本文提出了一种新的多模态框架，用于检测恶意言论，特别是通过Memes表达的内容。该框架在2020年恶意Memes挑战中表现优异，并通过语义和多模态上下文提升了模型性能。同时，开发了DisMultiHate框架，增强了对多模态内容的分类和解释能力。此外，研究探讨了社交媒体谣言的检测方法，并提出了新的数据集和模型，以提高自动审查效率。

本文探讨了性别暴力与社交媒体的关系，提出了针对印地语、泰米尔语和印度英语的性别虐待数据集。研究表明，IndicBERT在马拉雅拉姆语和泰米尔语中的表现优异，旨在通过打击恶意言论促进在线空间的包容性。

该研究提出了ViHOS数据集，包含11k条评论和26k个含有仇恨和攻击性言论的人工标注数据。实验发现XLM-R$_{Large}$在单个范围检测和所有范围检测方面取得最佳F1分数，PhoBERT$_{Large}$在多个范围检测方面获得最高分数。该研究旨在解决社交网络平台上的恶意和攻击性言论问题。