XiaoMi-AI文件搜索系统
World File Search Systemhate
打击仇恨和种族主义——2024 年学生学习策略更新报告
城市原住民教育中心 (UIEC) 的工作人员继续参与打击仇恨和反种族主义战略的各个组成部分。UIEC 促进多个系统专业学习系列和项目，重点关注《联合国原住民权利宣言》并解决《加拿大真相与和解委员会：行动呼吁》中确定的真相。UIEC 通过学生分享圈、多伦多原住民青年委员会和原住民毕业教练支持的原住民学生团体，创造了肯定学生声音和领导力的机会。UIEC 还继续增加以原住民知识、观点和文化为中心的教育合作伙伴的数量，并支持整个系统原住民教育中学生、工作人员和照顾者的学习。此外，UIEC 通过在拥有最多原住民、梅蒂人和因纽特人学生和家庭的学校中的照顾者圈子以及 Powwows 和 Drum Socials 等社区社交活动，为照顾者参与创造了多种机会。
更新：确认犹太人身份并解决反犹太主义以及战斗仇恨和种族主义战略
TDSB致力于制定和实施一项独特的计划，以解决歧视，仇恨和种族主义事件，这些事件继续发生在该地区内部，这是通过种族主义，偏见和仇恨门户所获得的数据所证明的。在员工支持的情况下，该战略旨在通过根据上述支柱制定量身定制的行动计划来对社区的声音做出反应。该计划将使社区能够在行动中看到自己，并需要家庭，社区，合作伙伴组织和员工的持续合作和支持。TDSB设定了一个分阶段的方法来制定反仇恨和反种族主义战略（2023）和战斗仇恨和种族主义：学生学习策略更新（2024）中确定的不同的为期两年的工作计划（2024年）。下表表示TDSB采取的分阶段方法：
利用转移学习在葡萄牙社交媒体帖子中进行仇恨言论检测
摘要社交媒体的快速兴起带来了新的数字通信方式，以及令人担忧的在线仇恨言论（HS），这又导致研究人员开发了几种自然语言处理方法以进行检测。尽管在自动化HS检测方面已经取得了重大进步，但针对欧洲葡萄牙语的研究仍然很少（就像几种资源不足的语言中发生的那样）。为了解决这一差距，我们探讨了各种转移学习模型的功效，这些模型在文献中已显示出与其他深度学习模型相比，该任务具有更好的性能。我们采用葡萄牙文本中预先训练的类似于BERT的模型，例如Bertimbau和Mdeberta，以及GPT，Gemini和Mistral Genertral Modelate，用于在葡萄牙在线话语中检测HS。我们的研究依赖于YouTube评论和推文的两个带注释的Corpora，均以注释为HS和非HS。我们的发现表明，YouTube语料库的最佳模型是欧洲葡萄牙推文的Bertimbau Retriant，并针对HS任务进行了微调，正面的F-SCORE为87.1％的正面级别为87.1％，比基线模型优于20％以上，并且比基本的Base Bertimbau相比增加了20％以上。Twitter语料库的最佳模型是GPT-3.5，正级别的F-评分为50.2％。我们还评估了使用内域和混合域训练集的影响，以及在生成模型提示其性能中提供背景的影响。
推荐仇恨：Tiktok的搜索引擎算法如何再现社会偏见
，但发现了其他拼写中的其他术语。例如，在搜索德国性别性别的反黑色Slur“ n*gerin”时，在视频中发现了“尼日利亚”一词。尽管两个关键字在拼写上相似，但含义上有很大差异。大概，Tiktok的搜索算法处理了原始的提示和“自动校正”搜索，这导致反黑泥浆与与尼日利亚有关的内容有害的关联，包括对原始可恶提示受害的黑人人的刻画。虽然拼写校正是搜索引擎中的常见实践，但通常通过通知用户使用标签，例如“显示结果”或“您是指搜索：”）来维护透明度。在此处检查的情况下，没有显示此类标签。
日本种族主义的历史、日裔美国人的补偿以及政府管制仇恨言论所带来的危险
日本的种族和少数民族人口数量虽少，但具有重要的历史意义。这些群体包括土著阿伊努人、琉球人、韩国人、中国人、部落民以及来自世界各地的新移民外国工人，他们仍然是日本的边缘人群。尽管日本宪法禁止因“种族、信仰、性别、社会地位或家庭出身”而歧视，但日本社会长期以来一直容忍针对日本少数民族的仇恨言论和种族仇恨。为了规范仇恨言论，克雷格·马丁教授呼吁政府更多地参与修订日本的仇恨言论法，以包括更具体的限制和制裁。本文认为，“信任”和授权政府定义仇恨言论可能会带来潜在危险，甚至可能损害人们的言论自由权，包括对种族化政府政策的批评。本文进一步论证了日本的种族主义有着深厚的历史根源，追溯了日本对亚洲人和其他边缘化种族和少数民族的种族仇恨的历史谱系。西方之后
文章 使用可解释人工智能 (XAI) 检测社交媒体仇恨言论
摘要：可解释人工智能 (XAI) 特性在深度学习模型的仇恨言论检测中具有灵活和多方面的潜力。本研究的目的是解释和说明复杂人工智能 (AI) 模型做出的决策，以了解这些模型的决策过程。作为本研究的一部分，我们采用了两个数据集来演示使用 XAI 进行仇恨言论检测。我们进行了数据预处理，以清除数据中的任何不一致之处、清理推文文本、对文本进行标记和词形还原等。我们还简化了分类变量，以便生成干净的数据集用于训练目的。我们对数据集进行了探索性数据分析，以发现各种模式和见解。我们将各种预先存在的模型应用于 Google Jigsaw 数据集，例如决策树、k-最近邻、多项朴素贝叶斯、随机森林、逻辑回归和长短期记忆 (LSTM)，其中 LSTM 的准确率达到 97.6%。将 LIME（局部可解释模型 - 不可知解释）等可解释方法应用于 HateXplain 数据集。创建了 BERT（来自 Transformer 的双向编码器表示）模型的变体，例如准确率为 93.55% 的 BERT + ANN（人工神经网络）和准确率为 93.67% 的 BERT + MLP（多层感知器），以在使用 ERASER（评估基本原理和简单英语推理）基准的可解释性方面取得良好的表现。
cuet_binary_hackers in Climateactivism 2024：仇恨言语事件中基于变形金刚的模型的全面评估和卓越性能
气候变化对我们环境和生活的不断升级促使气候变化行动主义激增。但是，诸如Twitter之类的社交媒体平台的滥用为仇恨激进主义，针对个人，组织或整个社区的仇恨打开了大门。此外，推文中对立场的识别也具有至关重要的意义，尤其是在理解行动主义成功的概述中。因此，为了应对检测此类仇恨推文，确定其目标并从Tweets的立场的挑战，此共享任务引入了三个子任务，每个任务都旨在提及一个提到的问题。我们在所有三个子任务中都涉及，在本文中，我们在不同的机器学习（ML），深度学习（DL），混合动力和基于变压器的模型之间进行了比较分析。我们的方法涉及对模型的适当高参数调整，并通过数据过采样来有效地处理类不平衡数据集。值得注意的是，我们的微调M-Bert在子任务A（仇恨语音检测）中获得了0.91的宏平均F 1分数，在子任务B（目标识别）中达到了0.74。另一方面，气候 - 伯特在子任务中的F 1得分为0.67。这些分数将我们定位在前沿，在各个子任务中获得第1，第6和15位。github 1中提供了任务的详细信息信息。
欧洲药物化学杂志
甘油醛-3-磷酸脱氢酶（GAPDH）是一种关键的糖酵解酶，在癌细胞的能量代谢中起着至关重要的作用，并已被认为是抗癌药物发展的宝贵目标。在一系列5个溶解的3-溴-4,5-二羟唑（BDHI）衍生物中，我们鉴定了螺旋形化合物11，它能够以更快的koning contens noverativitivity noveritivity与Koning conse nocents novers notive，它能够使重组的重组人共价抗反应率，而已知的酸性含量为potent hat of thangect hate hate hate hate of potenthg potenthg potec。计算研究证实，构象刚化对于稳定抑制剂与结合位点的相互作用至关重要，因此有利于随后的共价形成。对不同pH的固有弹头反应性的研究揭示了11种自由硫醇的反应性可忽略不计，强调了其与其他硫基团相对于HGAPDH的活化半胱氨酸有选择性反应的能力。化合物11在四种不同的胰腺癌细胞系中强烈降低了癌细胞的生长，其抗增生活性与HGAPDH的细胞内抑制良好相关。总体而言，我们的结果有资格11在Hibitor中具有有效的HGAPDH共价，具有中等的药物样反应性，可以进一步利用以发展抗癌药。
Hiroshi Fukurai 和 Alice Yang，《日本种族主义史、日裔美国人的补救措施以及政府管制仇恨言论的危险》，45 Hastings Const. LQ 533 (2018)。网址：https://repository.uchastings.edu/hastings_constitutional_law_quaterly/vol45/iss3/5
日本的种族和族裔少数群体数量虽少，但具有重要的历史意义。这些群体包括土著阿伊努人、琉球人、韩国人、中国人、部落民以及来自世界各地的新移民外国工人，他们仍然是日本的边缘群体。尽管日本宪法禁止因“种族、信仰、性别、社会地位或家庭出身”而歧视，但日本社会长期以来一直容忍针对日本少数民族的仇恨言论和种族仇恨。为了规范仇恨言论，克雷格·马丁教授呼吁政府更多地参与修订日本的仇恨言论法，以纳入更具体的限制和制裁。本文认为，“信任”和授权政府定义仇恨言论可能会带来潜在危险，甚至可能损害人们的言论自由权，包括对种族化政府政策的批评。本文进一步指出，日本的种族主义有着深厚的历史根源，追溯了日本对亚洲人和其他边缘化种族和族裔少数群体的种族仇恨的历史谱系。西方
预防战略，2024-2027
• 渠道小组的优质决策，探索问题和转介的背景 • 董事会提供的优质信息，分享警方的信息和良好做法 • 仇恨犯罪大使 - 例如，消防服务成为大使 - 就其如何影响社区进行了良好的对话 • 培训的可用性和广度 - 例如，保护网站、仇恨犯罪大使包括非专业人士 • 合作伙伴和警察分享良好的情报。