超越显性：面向社交媒体去人格化检测的双语数据集
计算与语言
2025-10-22 v1
摘要
数字去人格化虽然是关键议题，却在计算语言学和自然语言处理领域鲜有被关注。当前研究的主流方法主要集中于单一维度的去人格化识别，将显性负面表述作为核心标记。这种关注虽然对于理解有害在线通信至关重要，却不足以涵盖去人格化的更广泛 spectrum。具体而言，它忽略了那些虽不显性冒犯，却仍对被边缘化群体在线交互中持续偏见的微妙形式。这些微妙形式可以暗中强化负面刻板印象和偏见，却不具显性冒犯性，因而难以检测却同样具有破坏性。为弥补这一差距，我们采用不同抽样方法从 Twitter 和 Reddit 收集一个以理论为导向的双语数据集。通过众所周知的工作者和专家对 16,000 条实例进行文档级和片段级标注，我们展示该数据集涵盖了去人格化的不同维度。该数据集既是机器学习模型的训练资源，也是评估未来去人格化检测技术的基准。为证明其有效性，我们在该数据集上微调 ML 模型，在零样本和少样本情境设置中实现超越当前最先进模型的性能。
引用
@article{arxiv.2510.18582,
title = {Beyond the Explicit: A Bilingual Dataset for Dehumanization Detection in Social Media},
author = {Dennis Assenmacher and Paloma Piot and Katarina Laken and David Jurgens and Claudia Wagner},
journal= {arXiv preprint arXiv:2510.18582},
year = {2025}
}