Automating Violence Detection and Categorization from Ancient Texts

📄 arXiv: 2503.08192v1 📥 PDF

作者: Alhassan Abdelhalim, Michaela Regneri

分类: cs.CL, cs.DL, cs.LG

发布日期: 2025-03-11

💡 一句话要点

利用大型语言模型自动检测和分类古代文本中的暴力行为

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大型语言模型 暴力检测 文本分类 古代文本 自然语言处理

📋 核心要点

  1. 人工分析古代文本中的暴力行为耗时费力，阻碍了相关人文研究的规模化开展。
  2. 本研究探索了利用大型语言模型自动识别和分类古代文本中的暴力行为，以提高分析效率。
  3. 实验结果表明，经过微调和数据增强的LLM在暴力检测和分类任务中均取得了显著的性能提升。

📝 摘要（中文）

文学作品中的暴力描写为人文科学的广泛研究提供了宝贵的见解。对于历史学家来说，对暴力的描绘对于分析围绕大型战争和有影响力人物的个人冲突的社会动态具有特殊的意义。手动收集暴力研究的数据既费力又耗时。本研究首次评估了大型语言模型（LLM）在识别古代文本中的暴力行为并对其进行多维度分类方面的有效性。我们的实验表明，LLM是扩大对历史文本进行准确分析的宝贵工具，并展示了微调和数据增强的效果，在暴力检测方面产生了高达0.93的F1分数，在细粒度暴力分类方面产生了高达0.86的F1分数。

🔬 方法详解

问题定义：本研究旨在解决从古代文本中自动检测和分类暴力行为的问题。现有方法主要依赖人工标注和分析，效率低下且难以规模化应用。因此，如何利用自然语言处理技术，特别是大型语言模型，自动且准确地识别和分类古代文本中的暴力行为，是本研究要解决的核心问题。

核心思路：本研究的核心思路是利用大型语言模型（LLM）强大的文本理解和生成能力，通过微调和数据增强等技术，使其能够有效地识别和分类古代文本中的暴力行为。LLM在预训练阶段学习了大量的语言知识，具备一定的语义理解能力，因此可以通过少量标注数据进行微调，使其适应特定的暴力检测和分类任务。

技术框架：该研究的技术框架主要包括以下几个阶段：1) 数据收集和标注：收集古代文本数据，并对其中的暴力行为进行标注，构建训练数据集。2) 模型选择和微调：选择合适的大型语言模型，并使用标注数据进行微调，使其适应暴力检测和分类任务。3) 数据增强：采用数据增强技术，扩充训练数据集，提高模型的泛化能力。4) 模型评估：使用测试数据集评估模型的性能，并与其他基线方法进行比较。

关键创新：本研究的关键创新在于首次将大型语言模型应用于古代文本中的暴力检测和分类任务，并探索了微调和数据增强等技术对模型性能的影响。与传统方法相比，该方法能够显著提高分析效率和准确性，为相关人文研究提供了一种新的工具。

关键设计：研究中可能涉及的关键设计包括：1) 针对古代文本特点的数据预处理方法；2) 用于微调的损失函数选择；3) 数据增强的具体策略，例如回译、同义词替换等；4) 模型超参数的优化，例如学习率、batch size等；5) 暴力行为的细粒度分类体系设计。

🖼️ 关键图片

fig_0

📊 实验亮点

实验结果表明，经过微调和数据增强的LLM在暴力检测任务中取得了高达0.93的F1分数，在细粒度暴力分类任务中取得了高达0.86的F1分数。这些结果表明，LLM在古代文本暴力分析方面具有显著的优势，能够为相关研究提供更准确、更高效的工具。

🎯 应用场景

该研究成果可应用于历史学、文学研究、社会学等领域，帮助研究人员更高效地分析古代文本中的暴力行为，从而深入了解古代社会的冲突、权力关系和文化价值观。此外，该方法还可以推广到其他类型的文本分析任务中，例如情感分析、主题提取等，具有广泛的应用前景。

📄 摘要（原文）

Violence descriptions in literature offer valuable insights for a wide range of research in the humanities. For historians, depictions of violence are of special interest for analyzing the societal dynamics surrounding large wars and individual conflicts of influential people. Harvesting data for violence research manually is laborious and time-consuming. This study is the first one to evaluate the effectiveness of large language models (LLMs) in identifying violence in ancient texts and categorizing it across multiple dimensions. Our experiments identify LLMs as a valuable tool to scale up the accurate analysis of historical texts and show the effect of fine-tuning and data augmentation, yielding an F1-score of up to 0.93 for violence detection and 0.86 for fine-grained violence categorization.