Erklärbare Identifikation von Hassrede gegen den Islam mithilfe von Graph Neural Networks

Islamophobe Äußerungen auf Online-Plattformen fördern Intoleranz, weshalb ihre Erkennung und Beseitigung entscheidend für die Förderung von Harmonie ist. Traditionelle Modelle zur Erkennung von Hassrede basieren auf NLP-Techniken wie Tokenisierung, Part-of-Speech-Tagging und Encoder-Decoder-Modellen. Graph Neural Networks (GNNs), die in der Lage sind, Beziehungen zwischen Datenpunkten zu nutzen, bieten hingegen eine effektivere Erkennung und eine größere Erklärbarkeit. In dieser Arbeit stellen wir Reden als Knoten dar und verbinden sie über Kanten, basierend auf ihrem Kontext und ihrer Ähnlichkeit, um einen Graphen zu erstellen. Diese Studie präsentiert ein neuartiges Paradigma, das GNNs nutzt, um Hassrede gegenüber dem Islam zu identifizieren und zu erklären. Unser Modell nutzt GNNs, um den Kontext und Muster von Hassrede zu verstehen, indem Texte über vortrainierte NLP-generierte Wort-Embeddings miteinander verknüpft werden. Es erreicht Leistungen auf State-of-the-Art-Niveau, verbessert die Erkennungsgenauigkeit und liefert gleichzeitig wertvolle Erklärungen. Dies unterstreicht das Potenzial von GNNs zur Bekämpfung von Hassrede im Internet und zur Schaffung einer sichereren, inklusiveren Online-Umgebung.