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。

该研究使用两个数据集针对恶意评论和冒犯性言论进行实验，结果显示XLM-RoBERTa在这些数据集上的F1分数分别为76.9%和89.9%。

社交媒体中冒犯性语言的增长和演变加大了检测的复杂性。该调查研究了社交媒体中的冒犯性语言检测在跨语言场景中的技术探索。研究分析了67篇相关论文，并对研究进行了分类。研究总结了三种主要的跨语言转移方法，并讨论了当前挑战和未来研究机会。调查资源包括两个表格，提供了多语言数据集和转移方法的参考。

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。