本文利用计算社会语言学方法，首次对美国推特上的炫耀行为进行了大规模研究，包括炫耀的普遍性、时间动态和人口统计因素的影响。研究发现，相同用户群体中的炫耀行为随时间减少。此外，在美国，年轻、受教育程度较高和受欢迎的用户更容易炫耀。最后，我们还进行了广泛的语言学分析，揭示了不同用户特征下的具体炫耀主题。

Mar, 2024

本文针对社交媒体文本中的投诉行为进行了系统的语言学分析，基于 9 个领域的数据，使用多种基于特征和神经网络的机器学习模型，最终取得了最高 79F1 的预测性能，其结果可供相关机构或企业作为提升客户体验的依据。

Jun, 2019

本研究在推特平台上探索了言语行为的多分类识别，通过建立包含六种言语行为的分类体系并提出一套语义和句法特征，训练并测试出使用逻辑回归分类器的最新性能，达到了大于 0.7 的平均 F1 分数，在不同粒度的分类器中实现泛化和过拟合之间的平衡。

May, 2016

本篇论文是第一次在计算语言学领域研究投诉的严重程度等级，在公开数据集中加入四个严重程度等级并采用不同的基于 transformer 的网络结构和语言信息来训练模型，在二进制投诉检测和投诉严重程度等级多任务设置的联合模型中达到了最新的最优结果，最后提供了模型预测投诉严重等级的定性分析。

Mar, 2021

本研究提出了一种利用用户评论建模和自监督学习的方法，用于在社交媒体上进行图像文字关系分类、讽刺检测、情感分类和仇恨言论检测等多模态分类任务，结果表明该方法进一步提高了先前最先进模型的性能。

Mar, 2023

本研究旨在探索使用最新预训练的神经语言模型与语言信息的组合来自动识别社交媒体投诉。我们评估了一系列以 transformer 网络为基础的神经网络模型，结果表明我们的模型在公开数据集上表现出色，F1 宏平均值高达 87。

Oct, 2020

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

本篇研究介绍了使用阿拉伯语推特数据集提交阿拉伯语言仇恨言论 2022 共享任务的解决方案。为了解决细粒度仇恨言论检测中过度拟合的问题，研究人员探究了多种训练模式，如对比学习和多任务学习，最终使用分类微调和五种模型的集成，取得了良好的性能。 在子任务 A，B 和 C 中分别实现了 0.841，0.817 和 0.476 的宏 F1 平均分数。

Jul, 2022

通过对 Tumblr 微博网站上使用自由文本的语义、情感和语言特征进行鉴别，构建了一个级联集成学习分类器，该分类器可以识别具有种族主义或激进化倾向的帖子，结果表明情感语调、社交倾向、语言线索和人格特征是识别帖子背后种族主义意图的独特特征。

Jan, 2017

本研究旨在使用多种算法测试识别冒犯帖子的能力，并评估其对多种评估方法的性能，以减少这些语言对人工审核者的伤害。通过实验，本项目能够激发对识别方法和内容的未来研究。

Dec, 2023