为了在多语言环境中有效检测网络攻击性言论，本研究使用来自 Twitter 的数据，并通过手动注释创建了三种主要尼日利亚语言（豪萨语、约鲁巴语和伊博语）的侮辱性言论检测的新数据集。我们使用预训练的语言模型评估其在我们的数据集中检测侮辱性言论的有效性，最佳模型的准确率达到 90％。为了进一步支持侮辱性言论检测的研究，我们计划公开数据集和模型。

Jun, 2024

本研究旨在解决 Facebook 评论中的攻击性和辱骂性内容检测问题，针对阿尔及利亚方言阿拉伯语进行探讨，使用 BiLSTM，CNN，FastText，SVM 和 NB 等文本分类器进行多项实验，并建立了一个包含 8.7k 手动标注为正常，虐待和攻击性的文本的新语料库。结果表明，分类器的性能尚可，但需要进一步研究语言特征以提高识别精度。

Mar, 2022

通过跨语境词嵌入和迁移学习，将预测扩展到低资源语言中，为即将面临的恶意内容提供了解决方案。

May, 2021

本篇研究针对社交媒体平台上的辱骂和威胁性言论检测问题，提出了两个任务，并通过 Urdu 语言的二分类数据集进行实验，结果表明基于 m-Bert 的 Transformer 模型的性能最优。

Jul, 2022

社交媒体平台在及时进行内容审查上的困难助长了用户滥用这些平台传播低俗或侮辱性言论，而这种行为如果反复进行就会造成网络霸凌，这是一种在虚拟环境中发生的社会问题，但会导致现实世界中的严重后果，如抑郁、退缩，甚至受害者产生自杀倾向。目前已经开发了一些自动检测和减轻网络霸凌的系统，但不幸的是，其中绝大部分只适用于英文，只有极少数适用于资源匮乏的语言。为了评估当前的研究状况并确定进一步发展的需求，本文详细调研了在资源匮乏语言中进行自动网络霸凌检测的相关研究。我们分析了所有可获得的关于这一主题的研究，并调查了 2017 年至 2023 年 1 月间发表的超过 70 篇关于资源匮乏语言和方言中自动检测网络霸凌或相关语言的研究。本文涵盖了 23 种资源匮乏语言和方言，包括孟加拉语、印地语和德拉维达语等。在调研中，我们找出了以前研究中的一些空白，包括对网络霸凌及其相关子类别的可靠定义的缺乏，数据获取和标注中的偏见。基于对这些研究空白的认识，我们提出了改进网络霸凌检测的一些建议，重点关注资源匮乏语言。基于这些建议，我们收集并发布了一个基于 Chittagonian 方言的网络霸凌数据集，并提出了一些在这个数据集上进行训练的初始机器学习解决方案。此外，还尝试了基于预训练的 BanglaBERT 模型。

Aug, 2023

我们提出了一种针对在线阿尔及利亚信息的检测仇恨言论的完整方法，并在阿尔及利亚方言的语料库上评估了许多深度学习架构，结果表明我们的方法的效果显著。

Sep, 2023

构建英豪沙机器翻译基线模型，通过采用标准单词级和 BPE 子词级标记方法使用循环和变压器编码 - 解码架构评估模型性能，以改善低资源语言的神经机器翻译问题。

Jun, 2020

监测和规范社交媒体平台上用户生成内容的努力虽然仍然在进行，但数字空间中令人不悦的语言（如仇恨言论或网络欺凌）的普遍存在仍然是一个重大挑战。本文全面概述了中文中令人不悦言语的检测，考察了当前的基准和方法，并强调了解决这种复杂语言中令人不悦言语检测的独特挑战的特定模型和工具，旨在探索现有技术并找出能够应对中文的文化和语言复杂性的进一步研究方向。

Mar, 2024

我们通过分析推特数据集，以二分类和四分类注释方式，对尼日利亚政治讨论中的辱骂性言论和仇恨言论进行了检测，并在监督学习和跨语言迁移学习设置下进行了实证评估，结果显示我们可以实现 95.1 和 70.3 的 F1 分数，同时我们还展示了我们的数据集在其他地区的政治讨论中具有很好的泛化能力。

Apr, 2024

本文介绍了我们基于梯度提升机、BERT 和 LASER 嵌入式开发的 HateMonitor 模型，在 Indo-European Languages HASOC（FIRE 2019 的任务之一）中排名第一，用于令人讨厌和令人反感的内容识别。

Sep, 2019