通过分析社交媒体上的推文，研究以气候活动家对抗仇恨言论为中心，利用经典机器学习模型对气候仇恨言论和立场进行识别和检测，以提供关于模型选择的有价值见解。

Feb, 2024

本研究旨在通过零 / 少样本增强和重新排名，探索了 GPT-4 等大型语言模型在 CASE 2024 共享任务中的应用，重点关注气候活动立场、仇恨言论检测、仇恨言论目标识别和立场检测等分类挑战，并与传统方法进行了实验比较，结果显示我们的模型在目标检测任务中显著优于基线模型，荣获第二名。

Feb, 2024

本文提出了一个基于 Twitter 的分类分析框架，可以对气候变化方面的推文进行情感和态度分析，并基于此进行气候变化持有者的分类，以此为决策者提供有效决策参考。

Nov, 2022

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

本文描述了我们在 LT-EDI 2024 Workshop 的 Task 2 中针对十种语言中的同性恋恐惧症和 / 或跨性别恐惧症的检测的方法和结果。我们的方法包括单语种变换器和集成方法，利用各种方法的优势来提高模型的性能。集成模型效果良好，在十种语言中的八种语言中，我们的团队 MasonTigers 以宏 F1 分数计算排名前五。我们的工作强调了集成方法在多语言场景中的有效性，解决了语言特定任务的复杂性。

Jan, 2024

我们提出了一种新颖的集成学习方法来检测仇恨言论，通过将文本嵌入图像分类为 “仇恨言论” 和 “非仇恨言论” 的两个标签。我们使用了 InceptionV3、BERT 和 XLNet 等现代模型，该集成模型在准确度和 F-1 分数方面取得了有希望的结果（分别为 75.21 和 74.96）。我们还对文本嵌入图像进行了实证评估，并在此处发布我们的代码库。

Sep, 2023

应对气候变化的自动化检测引发了关于气候变化的错误信息传播以及对社会福利构成了重大威胁的紧迫需求，本研究通过开发了一个两步骤的层次模型 —— 增强 CARDS 模型，专门用于检测推特上的气候异议观点，然后将其应用于 2022 年的六个月内的五百万条气候主题推文，并发现推特上超过一半的气候异议观点涉及对气候行动者的攻击或阴谋论，气候异议行为的激增与政治事件、自然事件、异议观点传播者或信奉者之一的出现同时发生，在自动化应对气候错误信息方面的意义也得到了讨论。

Apr, 2024

本文分析了工业界，工业倡导组织以及气候倡导组织如何利用社交媒体影响气候变化的叙事。为了识别 Facebook 上气候广告的立场，我们提出了一种最小化监督模型和消息主题相结合的方法。最后，我们发布了气候倡导运动相关主题的数据集，模型和立场数据，以供意见挖掘和自动检测气候变化立场的未来研究使用。

May, 2023

全球变暖引发的甲烷 (CH4) 排放对环境的影响，催生了大量的研究项目，旨在开发能够主动和快速检测 CH4 的新技术。本文使用多个数据驱动的机器学习（ML）模型测试了它们在识别泄漏的 CH4 及其相关强度方面的表现。模拟中包含了多种气象特征，包括风速、温度、压力、相对湿度、水蒸气和热通量。我们采用集成学习方法，构建了一系列基于多个较弱低层 ML 模型的加权集成 ML 模型，用于 (i) 作为分类问题检测 CH4 的存在和 (ii) 作为回归问题预测 CH4 的强度。

Dec, 2023

通过社交媒体平台，研究了真实世界事件对社交媒体上个体对气候变化相关主题的观点的影响，包括社群检测、情感分析和话题建模等方面的研究。

Dec, 2023