构建了一个进行反犹太主义言论自动检测的标注过的数据集，该数据集通过有关关键词，并给予标注人员对一个常用定义的反犹太主义进行刻意强制应用来涵盖广泛的讨论主题，并包括 1250 条符合国际大屠杀纪念联盟关于反犹太主义的定义，并且未被错误标记的推文，该数据集是针对 Twitter 在 2019 年 1 月至 2021 年 12 月期间的英文推文。

Apr, 2023

本文提出了一种检测新兴编码仇恨化术语的方法，该方法在在线反犹太人言论的背景下进行了测试，主要通过对社交媒体平台上的帖子进行抓取并计算其在整个语料库中的频率，以过滤掉语法不连贯的表达和先前遇到过的表达，最后通过对已知的反犹太术语的语义相似性进行评估，并移除与之相距过远的表达，最终返回仅含有编码化仇恨表达的新兴反犹太术语。

Jan, 2024

该研究提出了首个基于多模态检测在线反犹内容的自动化方法，致力于解决在线社交媒体不断泛滥的反犹行为。该方法包括从帖子中提取图像和文本信息，识别反犹言论的类别，以及评估系统的有效性和鲁棒性等方面。

Apr, 2021

使用 BERT-like 模型和 prompt-based 方法（Llama2、GPT-3.5 和 GPT-4）来检测德语 Telegram 消息中的阴谋论，结果表明两种方法都是有效的，最佳模型是 GPT-4，具有自定义的阴谋论定义。

Apr, 2024

本文提出了一个大规模、定量的研究在线反犹太主义的方法，并使用科学方法量化了反犹太梗和 retoric 在网上的扩散和加剧程度。在收集百万级别的信息之后，我们提取了语义嵌入并演示了如何使用自动化技术发现并对反犹太术语进行分类。我们的结果为理解在线反犹太主义提供了数据驱动和定量的框架。

Sep, 2018

通过自动化方法和无监督机器学习，从极端社交媒体中提取反犹太主义的主题和术语，以监测其情绪和演变，预防仇恨升级。

Feb, 2024

在线讨论中经常涉及阴谋论，本研究针对不同主题和在线社区中的阴谋论讨论建立了一个以作者对阴谋信念的观点为基础的分类体系，并通过人工标注的训练数据使用基于 BERT 的模型进行分类，结果显示 GPT 在逻辑推理方面存在显著缺陷，与我们的分类器相比表现相近，研究揭示了大型语言模型在需要细致上下文理解的任务中的潜在应用。

Mar, 2024

本研究提出一种新的方法，建立一个包括参与 2022 年全年阴谋相关活动的推特用户的数据集，该数据集通过独立于具体阴谋理论和信息运作进行数据收集。通过比较分析，结果显示阴谋用户和对照组在个人资料特征上相似，但在行为和活动上有明显的差异，尤其是讨论的主题、使用的专业术语以及对热门话题的立场。最后，我们开发了一个分类器，使用 93 个特征来识别阴谋用户，结果表明该分类器具有高准确性（平均 F1 得分为 0.98%），从而揭示了与阴谋相关账户最具区别性的特征。

Aug, 2023

我们提出了一种新颖的标注方案，将仇恨言论分为五个独立的话语类别。通过构建包含对犹太人进行仇恨表达的超过 2.9M 条推特帖子的语料库，并对其中的 1,050 条推文进行注释，我们对注释的数据集进行了统计分析，并讨论了注释示例，最后提出了未来工作的有前途的方向。

Nov, 2023

使用手动注释的德语数据集，这篇论文研究了 Google 和 Jigsaw 的 Perspective API 在检测反犹太主义在线内容方面的潜力和局限性，并发现它在基本水平上能够识别反犹内容为有毒，但对于隐晦形式的反犹主义和批评立场的文本显示出严重弱点，而且通过简单的文本改动，可以大幅降低 API 分数，从而相对容易绕过基于该服务的内容审查。

Oct, 2023