《Applied Sciences》：When Implicit Offence Is Not Necessarily Negative: Pragmatic Strategies and Sentiment Polarity in Chinese Online Attacks
编辑推荐：
本研究考察中文网络攻击中情感极性（sentiment polarity）与冒犯功能（offensive function）之间的关系，重点关注通过隐式而非显式负面措辞表达的冒犯。利用源自TOXICN及其语用导向标注扩展的1400条中文在线文本语料库，研究人员考
本研究考察中文网络攻击中情感极性（sentiment polarity）与冒犯功能（offensive function）之间的关系，重点关注通过隐式而非显式负面措辞表达的冒犯。利用源自TOXICN及其语用导向标注扩展的1400条中文在线文本语料库，研究人员考察了非冒犯文本、显式攻击和隐式攻击中的情感分布，并评估了这些模式如何反映在模型生成的情感标签中。隐式攻击子集通过四种语用策略进行分析：反讽（Irony）、比喻（Trope）、间接表达（Indirectness）和夸张（Exaggeration）。一个分层提取的400条验证子集由三名人类标注者独立进行情感极性标注，并使用四个自然语言处理（NLP）模型为全语料库分配情感标签：Claude Haiku 4.5、OpenAI GPT-4.1-mini、基于中文BERT的情感分类器以及多语言DistilBERT（Multilingual DistilBERT）。人类参考标注显示，负面情感与冒犯性语言标签强相关，但并非完美对应：一些非冒犯文本被视为负面，而一些隐式攻击被赋予中性情感。在验证子集中，语用策略未能显著预测人类参考情感极性。模型与人类的一致性在四个选定系统间有所不同，Claude Haiku 4.5和OpenAI GPT-4.1-mini在验证子集中的一致性高于基于中文BERT的分类器和多语言DistilBERT。全语料混合效应逻辑回归显示，模型生成的负面标签随文本类别和模型的变化显著变化，而稳定且模型特定的语用策略效应证据有限。这些发现提供了来自中文网络攻击的经验证据，表明情感极性可以为冒犯性语言分析提供信息，但无法替代该分析。研究还表明，当冒犯以隐式、比喻、谐音或依赖语境的方式表达时，模型生成的情感标签需要人工验证和谨慎解读。
随着社交媒体和在线平台的发展，攻击性语言检测成为自然语言处理（natural language processing, NLP）与内容审核的重要课题。已有研究多将攻击性检测视为文本分类任务，在识别显式辱骂和歧视性表达方面取得了进展。然而，攻击性语言并不总是以显式形式出现。隐式攻击可能通过暗示、反讽、类比、预设或共享语境知识来传达冒犯意义，中文网络话语中的谐音、变体字、网络梗等进一步加剧了识别难度。情感分析与攻击性检测相关但不同：情感分析关注文本所表达的情感方向（负面、中性、正面），而攻击性检测关注文本是否执行了贬损、排斥等攻击性功能。虽然二者在显式攻击中常重叠，但在隐式攻击中，一个话语可能表现为事实陈述、反问、玩笑、类比或看似正面的表达，却仍具有攻击性。目前，关于中文隐式攻击中不同语用形式下情感极性的分布，以及不同NLP系统如何为这类文本分配情感标签，仍知之甚少。本研究旨在填补这一空白，使用来自TOXICN及其语用导向标注扩展的1400条中文在线文本语料，结合人类参考情感标注、语用策略分类和模型输出分析，系统考察情感极性与冒犯功能的关系。
研究人员将语料分为600条非冒犯文本、400条显式攻击和400条隐式攻击，并从隐式攻击中识别出反讽（Irony）、比喻（Trope）、间接表达（Indirectness）和夸张（Exaggeration）四种语用策略。对分层抽取的
