训练阶段可解释性：在多语言仇恨言论检测中使模型推理与人类理由对齐

英文标题：Training-Time Explainability for Multilingual Hate Speech Detection: Aligning Model Reasoning with Human Rationales

该论文关注针对穆斯林社区的网络仇恨内容，这类内容常以具有文化编码特征的多语言形式出现，因而可能逃避传统 AI 审核系统。作者指出，即便检测系统具有较高准确率，其决策过程仍可能不透明，并带来偏见、过度审查或审核不足等风险。论文提出在训练阶段提升可解释性，使模型的推理过程与人类提供的判定理由相对齐。这一方向对开发者构建更可信、可审计且适用于多语言语境的内容审核 Agent 和 API 具有意义。

2.1 KB 640 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB