Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2504.08609

帮助 | 高级搜索

计算机科学 > 计算与语言

arXiv:2504.08609 (cs)
[提交于 2025年4月11日 ]

标题: 英文文本的多标签分类机器学习模型和数据集综述

标题: A Survey of Machine Learning Models and Datasets for the Multi-label Classification of Textual Hate Speech in English

Authors:Julian Bäumler, Louis Blöcher, Lars-Joel Frey, Xian Chen, Markus Bayer, Christian Reuter
摘要: 在线仇恨言论的传播可能对个人、在线社区和整个社会产生严重的负面后果。 这一点以及大量的仇恨在线内容促使实践者(即内容审核或执法部门)和研究人员对机器学习模型产生了兴趣,这些模型可以自动分类仇恨言论实例。 尽管大多数科研工作将仇恨言论分类作为二元任务来处理,但实践中常常需要根据目标、严重程度或合法性等对子类型进行区分,而这些子类型可能在个别内容中重叠。 因此,研究人员创建了数据集和机器学习模型,将文本数据中的仇恨言论分类作为多标签问题来处理。 本研究对这一新兴研究领域的英文科学文献进行了首次系统且全面的综述(N=46)。 我们提供了28个适合训练多标签分类模型的数据集的简明概述,结果显示在标签集、规模、元概念、标注过程和标注者间一致性方面存在显著的异质性。 我们对24篇提出合适分类模型的文献进行分析,进一步确认了评估的一致性不足,并倾向于基于双向编码器表示的变压器(BERT)和循环神经网络(RNNs)的架构。 我们识别出不平衡的训练数据、依赖众包平台、小而稀疏的数据集以及方法论的缺失对齐作为关键的开放问题,并提出了十项研究建议。
摘要: The dissemination of online hate speech can have serious negative consequences for individuals, online communities, and entire societies. This and the large volume of hateful online content prompted both practitioners', i.e., in content moderation or law enforcement, and researchers' interest in machine learning models to automatically classify instances of hate speech. Whereas most scientific works address hate speech classification as a binary task, practice often requires a differentiation into sub-types, e.g., according to target, severity, or legality, which may overlap for individual content. Hence, researchers created datasets and machine learning models that approach hate speech classification in textual data as a multi-label problem. This work presents the first systematic and comprehensive survey of scientific literature on this emerging research landscape in English (N=46). We contribute with a concise overview of 28 datasets suited for training multi-label classification models that reveals significant heterogeneity regarding label-set, size, meta-concept, annotation process, and inter-annotator agreement. Our analysis of 24 publications proposing suitable classification models further establishes inconsistency in evaluation and a preference for architectures based on Bidirectional Encoder Representation from Transformers (BERT) and Recurrent Neural Networks (RNNs). We identify imbalanced training data, reliance on crowdsourcing platforms, small and sparse datasets, and missing methodological alignment as critical open issues and formulate ten recommendations for research.
评论: 35页,4图,4表
主题: 计算与语言 (cs.CL) ; 人工智能 (cs.AI)
引用方式: arXiv:2504.08609 [cs.CL]
  (或者 arXiv:2504.08609v1 [cs.CL] 对于此版本)
  https://doi.org/10.48550/arXiv.2504.08609
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Julian Bäumler [查看电子邮件]
[v1] 星期五, 2025 年 4 月 11 日 15:16:31 UTC (1,625 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-04
切换浏览方式为:
cs.AI
cs.CL

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号