本文研究了多模态出版物中仇恨言论的检测问题，并提出了联合文本和视觉信息的模型。结果显示，多模态模型无法超越仅分析文本的模型。建议进一步研究该领域和数据集。

本文研究了多模态出版物中仇恨言论的检测问题，提出了不同的联合文本和视觉信息的模型，并从 Twitter 收集和注释了大规模数据集 MMHS150K。研究发现，尽管图像对于仇恨言论检测任务很有用，但目前的多模态模型无法超越仅分析文本的模型。作者讨论了原因并开放该领域和数据集以进行进一步研究。