暴动前的挑战：预测线上反社会行为的难题与进展

社交媒体上的反社会行为（ASB），包括仇恨言论、骚扰和网络灌水，正日益影响平台安全与社会福祉。虽然先前研究主要聚焦于检测暴露后的有害内容，但预测性方法旨在预测未来有害行为的发生，如仇恨言论的传播、对话的破坏或用户的复发。尽管关注度日益增加，该领域仍显碎片化，缺乏统一的分类框架或对现有方法的清晰综述。本文系统性地综述了超过 49 项关于 ASB 预测的研究，提出了由五类核心任务类型构成的结构化分类框架：早期危害检测、危害萌发预测、危害传播预测、行为风险预测与主动监管支持。我们分析了这些任务在时间框架、预测细粒度与运营目标方面的差异。此外，我们考察了建模技术的发展脉络，从经典机器学习到预训练语言模型，并评估了数据集特征对任务可行性与泛化能力的影响。我们的综述揭示了方法论挑战，如数据稀缺、时间漂移和缺乏基准测试，同时概述了 emerging research 方向，包括多语言建模、跨平台泛化与人机协同系统。通过围绕一致框架组织该领域，本综述旨在引导未来工作 toward more robust and socially responsible ASB prediction。