本研究针对当前互联网迷因聚类方法在理解多模态、文化背景及适应性方面的不足进行了探讨。提出了一种新颖的基于模板匹配的多维相似性特征聚类方法，使得不再依赖预定义数据库，支持适应性匹配。研究结果显示，该方法在聚类一致性和连贯性方面优于现有方法，能够更好地反映人类直觉。

该研究探讨了多模态仇恨迷因检测中的挑战，发现仅有具有仇恨性质的文本能够泛化，图像对特定数据集敏感。研究发现文本模态的贡献程度为83%，引入迷因图像标题后减少至52%。评估显示文本混淆因素性能高于图像混淆因素。

通过为阿拉伯语模态研究开发一个包含传播性内容的阿拉伯语 memes 数据集，并进行了综合分析，旨在为其检测开发计算工具。

该研究探讨了多模态仇恨迷因检测中的跨领域泛化挑战。研究发现，仅有具有仇恨性质的迷因文本能够使多模态分类器在不同领域中泛化，而图像对特定训练数据集非常敏感。通过黑盒解释，确定了文本模态的重要贡献程度为83%，引入迷因图像标题后减少至52%。评估显示，文本混淆因素性能高于图像混淆因素，平均ΔF1为0.18。

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。