通过构建一个新的分层分类法及提供专业标注数据集，可以自动识别恶意内容，这对于消除在社交媒体上存在的针对LGBT+人群的仇恨言论至关重要。

Sep, 2021

本文介绍了我们基于转换器模型的LT-EDI共享任务中用于检测社交媒体评论中的恐同和仇视跨性别内容的系统，使用mBERT等模型，并通过数据增强技术处理类别不平衡问题，代码已开源。在英语、泰米尔语和泰米尔语-英语子任务中，我们的排名分别为9、6、3，宏平均F1得分为0.42、0.64和0.58。

Mar, 2022

本文探究大型语言模型（LLMs）（如BERT）中是否存在反对酷儿和跨性别者的偏见，并提出一种通过对酷儿社区撰写或关于酷儿社区的数据对模型进行微调以减少这些偏差的方法。通过引入新的基准数据集WinoQueer，我们发现BERT存在明显的反同性恋偏见，但是通过在LGBTQ+成员编写的自然语言语料库上进行微调，这种偏见可以得到大部分缓解。

Jun, 2022

该研究使用BERT-based语言模型开发了多类别分类系统，用于检测社交媒体评论中的恐同和恐Trans内容，跨五种语言条件：英语，西班牙语，印地语，马拉雅拉姆语和泰米尔语。发现使用时空相关的社交媒体语言数据可以提高语言分类系统的性能。

Aug, 2023

通过多语言和特定语言的联合方法，本研究构建了一种简单而成功的方法来检测针对跨性别和同性恋群体的仇恨言论，并在多种语言中取得了最佳结果，达到马拉雅拉姆语文本方面的0.997宏平均F1分数。

Sep, 2023

本文描述了我们开发的社交媒体评论中恐同/恐跨基不算法的系统，该系统是LT-EDI-2024共享任务的一部分。我们采用了基于transformer的方法，为十种语言条件（英语、西班牙语、古吉拉特语、印地语、卡纳达语、马拉雅拉姆语、马拉地语、泰米尔语、土鲁语和泰卢固语）开发了多类别分类模型。我们在领域适应期间引入了合成和有机脚本切换语言数据的实例，以反映社交媒体语言中标记训练数据中所看到的语言现实。我们系统在古吉拉特语和泰卢固语中排名第二，其他语言条件的表现有所不同。结果表明，加入脚本切换等凌语言行为元素可以提高语言检测系统的性能，尤其是在资源匮乏的语言条件下。

Jan, 2024

自动识别具有攻击性语言，例如仇恨言论，对于保持在线社区中的讨论文明至关重要。这篇论文介绍了MasonPerplexity在CASE 2024和EACL 2024的多模式仇恨言论事件检测共享任务上的提交。

Feb, 2024

本研究论文介绍了MasonTigers参与SemEval-2024任务1的成果，该任务涵盖了14种不同语言的监督学习、无监督学习和跨语言方法。MasonTigers是两个参与了所有语言的团队之一，在三个任务中取得了从第11到第21名的排名（Track A）、第1到第8名的排名（Track B）和第5到第12名的排名（Track C）。我们的最佳方法结合了统计机器学习方法的集成以及语言特定的BERT模型和句子转换器。

Mar, 2024

我们的研究通过关注同性恋恶言，填补了在线仇恨言论检测研究中的一个重要空白。通过利用先进的情感分析模型，尤其是BERT，和传统的机器学习方法，我们开发出了一个细致入微的方法来识别X/Twitter上的同性恋恶言内容。这项研究具有重要意义，因为同性恋恶言在检测模型中一直存在较低的代表性。我们的发现表明，虽然BERT优于传统方法，但验证技术的选择会影响模型的性能。这凸显了在检测微妙仇恨言论时上下文理解的重要性。通过发布我们所了解到的关于同性恋恶言检测的最大开源标记英文数据集，分析各种模型的性能和我们最强的基于BERT的模型，我们旨在提高在线安全性和包容性。未来的工作将扩展到更广泛的LGBTQIA+仇恨言论检测，解决多样性数据集来源的挑战。通过这一努力，我们为打击在线仇恨言论作出贡献，倡导更包容的数字景观。我们的研究不仅为改进先前研究结果提供了有关有效检测同性恋恶言内容的见解，而且为未来仇恨言论分析的进一步发展奠定了基础。

May, 2024

通过使用我们的新评估框架QueerBench，本文评估了英语大语言模型（LLMs）生成的句子完成对LGBTQIA+个体可能造成的潜在危害，并表明大型语言模型在对LGBTQIA+社群中的个体表现出更频繁的歧视行为，使得QueerBench有害性得分在7.2%的差距内增加。

Jun, 2024