本文提出了一种新颖的务实元认知提示（PMP）方法，旨在提升澳大利亚和印度英语中的讽刺检测能力。研究表明，PMP在多个任务和数据集上表现优于其他策略，具有重要的应用潜力。

本研究提出了Commander-GPT框架，通过多模态信息将传统单模态讽刺检测任务拆分为六个子任务，F1分数提高了19.3%，显著增强了讽刺内容的识别能力。

该研究探讨了社交媒体立场检测的准确性问题，提出通过讽刺检测进行迁移学习的方法。利用BERT和RoBERTa模型结合卷积BiLSTM，显著提高了立场检测的表现，尤其在处理讽刺文本时，F1-score有明显改善，显示出该方法的潜在价值。

本研究比较了大型语言模型（LLMs）与人类注释者在潜在内容分析中的表现。结果表明，LLMs在情感分析和政治倾向评估中表现可靠，尤其是GPT-4，但在情绪强度和讽刺检测方面仍需依赖人类专业知识。

本研究提出了一种新的多模态讽刺检测方法RCLMuFN，解决了文本与图像关系学习不足的问题，显著提高了检测准确性，实验结果表明其性能达到了最新水平。

本研究提出了一种基于常识增强的讽刺检测框架EICR，解决了现有方法在复杂场景中缺乏常识推理的问题。通过构建依赖图和对抗性对比学习，显著提升了情感不一致性检测的效果。

本研究探讨了印地语-英语代码混合中的幽默和讽刺检测。通过引入原生样本混合和多任务学习，显著提高了检测精度，尤其是在多任务学习框架下，为代码混合语言处理提供了新视角和应用潜力。

本研究提出了一种结合音频、图像和视频的多模态讽刺检测方法，克服了仅依赖文本的信息不足，推动了该领域的发展。

本研究通过机器翻译和大型语言模型解决低资源语言讽刺检测中的数据不足问题。结果表明，较大模型表现更佳，最佳方法的F1分数达到0.765，接近原语言评分者的一致性。

该研究探讨了社交媒体中讽刺检测的最新进展，使用长短时记忆神经网络（LSTM）和生成预训练转换器（GPT）模型进行分析。研究发现，GPT-3模型在准确性和F1-score方面表现优越，但模型性能因版本而异，强调了重新评估的必要性。此外，提出了多模态讽刺识别框架，展示了其在识别讽刺方面的有效性。

本文提出了一种基于层次结构的讽刺检测方法，结合多头交叉注意力机制和图神经网络，利用外部知识资源，效果优于现有技术。研究表明，多模态信息在社交媒体上有效降低讽刺检测的误差率，并开发了新的数据集和模型，提升了检测的准确性和鲁棒性。

本研究提出了一种基于CLIP引导的对比学习架构，旨在实现多模态特征对齐，显著提升多模态讽刺检测和情感分析的性能。该模型简单易用，适合迁移到其他多模态任务。

本文提出了一种基于CLIP的对比学习架构，显著提升了多模态讽刺检测和情感分析的性能。介绍了Multi-MaP方法，通过CLIP编码器提取文本和图像嵌入，优化文本代理。TRML框架通过生成虚拟模态对齐语义，提升情感分析效果。AlignCLIP和Gentle-CLIP方法改善了模态间对齐和稳定性，FuseMix在多模态对齐中表现出色。

本文探讨了多种讽刺检测方法，包括基于层次结构的模型和多模态框架，利用外部知识资源提升检测性能。研究表明，结合上下文和认知特征可显著提高识别准确性。

本文介绍了MMSD2.0数据集在多模态讽刺检测中的应用，提出了多视角的multi-view CLIP框架，显著提升了检测系统的性能。同时，研究探讨了Hate-CLIPper架构、MobileCLIP模型及eCLIP的改进，展示了其在多模态任务中的有效性和迁移能力。

本文提出了一种基于层次结构的多模态讽刺检测方法，结合多头交叉注意力机制和图神经网络，以提升文本与图像的一致性。研究还引入了新的讽刺解释任务和数据集，实验证明该方法在讽刺检测中优于现有技术，显著提高了模型的鲁棒性和准确性。

本文探讨了大语言模型在情绪智能和情感识别中的应用，特别是在多语言和跨文化的讽刺检测、人格特征识别及幽默检测等任务中的表现。研究表明，通过改进预训练模型和结合心理语言学特征，情感分析和讽刺检测的性能显著提高。

本文介绍了针对印地语、孟加拉语和马拉雅拉姆语与英语混合文本的情感分析研究，提出了新的语料库和模型，旨在提高情感分析的准确性和效率。研究涵盖混合语句生成算法、情感分类和讽刺检测等方面，展示了先进技术和评估结果。

本文研究了文本挖掘中的讽刺检测，介绍了iSarcasm数据集，并指出现有方法的局限性，提出未来需要发展更优秀的检测方法。