Sep, 2019

希望言论检测：和平之声的计算分析

PDF
TL;DR该论文通过对使用 youtube 的消息发文的语料 (来自 392460 个用户的英文评论) 的分析，研究了 2019 年 2 月 14 日在克什米尔的普尔瓦马恐怖袭击事件。该文三个主要贡献是：首先，提出了结合语言聚类的文档语言识别技术，具有极少的人工注释要求，表明该方法在各种低资源语言数据集中均具有可行性和效用。第二，对亲和和亲战意图的时间趋势进行了分析。最后，在两个国家军事紧张局势加剧的背景下，提出了自动识别可以缓解不友好氛围的用户生成的网络内容的重要性。
pulwama terror attackindiapakistansocial mediahope-speech detection
发现论文，激发创造
  • 在社交媒体平台上的希望言论检测

    本研究旨在通过机器学习方法对希望言论、不希望言论和中立言论分类，并在经过重新标记数据集后，通过传统机器模型与预训练模型的实验比较获得更高的准确率。

    Nov, 2022

  • 使用跨语言表示学习器进行多语言混合编码希望言论检测

    本研究旨在利用机器学习、深度学习和转换器等自然语言处理技术，分别分析英语、泰米尔语和马拉雅拉姆语中社交媒体帖子或评论包含希望言论的可能性，并发现 XLM-Roberta 技术能够达到最佳的分析效果。

    Feb, 2021

  • 超越负面性：关于希望言论检测的重新分析和后续实验

    研究旨在寻找计算效率更高、可比较 / 优于现有方法的希望言论检测方法，并公开我们的代码库。

    May, 2023

  • 印度和巴基斯坦社交媒体极化的计算机分析

    在首次分析印度和巴基斯坦之间由 Twitter 上的偏极信息引起的紧张关系的工作中，揭示了印度统治党派（BJP）的政治家们更多地使用极化的标签和呼吁升级冲突。

    May, 2020

  • PEACE：基于因果推理的跨平台仇恨言论检测框架

    本文提出了一种基于原因的 hate speech detection 框架 PEACE，能够从文本中识别整体情感和攻击等固有因果线索，从而帮助实现不同平台上的泛化。

    Jun, 2023

  • 使用印度化简和 Transformer 进行希望言论检测

    本文介绍了使用上下文嵌入和预训练 transformer 模型的方法来检测 HopeEDI 数据集中的 Hope speech。实验表明，使用预训练 transformer 模型的方法在英语、泰米尔语和马拉雅拉姆语上均优于使用逻辑回归、随机森林、SVM 和 LSTM 的方法，F1 得分最高值达到了 0.93。

    Feb, 2021

  • DeepHateExplainer: 可解释的低资源孟加拉语仇恨言论检测

    该论文提出了一种名为 DeepHateExplainer 的方法，利用神经集成（即单语言孟加拉 BERT-base、多语言 BERT-cased/uncased 和 XLM-RoBERTa）从计算资源匮乏的孟加拉语中分类政治、个人、地缘政治和宗教仇恨，通过敏感度分析和层内关联传播技术（LRP）鉴别出最重要和最不重要的术语，评估得分表明，该方法对底层的机器学习和神经网络模型均有较好的表现

    Dec, 2020

  • 社交媒体上的仇恨言论反制：仇恨言论和反言论的大规模分类

    通过使用自我标记的群体进行有组织在线仇恨言论和反言论，研究使用集成学习算法识别有组织在线仇恨言论和反言论，发现自动化方法在评估社交媒体上协调反言论对稳定对话的影响的潜力。

    Jun, 2020

  • PolyHope: 基于推特的两级希望言论检测

    本文介绍了一个用于分类 Twitter 推文的希望言论数据集，并提供了基于不同学习方法的多项基准测试以进行评估和分析。研究中发现，使用严格的注释过程并提供详细的注释指南可以提高数据集的质量。同时，使用上下文嵌入模型进行希望言论检测有更高的性能表现。

    Oct, 2022

  • 使用神经网络探索印度语、孟加拉语仇恨言论检测和迁移学习的实验

    本文探讨了训练神经网络进行印地语和孟加拉语仇恨言论识别的方法，以及如何应用迁移学习来学习这些类似的语言。该实验的结果与其他更昂贵的模型相比具有可比性。此外，由于使用的训练数据相对较少，且这两种语言对我们来说几乎是完全未知的，因此该研究可推广为一个解密人类无法理解的失落或陌生语言的努力。

    Jan, 2022