一种用于数字社交网络中隐性性别歧视检测的自适应监督对比学习框架
计算与语言
2025-07-09 v1
摘要
社交媒体的全球影响力放大了仇恨内容的传播，其中包括常被传统检测方法忽视的隐性性别歧视。在本工作中，我们提出了一种用于隐性性别歧视检测的自适应监督对比学习框架（Adaptive Supervised Contrastive lEarning framework for implicit sexism detectioN，ASCEND）。该方法的一项关键创新在于引入了基于阈值的对比学习：通过计算嵌入之间的余弦相似度，我们仅将相似度超过可学习阈值的样本对视为正样本对。该机制通过稳健地将语义相似文本的表示拉近并将不相似文本的表示推远来优化嵌入空间，从而减少假阳性与假阴性。最终分类通过联合优化对比损失与交叉熵损失来实现。文本特征通过词级注意力模块得到增强。此外，我们还采用了情感、情绪和毒性特征。在 EXIST2021 和 MLSC 数据集上的评估表明，ASCEND 显著优于现有方法，在多个任务中平均 Macro F1 分别提升了 9.86%、29.63% 和 32.51%，凸显了其在捕捉隐性性别歧视语言微妙线索方面的有效性。
引用
@article{arxiv.2507.05271,
title = {An Adaptive Supervised Contrastive Learning Framework for Implicit Sexism Detection in Digital Social Networks},
author = {Mohammad Zia Ur Rehman and Aditya Shah and Nagendra Kumar},
journal= {arXiv preprint arXiv:2507.05271},
year = {2025}
}