介绍了UM-IU@LING在SemEval 2019 Task 6中采用混合方法识别和分类社交媒体中的仇恨言论的系统，在子任务A中，使用经过微调的基于BERT的分类器在推文中检测恶意内容，在测试集上获得了0.8136的宏F1分数，位于103个提交中的第三名，在任务B和C中，使用选定字符n-gram特征的线性支持向量机，在子任务C中，系统可以识别出滥用的目标，最终在65个提交中排名第27位。

Apr, 2019

本篇论文介绍了我们在 SemEval-2020 挑战赛“新闻文章中宣传技巧检测”的参赛结果，我们使用 bi-LSTM 体系结构进行子任务 Span Identification（SI）和使用复杂的 ensemble model 进行子任务 Technique Classification（TC），并使用BERT嵌入，附加词汇特征和标签后处理等，最后在两个子任务中均取得了不错的成绩。

Aug, 2020

该研究探讨了基于BERT的模型在SemEval-2021毒性跨度检测任务中的性能，研究了多种模型，包括Token分类或跨度预测，最佳模型达到F1得分0.6753，在基线模型上提高了3%。

Feb, 2021

研究使用多深度DistilBERT模型来检测文本中的有毒片段，定量结果表明使用多个深度的嵌入可提高模型性能，并定性分析了最佳模型。

Apr, 2021

该研究描述了 Toxic Spans Detection 问题的解决方法，其中使用 BERToxic 系统，通过微调预训练的 BERT 模型来定位给定文本中的有害文本段，并利用附加后处理步骤来优化其性能。

Apr, 2021

该研究通过命名实体识别和问答结合分析SemEval-2021的毒性评论任务，提高了评论毒性区分的准确性。

Apr, 2021

本文提出一种基于自注意力的双向门控循环单元（BiGRU），采用多嵌入表示的令牌结合 GPT-2，GloVe 和 RoBERTa 嵌入，有效地检测范围令牌。

Apr, 2021

该论文描述了 Cisco 团队提出的用于发现英文文本中的有毒段落的系统，该系统主要采用了序列标注和依赖解析方法，并提供了其结果和模型表现的详细分析。

May, 2021

本文介绍了使用BART EncoderDecoder模型将文本输入转换为标记化片段的版本，并将此标记转换为片段开头和结尾的识别以及它们的类别的新颖解决方案，以及对于此方法的相对成功和局限性解释和讨论，报告了参加SemEval-2021任务6：检测文本和图像中的说服技巧的情况。

Jun, 2021

该研究论文涵盖了作者对SemEval 2024任务8的提交详细内容，即多生成器、多领域和多语言黑盒机器生成文本检测子任务A和B。该论文阐述了进行同样任务所使用的技术和所得结果。

Feb, 2024