HateXScore：用于评估仇恨言论解释中推理质量的指标套件

仇恨言论检测是内容审核的关键组成部分，然而当前的评估框架很少评估为何一段文本被认定为仇恨言论。我们引入了 \textsf{HateXScore}，这是一个四组件指标套件，旨在评估模型解释的推理质量。它评估 结论的明确性、 所引文本片段的忠实度与因果依据、 受保护群体识别（策略可配置），以及 这些元素之间的逻辑一致性。在六个多样化的仇恨言论数据集上进行评估后，\textsf{HateXScore} 旨在作为诊断补充，以揭示 Accuracy 或 F1 等标准指标无法察觉的可解释性失效与标注不一致问题。此外，人工评估显示出与 \textsf{HateXScore} 的强一致性，验证了其作为可信且透明审核实用工具的地位。\textcolor{red}{免责声明：本文包含敏感内容，可能会令部分读者感到不适。}