MemeScouts@LT-EDI 2026: Asking the Right Questions -- Prompted Weak Supervision for Meme Hate Speech Detection
Dieser Artikel schlägt einen durch Prompting gesteuerten Rahmen für schwache Überwachung vor, der ein quantisiertes Qwen3-VLM nutzt, um die Erkennung von Hassrede in Memes in gezielte, fragebasierte Labeling-Funktionen zu zerlegen, und erreicht durch die effektive Bewältigung der Herausforderungen multimodaler, kulturell nuancierter und mehrsprachiger Hassrede Spitzenplatzierungen in den Sprachen Englisch, Chinesisch und Hindi für die gemeinsame Aufgabe LT-EDI 2026.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, eine bestimmte Art von Witz zu erkennen, der tatsächlich bösartig ist (Hassrede), in einer Sammlung von Internet-Memes. Memes sind tückisch, weil sie wie zweischichtige Rätsel sind: Sie haben ein Bild und Text, und sie verwenden oft Sarkasmus, Ironie oder Insider-Witze, die nur Sinn ergeben, wenn man den kulturellen Kontext kennt.
Die Autoren dieses Papers versuchten, ein Computersystem zu entwickeln, um diese Rätsel zu lösen, und suchten speziell nach Witzen, die homophob oder transphob sind. So haben sie es getan, einfach erklärt:
Das Problem: Die „große Frage" zu stellen, funktionierte nicht
Die Forscher versuchten zunächst, ein super-intelligentes KI-Modell (ein Vision-Language-Modell) eine einzige, riesige Frage zu stellen: „Ist dieses Mem hassend?"
Stellen Sie sich das vor, als würden Sie einen Schüler bitten, ein komplexes Matheproblem zu lösen, einen Aufsatz zu schreiben und eine Zeichnung zu fertigen – alles in einem einzigen Satz. Die KI geriet oft in Verwirrung. Sie versuchte, das Ziel, den Ton, den Sarkasmus und das endgültige Urteil gleichzeitig zu erraten, und machte Fehler. Dies ist besonders schwierig, wenn die Memes in verschiedenen Sprachen vorliegen (Englisch, Hindi und Chinesisch), weil sich die „Insider-Witze" je nach Kultur ändern.
Die Lösung: Der „Verhörraum"-Ansatz
Anstatt eine große Frage zu stellen, änderte das Team seine Strategie. Sie beschlossen, das Problem in eine Reihe kleiner, spezifischer Fragen aufzubrechen, wie bei einem Verhör oder einer Checkliste.
Sie schufen ein System mit „Prompted Weak Supervision" (angestoßene schwache Überwachung). Stellen Sie sich einen Detektiv (die KI) vor, der nicht einfach nur rät, ob ein Verdächtiger schuldig ist. Stattdessen stellt der Detektiv 89 spezifische Fragen zum Beweismaterial:
- „Richtet sich der Witz gegen eine bestimmte Gruppe?"
- „Ist der Ton sarkastisch?"
- „Sagt der Text tatsächlich das Gegenteil von dem, was er zu bedeuten scheint?"
- „Zeigt das Bild ein Stereotyp?"
Die KI beantwortet diese Fragen mit einfachen „Ja/Nein"-Angaben oder kurzen Kategorien. Diese Antworten sind nicht das endgültige Urteil; sie sind Hinweise.
Das Fließband
Sobald die KI alle 89 Fragen für ein Mem beantwortet hat, nimmt das Team diese Antworten und führt sie einem einfacheren, klassischen Computerprogramm zu (einem Random-Forest-Klassifikator). Stellen Sie sich dieses Programm als einen Richter vor, der alle Hinweise des Detektivs anhört.
- Der Detektiv (KI): „Der Witz handelt von Geschlechtsidentität, er ist sarkastisch und richtet sich gegen eine bestimmte Person."
- Der Richter (Klassifikator): „Okay, basierend auf diesen spezifischen Hinweisen bin ich zu 90 % sicher, dass dies Hassrede ist."
Was sie fanden
Die Ergebnisse waren wie ein Zaubertrick:
- Bessere Genauigkeit: Diese „Checklisten"-Methode war viel besser als das bloße Stellen einer großen Frage an die KI. Sie funktionierte besonders gut bei Hindi- und chinesischen Memes, wo die kulturellen Nuancen sehr subtil sind.
- Der „Beschneidungs"-Schritt: Anfangs hatten sie zu viele Fragen (einige waren wiederholend oder verwirrend). Sie nutzten ein „Beschneidungs"-Werkzeug, um die schlechten Fragen herauszuschneiden und nur die hilfreichsten Hinweise übrig zu lassen. Dies machte das System noch schärfer.
- Die Rangliste: In dem Wettbewerb, an dem sie teilnahmen, erreichte ihr System Platz 1 für Englisch, Platz 2 für Chinesisch und Platz 3 für Hindi.
Der Haken (Einschränkungen)
Die Autoren sind ehrlich bezüglich der Mängel ihres Systems:
- Westliche Verzerrung: Die Fragen wurden größtenteils aus einer westlichen Perspektive formuliert. Sie könnten spezifische kulturelle Anzeichen von Hassrede in Indien oder China übersehen, die nicht wie die „westliche" Version aussehen.
- Texterkennung: Die KI muss Text innerhalb der Bilder lesen. Manchmal übersieht sie Wörter oder liest sie falsch, was die Hinweise verfälscht.
Das Fazit
Das Paper zeigt, dass es beim Versuch, subtile, bösartige Witze in Memes zu fangen, besser ist, das Problem in kleine, handhabbare Fragen aufzubrechen und ein System die Antworten gewichten zu lassen, anstatt einen Supercomputer zu bitten, die gesamte Antwort auf einmal zu erraten. Es ist der Unterschied zwischen der Frage an einen Schüler „Was ist die Antwort?" und der Aufforderung, ihre Arbeit schrittweise vorzuführen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.