印尼语论述数据集：检验毒性、两极化及人口统计信息
计算与语言
2025-03-04 v1
摘要
两极化被定义为由两个或多个群体对实质性议题持有分裂性意见。作为全球第三大民主制国家，印尼正面临日益增长的政治两极化与线上毒性交织的担忧，这种毒性常针对弱势少数群体。尽管此议题的重要性明显，但以往的 NLP 研究未充分探讨毒性与两极化之间的关系。为弥合这一鸿沟，我们提出一种新型多标签印尼语数据集，融合毒性、两极化及标注者人口统计信息。使用 BERT-base 模型和大语言模型（LLMs）对该数据集进行基准测试，结果表明，两极化信息可提升毒性分类效果，反之亦然；此外，提供人口统计信息显著改善了两极化分类的性能。
引用
@article{arxiv.2503.00417,
title = {A Multi-Labeled Dataset for Indonesian Discourse: Examining Toxicity, Polarization, and Demographics Information},
author = {Lucky Susanto and Musa Wijanarko and Prasetia Pratama and Zilu Tang and Fariz Akyas and Traci Hong and Ika Idris and Alham Aji and Derry Wijaya},
journal= {arXiv preprint arXiv:2503.00417},
year = {2025}
}