本文介绍了针对尼日利亚四种主要语言的情感数据集及其标注方法，评估了预训练模型和迁移策略，以改善低资源语言的情感分析。研究表明，简单模型在低资源环境下表现最佳，并提出了有效的恶意言论检测框架，以促进在线环境的安全与包容。

本研究提出了一种动态数据集生成和训练模型的方法，生成约40,000项新数据，显著提升了模型的鲁棒性和性能。通过构建多语言的GOTHate数据集，开发了HEN-mBERT模型，增强了恶意言论检测效果。同时，研究探讨了在有限数据情况下的仇恨言论检测，提出合成数据生成方法，显示出良好的模型性能。

本研究探讨大型语言模型在恶意言论检测中的能力与局限，提出新框架HARE，通过推理能力和提示策略提升检测性能。研究表明，包含目标信息和解释能显著提高模型效果，同时指出模型在分类和解释上的薄弱点，需开发安全技术以增强其鲁棒性。

该研究旨在通过对孟加拉语、阿萨姆语和古吉拉特语中的恶意言论进行检测，来促进包容性的在线空间。研究使用预训练的BERT和SBERT模型进行微调，并发现单语句BERT模型在孟加拉语方面表现最佳，但阿萨姆语和古吉拉特语的性能仍有改进的机会。