本文综述了当前基于自然语言处理（NLP）的滥用检测方法，包括数据集、计算方法、优缺点、挑战和解决方案，并提出伦理和可解释性指南。

Aug, 2019

该论文提出了一种基于“Gab”数据集的在线滥用行为检测和评估方法，该方法可以确定滥用性内容的存在性，严重性和目标，并可达到80％的存在性检测准确率，82％的目标检测准确率以及65％的滥用严重性预测准确率

Sep, 2020

本文主要基于八项伦理原则，即：隐私、问责、安全、可透明、公平和非歧视、技术的人类控制、专业责任、人权的促进，回顾了基于自然语言处理（NLP）的网络滥用内容检测的研究，并提出了权利尊重的社会技术解决方案来检测和对抗线上滥用。

Dec, 2020

本文提出了自动制裁提取（APE）的任务，旨在从希伯来语刑事法庭案件中提取制裁决定。我们通过制定规则和监督模型来完成这个任务，并发现在 APE 任务上，规则型方法优于监督模型。我们分析了模型常见的错误，并针对将来的工作提出了建议，如区分缓刑和实际监禁惩罚。

Oct, 2021

通过心理学理论标记儿童色情犯罪者的对话行为，使用自动化与基于自然语言推理的模型代替领域专家来识别谈话行为

Sep, 2022

通过整合主成分分析和K均值聚类，本文初步发现了在目前风险建模框架中对特定特征进行辨识以及这些特征对其潜在影响的研究成果，并评估了按簇训练预测模型的性能。研究结果表明可能需要为特定年龄段的儿童开发单独的模型，以提高模型准确性。然而，还需要更多证据来得出明确的结论，需要进行进一步的调查。

Aug, 2023

执法调查、暴力极端主义、自动化工具、反恐是本篇论文的主要关键词和研究领域。本研究针对暴力极端行为的调查模式检测挑战，开发了一种反恐调查模式检测框架（INSPECT），该框架整合了多种计算工具，包括机器学习技术用于识别行为指标，图模式匹配技术用于检测风险配置/群体。INSPECT还自动化了大规模挖掘详细法医传记、形成知识网络，并通过查询行为指标和激进化轨迹来警示新兴威胁。INSPECT目标是人为调查搜索模式，并已在国内圣战主义的不断演化数据集上进行验证和评估。

Oct, 2023

该研究使用长短期记忆（LSTM）技术对巴西警方报告中的女性亲杀案前的行为模式进行分析，并通过文本描述预测风险水平。第一目标是将报告内容分类为较低或较高的受害者被谋杀风险，实现了66%的准确率。第二个方法是根据事件序列预测受害者可能经历的下一步行动，为了理解和评估家庭暴力的风险，为当局提供有价值的洞察力以保护妇女并防止情况升级。

Jan, 2024

21世纪的犯罪分为虚拟与真实世界，其中虚拟世界对人们的福祉和安全构成了全球性的威胁。我们必须通过统一的全球合作来应对挑战，并且在对抗不断增长的在线犯罪性质时，更加依赖自动化且可靠的工具。本研究展示了自我监督深度学习模型在预先训练了具有场景中心数据后，在室内场景分类任务上可以达到71.6%的平衡准确率，平均比全监督版本表现更好2.2个百分点。我们与巴西联邦警察专家合作，在实际儿童虐待材料上评估了我们的室内分类模型，结果显示在广泛使用的场景数据集和敏感材料中所观察到的特征存在明显差异。

Mar, 2024

自动检测系统在防止儿童性虐待资料分发方面起了关键作用。本研究提出了用于分类含有性暴力内容的方法，为自动化的CSAM检测系统提供了关键性的支持。

Jun, 2024