基于深度神经-中智系统的在线性别歧视可解释检测框架研究

本研究针对社交媒体中性别歧视内容检测的模糊性问题，创新性地提出深度神经-中智系统（DNNS），将RoBERTa模型与单值中智集（SVNS）相结合，在SemEval-2023任务10数据集上实现93.1%（子任务A）、91.55%（子任务B）和97.98%（子任务C）的检测准确率，为内容审核系统提供更精准的模糊语义处理方案。

　　

随着社交媒体的匿名化发展，网络性别歧视内容呈现隐蔽化、模糊化趋势。传统基于深度神经网络（DNN）的检测方法在应对讽刺、双关等模糊表达时准确率骤降，而现有审核工具多采用二分类框架，难以捕捉性别歧视的复杂谱系。SemEval-2023竞赛数据显示，当前最优模型在细分类任务（如"反向恭维"等11种子类型）中的F1值不足80%，凸显现有技术对语言不确定性的处理缺陷。

为此，研究人员提出深度神经-中智系统（DNNS），通过融合中智推理系统（NIS）与深度神经网络，首次将单值中智集（SVNS）的T（真）、I（不确定）、F（假）三值逻辑引入自然语言处理（NLP）领域。该系统在SemEval-2023任务10数据集上展开三级检测：子任务A采用RoBERTa-SVNS联合模型处理二分类问题；子任务B通过BiLSTM与五值精炼中智集识别4类性别歧视；子任务C则扩展至12值中智集解析11种子类型。关键技术包括：基于Transformer的RoBERTa预训练模型进行语义编码、动态调整的中智隶属度函数设计、以及针对不同任务层级的多粒度中智集构建方法。数据集来自公开竞赛的标注语料，包含Gab和Reddit平台的200万未标记数据用于预训练增强。

研究结果显示：在子任务A的二元检测中，DNNS以93.1%准确率超越基准模型（DNN 91.6%）；子任务B的多分类中，对"愤怒表达"等模糊类别的识别率提升12.8%；子任务C的细粒度分析更达到97.98%准确率，尤其在"居高临下建议"等传统难点类别上F1值提高19.2%。通过引入^T/_I/_F三维度评估，系统能量化语句的歧视可能性与不确定程度，例如将"女性就该温柔"标注为T=0.82,I=0.15,F=0.03，提供可解释的决策依据。

结论表明，DNNS框架通过中智集合的动态扩展能力，有效解决了自然语言处理中的三大核心挑战：语义模糊性（如反讽）、标注不一致性（如边界案例）、以及类别不平衡问题（如罕见歧视类型）。该研究不仅为社交媒体内容审核提供了新范式，更开创了中智逻辑在认知计算中的应用路径。未来可扩展至仇恨言论检测、政治倾向分析等领域，但需注意精炼中智集的维度增加可能带来的计算复杂度问题。论文发表于《Engineering Applications of Artificial Intelligence》，为人工智能伦理治理提供了创新性技术方案。