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

本文首次报道了人权活动家和机器学习家之间的合作，利用众包研究了 Twitter 上针对女性的在线虐待。通过分析来承认滥用感知的变异性，为其释放给社区研究工作做好准备。在社会影响方面，这项研究为旨在提高公众和决策者意识以及提高社交媒体公司期望标准的媒体活动提供了技术支持。

Jan, 2019

本文提出了一种针对阿拉伯社交媒体（例如 Youtube）中针对女性的仇恨言论的检测方法，并使用不同的机器学习算法对新的阿拉伯语仇恨言论语料库进行了验证和比较，结果表明卷积神经网络模型具有最佳性能。

Apr, 2021

基于自然语言处理和人工智能的反性别歧视警报系统可分析任何公共帖子，判断是否为性别歧视评论，提供类似于交通灯的颜色系统来判断整体帖子中是否存在性别歧视，该系统在西班牙语标记数据集上训练，并取得了很好的性能表现。

Nov, 2023

该研究探讨了先进的自然语言处理（NLP）和人工智能（AI）技术在分析和解释波斯文学方面的应用，重点关注福鲁赫・法洛克扎德的诗歌。利用计算方法，旨在揭示波斯诗歌中的主题、风格和语言模式。本研究采用了包括基于变压器的语言模型在内的 AI 模型，以无监督框架对诗歌进行聚类。这种方法不仅为波斯数字人文领域做出了贡献，而且为未来使用计算技术进行波斯文学研究设立了先例。

May, 2024

本研究使用新的 3545 英汉混合推文数据集，研究了社交媒体用户对 2016 年印度废钞事件的观点，并提出了一个基于各种机器学习技术的监督分类系统，以实现在 10 倍交叉验证下 58.7% 的准确性。

May, 2018

本研究提出了机器学习模型来检测社交媒体上的仇恨言论，其中包括基于句子嵌入、TF-IDF 向量和 BOW 向量的特征提取方法，研究团队在 2018 年的 EVALITA 的 AMI 共享任务中取得优异成绩，并公开了他们的获奖模型。

Dec, 2018

使用人工智能技术识别厌女症是一种打击网络对女性的有害言论的方式。本文中，我们提出了一种多任务学习方法，利用主体性解释厌女症的主题来提高识别系统性别歧视内容的性能。通过结合不同注释者的多样性观点，考虑六个配置文件组的性别和年龄，在模型设计方面进行了广泛实验和错误分析，并使用两种语言模型验证了我们提出的四种替代的多任务学习技术设计来识别英文推文中存在的厌女症内容。结果表明，结合多样化的观点增强了语言模型解释不同形式厌女症的能力。此研究推进了内容辅助管理，并强调了拥抱多元观点来构建有效的在线管理系统的重要性。

Jun, 2024

本研究通过对近 530,000 条使用波斯语发布的推文进行内容分类和频率统计，分析伊朗公众对 COVID-19 的反应和演变趋势。其中，居家隔离生活经验是讨论的主要话题之一。此方法还可用于检测伊朗公众对国内外相关政策和事件的反应。

May, 2020

通过分析 YouTube 上的 Hinglish 评论数据集，实施预处理和探索性数据分析技术，从情感评分和词云等角度对该数据集的特性进行了深入了解。

Mar, 2024