本文通过文本语言学和心理语言学分析探讨网络仇恨言论的不同形式，发现两种仇恨言论的语言特征不同，以期深化了解并帮助检测网络仇恨言论。

Apr, 2018

本文介绍了一种基于理论的隐含仇恨言论分类系统和一个包含细粒度标签的基准语料库来填补现有研究关注的漏洞。研究通过对数据集的系统分析来探讨隐含仇恨言论识别和解释的挑战，并阐述了关键特征。这个数据集将继续作为一个有用的基准，用于理解这个多方面的问题。

Sep, 2021

本文回顾相关研究，旨在探究针对在线仇恨言论的因果效应估计。作者提出了建立在线仇恨言论的因果术语下探讨该主题的必要性，并对研究方向、研究成果和未来研究问题进行了概述。

Sep, 2021

我们采用包括巴西、德国、印度和肯尼亚在内的跨国社区制定标准，构建了一个包含20,297个社交媒体段落的数据集，用于进行多语种仇恨言论和基于社区参与的数据集构建和注释。我们建立了新的任务和相应的基线，并提供证据表明，由于不同国家之间的文化差异，跨国训练通常是不可行的，并对BERT模型的预测进行了可解释性分析。

Mar, 2022

本文通过分析 Facebook 上代表性的 far-right Hindutva pages 数据集来解决 Social Media Platforms 上 toxic speech 和 hateful content 的问题，使用 state-of-the-art 的 XLM-T multilingual transformer-based language models 对文本内容进行情感和 hate speech 分析，并讨论预训练语言模型的性能和局限性。

Jan, 2023

本篇文章通过大规模的实验研究社交媒体上400K的惊恐言论和700K的仇恨言论的普及程度，发现发布惊恐言论的用户比发布仇恨言论的用户更受欢迎，并且可以更有效地扩散信息，从而提出了应采取更复杂的审查政策和大众宣传以消除这种趋势。

Mar, 2023

本文介绍了一个新数据集IEHate，该数据集包含11,457个手动注释的印地语推文，主要研究议会选举中的仇恨言论检测问题，并使用多种机器学习、深度学习和变形器算法来检测和分析数据集，结果表明在低资源语言中进行恶意言论检测任重道远，需要更先进的技术，并强调了在恶意言论检测中同时应该使用人工和自动化方法。

Jun, 2023

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

机器学习（ML）基于内容审查工具对保持在线空间的免受仇恨性沟通至关重要。然而，ML工具的能力仅取决于其所训练的数据的质量。虽然越来越多的证据表明它们在检测针对特定身份的仇恨性沟通方面表现不佳，并可能对其进行歧视，但我们对此类偏见的来源了解甚少。为了填补这一空白，我们对过去十年中引入的用于自动检测仇恨性沟通的数据集进行了系统回顾，并就数据集中所包含的个体身份质量进行了分析，这些身份是数据策划者关注的仇恨性沟通目标以及不经意间被包含在数据集中的身份。总体而言，我们发现了对选择的目标身份存在偏向的代表性和研究概念化和最终包含在数据集中的目标之间的不匹配。然而，通过将这些发现与数据集的语言和来源地背景进行联系，我们强调了这一研究领域向广泛化和多样化的积极趋势。

May, 2024

本文首次系统研究个别单词作为触发点的大规模影响，并通过分析大量社交媒体帖子，揭示这些触发词对用户参与度和在线讨论中的敌对情绪产生明显后果，为计算领域的在线交流研究引入了触发点的概念。

May, 2024