Beyond Binary Classification: Detecting Fine-Grained Sexism in Social Media Videos
本文提出了包含细粒度标注的西班牙语多模态数据集 FineMuSe 及相应的层级分类体系，并通过评估大语言模型发现，尽管其在识别微妙性别歧视方面表现接近人类水平，但在捕捉视觉线索引发的复合歧视类型时仍存在局限。
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
这篇论文就像是在给社交媒体上的“性别歧视”做一场深度体检，而且不再只是简单地问“有病没病”，而是要查出具体是“什么病”、“病得有多深”。
想象一下，以前的自动检测工具就像是一个只会说“是”或“否”的保安。他站在门口，看到有人说话，如果语气不好，就大喊“这是歧视！”，然后拦下；如果语气还行，就放行。但问题是，很多歧视就像披着羊皮的狼，或者藏在笑话、反讽里的“软刀子”，这个只会说“是/否”的保安根本看不出来，或者分不清这到底是恶意的攻击，还是朋友间的玩笑。
这篇论文（FineMuSe 项目）就是为了解决这个问题，它做了三件大事：
1. 造了一本更详细的“病例手册” (FineMuSe 数据集)
以前的数据就像只有“发烧”和“没发烧”两种记录的病历。作者们收集了 828 个短视频（来自 TikTok、YouTube Shorts 和 BitChute），并给它们贴上了超级详细的标签。
这就好比把“发烧”细分成了：
- 刻板印象（比如：“女人就该在家做饭，男人就该在外打拼”）；
- 否认不平等（比如：“现在男女平等了，别总抱怨”）；
- 歧视（针对 LGBTQ+ 群体或性取向的攻击）；
- 物化（把女性当成物品或战利品）。
甚至，他们还标记了反讽和幽默。因为有时候，一个人说“女人开车真差劲”，可能是真的在歧视，也可能是他在反讽那些有这种偏见的人。以前的工具分不清，但这本新手册能分清。
2. 请来了“老中医”做标注 (专家标注)
以前很多数据是靠“大众 crowdsourcing"（像众包任务一样，谁都能标）标出来的，容易出错。这次，作者请了6 位受过专业训练的专家（语言学家、教授等），他们像老中医一样，不仅看表面（文字），还要听声音、看画面，甚至要分析说话人的语气和表情。
这就好比，以前是路人甲乙丙丁随便指认“那是坏人”，现在是资深侦探带着放大镜，仔细分析每一个细节，确保标签的准确性。
3. 测试了“最强大脑” (LLM 模型评测)
作者把这本新手册拿给各种人工智能大模型（比如 GPT-4o, Claude 3.7 等）做考试。
- 只读文字的模型：就像只读剧本的演员，能看懂台词里的歧视，但看不懂演员的表情和动作。
- 多模态模型（能看视频、听声音的）：就像全能的导演，既能看剧本，又能看演员怎么演。
结果发现：
- 好消息：最先进的人工智能（多模态大模型）在识别“是不是歧视”这件事上，已经非常接近人类专家的水平了。它们能读懂很多隐晦的讽刺和笑话。
- 坏消息：当歧视藏在画面里时（比如一个人嘴上说着大道理，但背景画面却在物化女性），这些 AI 还是有点反应迟钝。它们能听懂话，但还没完全学会“看图说话”里的潜台词。
总结与比喻
如果把检测网络上的性别歧视比作抓小偷：
- 以前的工具：只会看谁长得像坏人（二元分类），容易放过那些伪装成好人的小偷。
- 这篇论文：不仅给小偷列了详细的“犯罪档案”（细分了 4 种歧视类型），还训练了一批神探 AI。
- 目前的状况：这些神探 AI 已经非常厉害，能识破大部分伪装，但在面对那些**“嘴上说得好听，手里却拿着刀”**（视觉与文字矛盾）的复杂案件时，还需要继续修炼。
最终目标：让未来的网络审核工具不仅能说“这是歧视”，还能像人类一样解释“为什么这是歧视，是哪种歧视，哪里出了问题”，从而让网络环境变得更透明、更安全。
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。