This paper explores the potential of utilizing sarcasm detection as an auxiliary task to enhance the performance of sentiment-based abusive language detection models. The rise of online platforms has made the detection and prevention of abusive language a pressing issue. However, due to the complex nature of abusive language intertwined with the speaker’s emotion, it remains a challenging task for machine learning models to detect its presence. In this study, we propose a novel approach that leverages the knowledge gained from sarcasm detection to strengthen sentiment-based abusive language detection models. We conduct experiments involving transfer learning and multi-task learning models to compare their performance. Furthermore, we evaluate the robustness and adaptability of the models in a zeroshot setting. The results demonstrate the effectiveness of our approach, with the hybrid model exhibiting superior performance across various metrics. This research contributes to the advancement of knowledge transfer approaches in the field of abusive language detection.
본 논문은 풍자 감지를 보조 과제로 활용하여 감성 기반 언어폭력 탐지 모델의 성능을 향상시키는 가능성을 탐구한다. 온라인 플랫폼의 급속한 발전으로 인해 욕설 언어의 탐지와 예방이 점점 더 중요한 문제로 부상하고 있다. 그러나 언어폭력은 발화자의 감정과 얽혀 있어 이의 탐지는 기계 학습 모델에 대해 여전히 어려운 과제로 남아 있다. 본 연구에서는 언어폭력 탐지 모델의 성능을 강화하기 위해 풍자 감지로부터 얻은 지식을 활용하는 새로운 접근 방식을 제안한다. 전이 학습과 다중 작업 학습 모델을 활용하여 실험을 수행하고 성능을 비교한다. 또한, 제로 샷 환경에서 모델의 강인성과 적응성을 평가한다. 실험 결과, 혼합 모델이 다양한 지표에서 우수한 성능을 보여주어 제안하는 접근 방식의 효과를 입증하였다. 본 연구는 언어폭력 탐지 분야에서 지식 전이 접근 방식의 발전에 기여한다.
