该研究综述了深度学习在自然语言处理中的应用，重点是攻击性语言检测。通过使用预训练的BERT模型和多任务学习，研究提高了社交媒体文本的分类性能，并取得了优异的F1得分。此外，探讨了数据增强与半监督学习的结合，以应对数据匮乏问题，提升多语言环境下的检测效果。

该文综述社交媒体攻击性语言检测研究，采用机器学习、BERT、多任务学习及众包等方法识别侮辱与仇恨言论，分类准确率最高约91.5%；并提出语言数据扩增以减少标注偏见，提升多语言检测的公平性与准确性。

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。