面向西班牙语歌词的自动性explicit内容检测的大语言模型微调
摘要
在流行音乐 genres such as reggaeton 和 trap 中，性explicit 内容的 proliferation 已导致社会方面的重大关切，尤其是对年轻受众而言，他们可能暴露于潜在有害的歌词 material 上。本文提出了一种方法，通过在 100 首歌词的 curated 语料库上对 GPT 模型进行 fine-tuning 来自动检测西班牙语歌词中的性explicit 内容，该语料库均匀分为 expert-labeled 的 explicit 和 non-explicit 类别。proposed 方法论利用 transfer learning 来适应 pre-trained 模型，以适应 urban Latin music 的独特性语言特征，包括俚语、隐喻以及特定于文化的 double entendres，这些特征能躲过 conventional dictionary-based 过滤系统。在 held-out test 集上的实验评估显示，fine-tuning 后的模型在 feedback-driven 精炼循环后实现了 87% 的 accuracy、100% 的 precision 和 100% 的 specificity，超越了其 pre-feedback 配置和 non-customized baseline ChatGPT 模型。比较分析表明，fine-tuning 模型与 expert human 分类的一致性为 59.2%，而标准模型为 55.1%，这确认了 domain-specific 适应性提高了对隐式和文化嵌入性 sexual reference 的敏感性。这些发现支持将 fine-tuning 的大语言模型部署为音乐流媒体平台上的 automated content moderation tool 的可行性。基于这些 technical results，本文发展了一项 public policy proposal，提出了类似于 video games 的 PEGI 系统的 multi-tier age-based content rating system for music，通过 PESTEL 框架和 Kingdon 的 Multiple Streams Framework 进行分析，既确立了技术可行性，也确立了 systematic music content regulation 的 policy path。
引用
@article{arxiv.2602.05485,
title = {Fine-Tuning Large Language Models for Automatic Detection of Sexually Explicit Content in Spanish-Language Song Lyrics},
author = {Dolores Zamacola Sánchez de Lamadrid and Eduardo C. Garrido-Merchán},
journal= {arXiv preprint arXiv:2602.05485},
year = {2026}
}