Enhancing Machine Learning in Abusive Language Detection with Dataset Integration
Notice bibliographique
Résumé
Abusive language detection models are widely reported to suffer from poor generalization, limiting their realworld effectiveness. This is largely due to sampling and lexical biases in datasets. In response to these issues, we aim to enhance the generalizability of abusive language detection models by leveraging and unifying existing datasets. We harmonize ten publicly available datasets under a consistent definition of abusive language and integrate them into a single dataset. Our core hypothesis is that while individual datasets exhibit sampling bias, their complementary characteristics can be harnessed to create a broader and more representative training distribution. To evaluate this hypothesis, we first empirically demonstrate the extent of sampling bias across datasets, then systematically integrate multiple datasets into an aggregated corpus and compare the classification performance of models trained on each individual dataset versus a model trained on the aggregated corpus using a held-out, uniformly sampled benchmark comprising data from all datasets. While the integrated model improves macro-F1 from 0.60 (average across single datasets) to 0.84. Furthermore, we quantify the contribution of each dataset to the integrated model's performance gains and its lexical dissimilarity relative to others, and find a strong correlation with a magnitude of 0.71. These findings suggest that integrating lexically diverse datasets exposes models to a broader spectrum of abuse-related language, mitigating dataset-specific sampling biases and enhancing model generalizability in real-world scenarios.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».