arXiv cs.CL· Ghazal Kalhor, Sima Kamandloo, Mehrsa Shamsian, Behnam Bahrak·· 3 天前AI 评分22
从分诊到影响：面向可解释波斯语仇恨言论的多跳推理基准
From Triage to Impact: A Multi-Hop Reasoning Benchmark for Explainable Persian Hate Speech
AI 导读
研究者推出一个细粒度多跳基准，用于可解释的波斯语仇恨言论分析，覆盖内容分诊、目标识别、仇恨策略与道德基础分析、文本证据抽取、有害叙事推断和严重程度评估。评测显示，任务越依赖细粒度语义与推理，主流 LLM 表现越差；闭源模型整体优于开放权重模型，推理型模型并无稳定优势。引入中间推理步骤相比一次性评估能显著提升严重程度预测，基准已公开。
正文 · AI 翻译
摘要：仇恨言论在社交媒体上日益普遍，引发了对其检测、解读和审核的关注。波斯语作为一种资源相对匮乏的语言，缺乏足够的标注数据和计算资源来进行细粒度的仇恨言论分析。在本研究中，我们引入了一个细粒度、多跳的可解释波斯语仇恨言论分析基准，涵盖内容分类、目标识别、仇恨策略与道德基础分析、文本证据抽取、有害叙事推断以及严重程度评估。通过评估最先进的大语言模型（LLM），我们发现，随着任务需要更细粒度的语义和推理能力，模型表现总体呈下降趋势。专有模型通常优于开放权重模型，而面向推理的模型并未表现出一致的优势。与一次性评估相比，引入中间推理步骤显著提升了严重程度预测的效果。我们的分析进一步揭示，煽动暴力或伤害与更高的严重程度关联最强，而政治归属目标则与基于颠覆的道德框架尤为相关。总体而言，这项工作为基于 LLM 的仇恨言论分析提供了洞见，并支持对波斯语社交媒体进行更负责任的审核。该基准已公开，见 此 https URL。
| 学科： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.20370 [cs.CL] |
| （或 arXiv:2610.20370v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.20370 arXiv 颁发的 DOI，经由 DataCite（待注册） |
提交历史
来自：Ghazal Kalhor [查看邮箱]
[v1]
2026年10月14日星期三 15:42:15 UTC（1,120 KB）
来源：arXiv cs.CL · arxiv.org