Cross-lingual Offensive Language Detection: A Systematic Review of Datasets, Transfer Approaches and Challenges
这篇论文作为该领域首个专注于跨语言场景的全面综述，系统分析了 67 篇相关文献，从数据集特征、跨语言资源及迁移策略（实例、特征和参数迁移）等维度深入探讨了社交媒体中跨语言仇恨言论检测的技术现状、挑战与未来机遇，并公开了相关的资源表格。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
这篇论文就像是一份**“跨语言网络骂战侦探指南”**。
想象一下，互联网是一个巨大的、嘈杂的全球集市。在这个集市里，人们用各种语言（英语、中文、西班牙语、印地语等）交流。但集市里也混入了一些捣乱的人，他们说着脏话、散布仇恨（比如种族歧视、性别攻击）。
核心问题：
侦探（也就是计算机程序）想抓住这些捣乱的人。但是，侦探通常只精通一种语言（比如英语），而捣乱的人可能用几十种不同的语言在骂人。如果侦探不懂那种语言，或者那种语言的数据太少（没人教过他怎么识别），他就抓不到坏人。
这篇论文就是作者（两位来自伦敦的学者）对过去几年里，**“侦探们如何学会听懂多种语言，从而识别网络暴力”**这一领域的全面总结。他们看了 67 篇相关的研究论文，把里面的方法、数据和困难都梳理了一遍。
1. 侦探的三种“超能力”（三种迁移学习方法）
为了让不懂某种语言的侦探也能抓坏人，研究者们发明了三种“超能力”（也就是跨语言迁移学习）：
能力一：直接翻译法（实例迁移 - Instance Transfer）
- 比喻： 就像侦探雇了一个翻译官。
- 做法： 把用陌生语言写的骂人话，直接翻译成侦探熟悉的语言（比如英语），然后让侦探去判断。或者，把英语里已经确认是骂人的句子，翻译成目标语言，贴上标签，假装那是目标语言的数据。
- 缺点： 翻译官可能会翻错。有些脏话在另一种语言里没有对应的词，或者翻译后味道变了（比如把一句讽刺的话翻成了夸奖），导致侦探误判。
能力二：寻找“通用密码”法（特征迁移 - Feature Transfer）
- 比喻： 就像侦探不再看具体的文字，而是看**“情绪指纹”**。
- 做法： 不管是用英语还是中文骂人，那种“愤怒”、“攻击性”的感觉在数学上是相似的。研究者训练侦探去识别这些通用的“情绪特征”（比如某些词的组合、句子的结构），而不是死记硬背具体的单词。
- 优点： 即使语言不同，只要“愤怒”的感觉一样，侦探就能识别出来。
能力三：大脑重塑法（参数迁移 - Parameter Transfer）
- 比喻： 就像给侦探**“移植”了一个精通多语言的大脑**。
- 做法： 现在的 AI 模型（像 BERT、XLM-R）就像是一个在海量多语言数据上受过训练的“超级大脑”。这个大脑已经学会了不同语言之间的深层联系。研究者只需要把这个“超级大脑”稍微微调一下，让它适应新的语言环境，它就能立刻学会识别那种语言的骂人话。
- 现状： 这是目前最流行、效果最好的方法，就像给侦探装上了最先进的大脑芯片。
2. 侦探面临的“四大难题”
虽然方法很多，但作者发现，要在全球集市里抓坏人，侦探们还面临很多大麻烦：
难题一：有些语言是“隐形人”（低资源语言）
- 比喻： 英语、中文、西班牙语的数据像大海一样多，侦探可以随便学。但像某些非洲小语种或土著语言，数据少得像一滴水。侦探根本没见过这些语言的样本，很难学会识别。
- 现状： 目前的研究大多集中在英语和欧洲语言，很多小语种被忽略了。
难题二：文化差异是“隐形墙”（文化差异）
- 比喻： 同样的词，在不同文化里意思完全不同。
- 例子： 在 A 文化里，一句玩笑话可能很幽默；但在 B 文化里，这句话可能是严重的侮辱。如果侦探不懂这种文化背景，就会抓错人，或者放走坏人。
- 难点： 有些骂人话是“指桑骂槐”（隐晦的），不像直接骂人那么明显，这更难识别。
难题三：数据太“脏”且“少”（数据问题）
- 比喻： 用来训练侦探的数据集，要么数量太少，要么质量很差（标注的人意见不统一，有的觉得是骂人，有的觉得不是）。
- 问题： 就像给侦探看了一堆模糊不清的照片，他很难学会怎么认人。而且，网络语言变化太快，今天流行的脏话，明天可能就过时了，数据很容易“过期”。
难题四：翻译会“失真”（机器翻译的局限）
- 比喻： 机器翻译就像是一个只会字面意思的机器人。
- 问题： 当机器人把一句充满讽刺的脏话翻译过去时，它可能只翻译了字面意思，把“骂人”翻成了“夸奖”。侦探看了翻译后的内容，就以为那是好话，结果放走了坏人。
3. 未来的“升级方向”
作者给未来的侦探们提了几条建议：
- 多找点“本地向导”： 不要只靠翻译，要收集更多小语种的真实数据，哪怕只有几百条，也比没有强。
- 请“文化专家”帮忙： 在训练侦探时，要加入当地人的文化知识，让他懂“潜台词”和“讽刺”。
- 利用“超级大脑”： 继续利用那些已经训练好的多语言大模型（LLM），但要注意它们可能存在的偏见。
- 人机结合： 让侦探（AI）和人类专家一起工作。AI 负责处理海量数据，人类负责处理那些模棱两可、充满文化色彩的复杂情况。
总结
这篇论文告诉我们：识别网络暴力不能只靠一种语言，也不能只靠一种方法。 就像要在一个全球集市里维持秩序，我们需要侦探（AI）既懂多种语言，又懂各地文化，还要有足够多的“教材”（数据）来学习。虽然现在的技术已经很厉害了，但在面对那些冷门语言、隐晦骂人和文化差异时，我们还有很长的路要走。
作者还做了一个**“资源大礼包”（在 GitHub 上），里面整理了所有用到的数据集和方法，就像给后来的侦探们留了一本“武功秘籍”**，方便大家继续修炼。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。