Can Prompting LLMs Unlock Hate Speech Detection across Languages? A Zero-shot and Few-shot Study

一、文章主要内容总结

本文聚焦于多语言仇恨言论检测领域，对大型语言模型（LLMs）在零样本和少样本提示下的表现展开研究。通过运用多种提示策略（涵盖零样本提示、少样本提示、思维链提示、角色扮演提示等），针对西班牙语、葡萄牙语、德语、法语、意大利语、土耳其语、印地语和阿拉伯语这8种非英语语言的仇恨言论检测任务，对LLaMA、Qwen、Aya、BloomZ等 instruction-tuned 多语言大模型的性能进行评估，并与微调后的编码器模型（像XLM-T、mDeBERTa）进行对比。

核心发现如下：

1. 提示设计的关键作用：不同语言适配的提示策略存在差异。例如，Aya-101模型借助基于定义和区分的提示能实现最佳性能，而Qwen模型在NLI和角色扮演提示下表现更为出色。
2. 零样本与少样本提示的表现：在真实世界测试集里，提示方法的性能比不上微调后的编码器模型，但在功能测试集（如HateCheck基准）中，提示方法展现出更强的泛化能力，尤其是少样本提示（通常为5样本）能显著提升功能测试的效果。
3. 数据规模的影响：当训练数据有限时（例如西班牙语100-200样本、印地语300-400样