本研究旨在利用机器学习、深度学习和转换器等自然语言处理技术，分别分析英语、泰米尔语和马拉雅拉姆语中社交媒体帖子或评论包含希望言论的可能性，并发现 XLM-Roberta 技术能够达到最佳的分析效果。

Feb, 2021

本文介绍了一个用于分类 Twitter 推文的希望言论数据集，并提供了基于不同学习方法的多项基准测试以进行评估和分析。研究中发现，使用严格的注释过程并提供详细的注释指南可以提高数据集的质量。同时，使用上下文嵌入模型进行希望言论检测有更高的性能表现。

Oct, 2022

研究旨在寻找计算效率更高、可比较 / 优于现有方法的希望言论检测方法，并公开我们的代码库。

May, 2023

本文介绍了一种机器学习和自然语言处理模型，通过自动识别网页文本中的仇恨言论以及利用迁移学习技术构建了一个识别仇恨言论的表示方法，并开发了一个可视化工具用于多个数据集的简要分析。

Jun, 2019

本文介绍了使用上下文嵌入和预训练 transformer 模型的方法来检测 HopeEDI 数据集中的 Hope speech。实验表明，使用预训练 transformer 模型的方法在英语、泰米尔语和马拉雅拉姆语上均优于使用逻辑回归、随机森林、SVM 和 LSTM 的方法，F1 得分最高值达到了 0.93。

Feb, 2021

该论文通过对使用 youtube 的消息发文的语料 (来自 392460 个用户的英文评论) 的分析，研究了 2019 年 2 月 14 日在克什米尔的普尔瓦马恐怖袭击事件。该文三个主要贡献是：首先，提出了结合语言聚类的文档语言识别技术，具有极少的人工注释要求，表明该方法在各种低资源语言数据集中均具有可行性和效用。第二，对亲和和亲战意图的时间趋势进行了分析。最后，在两个国家军事紧张局势加剧的背景下，提出了自动识别可以缓解不友好氛围的用户生成的网络内容的重要性。

Sep, 2019

该研究旨在使用多语言数据集进行多语言仇恨言论检测和分类，并通过评估方法和语言无关的嵌入技术提高分类性能。

Jan, 2022

本文通过使用字符 n-gram、单词 n-gram 和单词 skip-gram 的方法，利用最近发布的 annotated dataset 建立基于词汇的垃圾言论检测任务，并成功实现了 78% 的准确率。研究结果表明，区分垃圾言论和粗俗言论之间的主要难题在于歧视。最后，文章提出了未来的研究方向。

Dec, 2017

该研究在对七种针对仇恨言论检测的最先进模型进行分析后，得出了基于数据类型和标注标准重要性大于模型架构的结论，并证明了字符级特征可以有效抵御自动插入错别字等对抗攻击。

Aug, 2018

为了更好地检测和过滤仇恨言论，需要开发出可以检测仇恨言论并帮助用户理解何时越过界限的机器学习模型。该研究使用深度神经网络和蒙特卡洛 dropout 正则化方法来进行预测和评估，以可靠地检测仇恨言论并提高分类可靠性和准确性。

Sep, 2019