本文研究了暴力事件对 Twitter 和 Reddit 等社交媒体平台上恶意言论量和类型的影响，结果表明极端暴力事件会导致在线恶意言论的增加，特别是直接鼓吹暴力的言论。该研究对在线恶意言论的监控具有重要意义，并提出了对抗恶意言论的方式。

Apr, 2018

该研究论文探讨在线社交平台上仇恨性言论的检测方法，指出基于关键词方法检测的不足，并提出利用自我定义仇恨社区产生的内容作为训练数据的方法，实现了良好的检测性能。

Sep, 2017

本研究分析了三个流行的在线社交网络上超过 680 万用户发布的超过 3200 万篇帖子，发现仇恨言论传播更多取决于仇恨分子的互动和信息扩散，而不是被单独定位的仇恨内容，这种凝聚力主要通过 “回音室” 互动中用户之间的相互作用进行扩大。

Feb, 2023

本文是一篇关于社交媒体上仇恨言论的系统性量化研究，使用了 Whisper 和 Twitter 两个社交媒体平台，采用一种新的方法来识别和分析仇恨言论的目标，旨在为防范和识别社交媒体上的仇恨言论提供方向。

Mar, 2016

本文以 Reddit 社区为例，测量加入具有仇恨言论的极端社区对该社交媒体平台中仇恨言论传播的影响，研究发现加入这种社区会导致恶意言论在平台上传播，并且这种负面影响会持续数月，为降低仇恨言论传播的风险，有必要对这些 “回音室” 进行管理。

Sep, 2022

本文大规模分析了 19 个月中发布在 412K 个新闻文章上的 1.25 亿条评论，结论是，发布在社交网络上的新闻文章会吸引更多的有害评论，这些评论的语言特点不同于其他评论，而且与一些政治事件有关。

May, 2020

社交媒体上的仇恨言论威胁着个人的心理和身体健康，也导致现实世界中的暴力行为。本文通过一项全面的因果分析研究了用户属性，探究用户为何转发仇恨言论。我们开发了一个新颖的三步因果框架，关注用户的关注者数量、好友数量、帖子数量以及账号年龄等因素，以此来理解用户分享仇恨言论的动因。了解驱使用户分享仇恨言论的因素对于检测潜在威胁行为的个体以及设计有效的缓解策略至关重要。

Oct, 2023

本文提出了一种基于社区特征的推特用户恶意言论检测方法，实验结果显示该方法在检测恶意言论方面的效果显著优于现有的方法。

Feb, 2019

使用 8,258 条推特进行标注，该研究创建了一个广泛的 Amharic 基准数据集，用于三个任务：分类、识别仇恨目标和评估冒犯和仇恨的强度。结果显示，仇恨和冒犯性言论无法用简单的二元分类解决，并且在连续数值范围内变量化。Afro-XLMR-large 模型在这些任务中表现出最好的性能，分别达到了 75.30％，70.59％和 29.42％的 F1 分数。Afro-XLMR-large 模型的 80.22％相关系数显示了强大的一致性。

Apr, 2024

本文通过对 Twitter 上仇恨言论发起人和目标用户进行多步分类研究，发现仇恨发起人的目标是较受欢迎和高知名度的 Twitter 用户，参与仇恨言论会导致更大的在线可见性，并通过个性分析表明，这两个群体具有与一般 Twitter 人口不同的离心性格面貌。

Apr, 2018