早期检测社交垃圾机器人对于防范传播虚假信息和操控公众意见至关重要。本研究首次使用用户描述字段和图像，采用预训练的视觉模型以及 TwHIN-BERT 来获取文本和图像的表征，并提出了三种不同的融合方法进行多模态融合，并在 Cresci '17 数据集上进行了广泛实验，证明了我们方法在准确率上具有显著优势，达到了 99.98%。

Aug, 2023

该论文旨在通过结合自注意力和双向 LSTM 方法，提出了一个混合模型来解决年龄和性别分类问题，并与现有的先进模型进行对比，结果显示该模型在年龄和性别分类方面分别比先前的模型提高了约 10% 和 6%，表现更好，具有更广泛的学习能力，可应用于各种图像处理和计算机视觉问题中。

Mar, 2024

本文通过深度学习技术在 NLP 领域中实现对个体写作文本进行性别和年龄预测，主要采用了基于 BERT 的监督分类方法，并基于一个包含 681284 行数据的数据集进行研究和比较，结果表明，该方法能够更有效、精确地对文本数据进行分类，达到了 84.2% 的年龄组预测的拟合精度和 86.32% 的性别预测拟合精度，是一项具有广泛适用性的研究。

May, 2023

本研究使用 BERT 对推特账户进行性别极性检测，并着重分析了表情符号和符号在模型分类任务中的影响。我们成功证明，在推特这种简短文本格式中使用非词语输入，以及提及其他账户，会对检测账户持有人的性别产生影响。

Jun, 2024

使用社交媒体和预训练语言模型，探索如何利用用户生成的数据来预测心理障碍症状，并发现社交媒体数据是精神健康筛查的良好来源，预训练模型可以有效地自动化这一重要任务。

Jun, 2023

本文旨在探究在新型预训练变压器模型下是否也存在特定群体的社会人口因素能够大幅提高自然语言处理任务性能的情形，研究使用领域特定知识等有效的特化方法对性别和年龄这两个社会人口维度进行了适应，通过语言建模和动态多任务学习的组合，将语言表示出社会人口类别的预测，并在英语、德语、法语和丹麦语等四种语言中得到明显的提升，但是，实验结果表明，需要解决领域和语言等诸多影响因素所带来的困扰，才能权衡全面考虑社会人口因素对 NLP 模型的影响。

Aug, 2022

通过对与饮食失调相关的推文进行分类，本研究使用传统机器学习和深度学习模型，发现基于 Transformer 的双向编码器表现最佳，能高效地识别与饮食失调相关的推文，并获得最高 71.1%-86.4% 的 F1 分数。

Feb, 2024

本篇论文从语言学角度全面调查了 Transformer 模型中的性别偏见，批判性地审查了现有文献关于 Transformer 中性别偏见的方法和度量标准，并提出了当前方法的局限性，强调了在开发和部署语言技术时，促进公平的重要性。

Jun, 2023

本文采用基于转换器模型和双向 LSTM 网络的方法，结合心理语言学特征进行基于文本的情感检测，在两个基准数据集中表现出可比性，在六个统一情感数据集的迁移学习实验中表现出强大的跨领域泛化功能。

Dec, 2022

本研究旨在探究阿拉伯语 Twitter 上男女用户在参与度、兴趣点、职业领域等方面的差异，并通过用户名、头像、推文及好友网络等方式进行性别推断，达到了 82.1% 的 F1 分数，同时也开发了一个可公开使用的演示版。

Mar, 2022