A Community-Centric Perspective for Characterizing and Detecting Anti-Asian Violence-Provoking Speech

暴力煽动言论——暗示或明示地鼓动针对特定社群成员的暴力行为，导致了疫情期间反亚裔犯罪的大规模增加。虽然先前的研究已经对其他形式的有害言论，如恐惧言论和仇恨言论进行了表征和工具开发，但我们的研究采用了以社区为中心的方法来研究反亚裔暴力煽动言论。我们使用了跨越3年的近42万条Twitter帖子的数据（从2020年1月1日到2023年2月1日），开发了一个代码手册来表征反亚裔暴力煽动言论，并收集了一个社区众包数据集，以便使用最先进的分类器进行大规模检测。我们对自然语言处理分类器的能力进行了对比，从基于BERT的到基于LLM的分类器，以检测暴力煽动言论与检测反亚裔仇恨言论的能力进行了对比。与先前的研究表明这些分类器在检测仇恨言论方面的有效性（$F_1 = 0.89$）相反，我们的研究显示准确可靠地检测暴力煽动言论是一项具有挑战性的任务（$F_1 = 0.69$）。我们讨论了研究结果的含义，特别是在公共卫生危机期间支持亚裔社区的积极干预的必要性。与该研究相关的资源可在https://claws-lab.github.io/violence-provoking-speech/上获得。

本文试图解决如何检测暴力煽动言论对亚裔社区犯罪的影响，并探讨如何支持亚裔社区应对公共卫生危机的问题。

本文采用社区为中心的方法，通过构建代码本和收集社区众包数据集，利用最先进的分类器大规模检测反亚裔暴力煽动言论，并对自然语言处理分类器的能力进行对比评估。

本文发现检测暴力煽动言论比检测仇恨言论更具挑战性，提出了支持亚裔社区的积极干预措施。实验使用了420k条推特数据，并提供了相关资源链接。

最近的相关研究包括仇恨言论和恐惧言论检测，本文则聚焦于暴力煽动言论对亚裔社区犯罪的影响。相关论文包括"Detecting Hate Speech on Twitter Using a Convolution-GRU Based Deep Neural Network"和"Fear Speech Detection on Twitter Using Convolutional Neural Networks"。