Naukowcy zaproponowali nowy framework FAID do detekcji implicit hate speech - ukrytej mowy nienawiści, która nie zawiera wyraźnych obelg, ale maskuje złość poprzez metafory i aluzje. Problem polega na tym, że obecne systemy oparte na PLM i LLM stosują jeden proces analizy do wszystkich przypadków, co prowadzi do zbędnych obliczeń i przeoczeń w detekcji niuansów językowych.
Framework FAID rozwiązuje ten problem poprzez zdefiniowanie trzech kategorii implicit hate speech. Dla próbek Shallow z łatwo identyfikowalnymi intencjami system używa lekkiego prompt-tuningu do szybkiej klasyfikacji. Dla komentarzy Targeted, które wiążą złośliwość z ukrytymi celami, framework zastosuje augmentację wiedzy do iteracyjnego ulepszania modelu i ujawniania ukrytych ofiar. Dla komentarzy Context-Dependent, którym brakuje informacji tła, wykorzystywana jest architektura agentic, która automatycznie generuje prompty, ewoluuje kontekst i identyfikuje niejasne złośliwe intencje.
Adaptacyjna architektura pozwala skupić zasoby obliczeniowe na złożonych przypadkach, unikając redundantnych obliczeń dla prostszych próbek. To podejście jest szczególnie ważne dla moderatorów treści i systemów detekcji w mediach społecznościowych, gdzie volume treści wymaga efektywnych rozwiązań zdolnych do radzenia sobie zarówno z prostą, jak i wyrafinowaną nienawiścią.