本研究解决了网络犯罪投诉的多语言和代码混合特性所带来的分类挑战，提出了一种基于Hinglish变压器的自动化投诉分类框架。通过使用真实世界的数据集及数据增强方法，研究显示该框架在准确性和F1分数方面取得了显著提高，为网络犯罪投诉管理提供了可扩展且符合隐私标准的解决方案。

该文综述多语言仇恨言论检测研究：低资源语言采用LASER嵌入加逻辑回归效果最佳，高资源语言用BERT更好；自然语言推理和元学习可缓解标注不足；生成式AI合成数据微调能提升泛化与召回；大模型配合提示策略可有效检测，加入目标群体与解释信息可显著提升性能。

本文综述印地语-英语混合文本情感分析研究，涵盖亚词级LSTM架构（提升含拼写错误文本准确率4-5%）、迁移学习检测攻击语言、大语言模型的英语中心倾向、SemEval-2020任务9发布的Hinglish和Spanglish语料（最佳F1分别为75.0%和80.6%），以及字符三元组集成模型、表情符号跨语言方法和语码切换点算法等。

该研究提出了多种模型来解决单语英文到Hinglish的翻译问题，其中使用mT5和mBART Transformer-based编码器-解码器模型表现良好。同时，提出了一种生成混合编码文本的无依存方法，并采用课程学习方法来提高语言模型性能。在英语-Hinglish官方共享任务中，该模型效果最佳。