通过广泛的平行标注来考虑不同社会和文化群体的道德价值观，在跨文化数据集中揭示了标注者感知的区域差异，为构建包容性、具有文化敏感性的自然语言处理模型提供了关键见解。

Apr, 2024

研究探讨了语言技术中文化多样性的重要性，特别是对于涉及文化细微差别的主观任务（如冒犯性语言检测）而言，需要转向考虑文化特征对跨文化迁移学习的影响以提高任务的成功率。研究结果表明，文化价值调查在冒犯性语言检测任务的跨文化迁移学习中具有预测能力，并且可以通过冒犯性词语距离进一步提高成功率。因此，研究提倡在数据集中整合文化信息，并建议利用富含文化信息的数据源增强文化适应性。本研究对于更具包容性和文化敏感的语言技术迈出了一步。

Oct, 2023

本研究旨在研究利用来自不同文化背景（尤其是韩国和英国）的数据进行传递学习对汉语攻击性语言检测的影响，并发现考虑文化特定的偏见会对语言模型的可传递性产生负面影响，而在多元文化的数据上训练的语言模型对汉语攻击性语言检测的不同特征敏感。研究表明，在有限的资源下，少样本学习情况下进行非英语攻击性语言检测有着良好的前景，并突显了跨文化传递学习在改善攻击性语言检测和促进包容性数字空间方面的重要性。

Mar, 2023

该研究旨在创建第一个具有细粒度标签的 Reddit 评论英语数据集，该数据集使用了最佳 - 最差比较评分的方式进行注释，为社交媒体平台上自动检测冒犯性言论提供了可靠方法。

Jun, 2021

该论文从自动化方法和人工评估者两个重要角度研究社交网络内容管理，通过使用九个机器认证器在 92 百万条讨论美国政治议题的 YouTube 评论语料库上进行无声审核，介绍了一份独特的代理违法数据集，研究表明，社交媒体内容的管理具有高度主观性，并引发了关于内容管理实践的重要问题。

Jan, 2023

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

通过语言数据扩增方法，减少标注过程中的偏见，借助机器的力量提高标注过程的准确性和公平性，以改善跨多种语言的冒犯性语言分类任务，并减少社交媒体上冒犯性内容的传播。

Dec, 2023

本研究旨在使用多种算法测试识别冒犯帖子的能力，并评估其对多种评估方法的性能，以减少这些语言对人工审核者的伤害。通过实验，本项目能够激发对识别方法和内容的未来研究。

Dec, 2023

自然语言处理研究已经开始采纳主观性标注者的观点，因为标注的差异性。这种方法将每个标注者的观点视为有效的，适用于涉及主观性的任务，例如情感分析。然而，这种构建对于憎恨言论检测等任务可能不适当，因为它将性别主义或种族主义等问题上的各个立场视为同等有效。我们认为混淆仇恨和冒犯可能会使关于憎恨言论的发现无效，并呼吁未来的工作要固定在理论上，从离散思考憎恨和冒犯的概念。

Mar, 2024

通过比较自述抑郁症与未自述抑郁症群体在社交媒体上发表的帖子中使用冒犯性语言的频率，以及受到抑郁症相关研究影响的群体的样本，我们发现抑郁症患者和可能患抑郁症的人更频繁地使用冒犯性语言。这些结果为礼貌 / 冒犯和精神健康领域的新研究开辟了新的途径。

May, 2021