。研究发现，干预策略可以优化自动指标，但会减少模型覆盖率，同时人类评分员通常不会同意高自动毒性得分。这凸显了评估语言模型毒性的微妙之处。