{rfName}
LL

APC

2 018,00 Euros
Springer

Licencia y uso

Icono OpenAccess

Citaciones

11

Altmetrics

Investigadores/as Institucionales

Giron, AdrianAutor (correspondencia)Huertas-Tato, JavierAutor o CoautorCamacho, DavidAutor o Coautor

Compartir

3 de julio de 2025
Publicaciones
>
Artículo
Sí

LLM synthetic generation to enhance online content moderation generalization in hate speech scenarios

Publicado en: COMPUTING. 107 (8): 164- - 2025-07-03, DOI: 10.1007/s00607-025-01518-8

Autores:

Girón, A; Huertas-Tato, J; Camacho, D
[+]

Afiliaciones

Univ Politecn Madrid, Madrid, Spain - Autor o Coautor

Resumen

As social media and digital platforms become more influential, the spread of hate speech has accelerated, inflicting serious harm on individuals, communities, and society as a whole. Addressing this challenge is further complicated by the limitations of traditional text data augmentation techniques-such as adding noise to the original text, substituting words based on context, or rephrasing sentences-which often fail to introduce new perspectives that could help classifiers generalize better to new instances. This limitation is especially critical in fields like hate speech detection, where creating datasets is highly labor-intensive, involving the collection of positive samples and expert labeling. In this work, we present an automatic text data augmentation method based on large language models (LLMs) using demonstration-based generation. Our approach generates diverse samples that maintain the original writing style, effectively bridging semantic gaps in the data. While our method focuses on low-resource hate speech datasets, we have empirically demonstrated its potential and consistency even in larger and more robust dataset scenarios. The careful design of the prompt, combined with token sampling strategies, positions our method as the most consistent alternative for LLM-based synthetic data generation compared to existing state-of-the-art methods and prompts. Our benchmarking includes (1) CMSB, a dataset centered on sexism; (2) ETHOS, a diverse dataset encompassing multiple forms of hate speech; (3) Stormfront, which contains white supremacist discourse; and (4) Antiasian, an anti-Asian hate speech dataset. We outperform other traditional augmentation methods such as NLPAug or BackTranslation and benchmark with promising results against another LLM-based techniques. We consistently achieve an F1-score improvement of approximately 4-6% in low-resource scenarios and 1-2% on full datasets. These gains are notably higher compared to both the absence of augmentation and alternative augmentation methods.
[+]

Palabras clave

Demonstration-based generationLlmLow-resource augmentationOnline content moderatioOnline content moderationSynthetic data generation

Indicios de calidad

Impacto bibliométrico. Análisis de la aportación y canal de difusión

El trabajo ha sido publicado en la revista COMPUTING debido a la progresión y el buen impacto que ha alcanzado en los últimos años, según la agencia WoS (JCR), se ha convertido en una referencia en su campo. En el año de publicación del trabajo, 2025, se encontraba en la posición 41/146, consiguiendo con ello situarse como revista Q2 (Segundo Cuartil), en la categoría Computer Science, Theory & Methods. Destacable, igualmente, el hecho de que la Revista está posicionada en el Cuartil Q2 para la agencia Scopus (SJR) en la categoría Computational Theory and Mathematics.

Independientemente del impacto esperado determinado por el canal de difusión, es importante destacar el impacto real observado de la propia aportación.

Según las diferentes agencias de indexación, el número de citas acumuladas por esta publicación hasta la fecha 2026-11-22:

  • Scopus: 9
[+]

Impacto y visibilidad social

Desde la dimensión de Influencia o adopción social, y tomando como base las métricas asociadas a las menciones e interacciones proporcionadas por agencias especializadas en el cálculo de las denominadas “Métricas Alternativas o Sociales”, podemos destacar a fecha 2026-11-22:

  • La utilización de esta aportación en marcadores, bifurcaciones de código, añadidos a listas de favoritos para una lectura recurrente, así como visualizaciones generales, indica que alguien está usando la publicación como base de su trabajo actual. Esto puede ser un indicador destacado de futuras citas más formales y académicas. Tal afirmación es avalada por el resultado del indicador “Capture” que arroja un total de: 34 (PlumX).

Es fundamental presentar evidencias que respalden la plena alineación con los principios y directrices institucionales en torno a la Ciencia Abierta y la Conservación y Difusión del Patrimonio Intelectual. Un claro ejemplo de ello es:

  • El trabajo se ha enviado a una revista cuya política editorial permite la publicación en abierto Open Access.
  • Asignación de un Handle/URN como identificador dentro del Depósito en el Repositorio Institucional: https://oa.upm.es/96434/
[+]

Análisis de liderazgo de los autores institucionales

Existe un liderazgo significativo ya que algunos de los autores pertenecientes a la institución aparecen como primer o último firmante, se puede apreciar en el detalle: Primer Autor (GIRON JIMENEZ, ADRIAN) y Último Autor (CAMACHO FERNANDEZ, DAVID).

el autor responsable de establecer las labores de correspondencia ha sido GIRON JIMENEZ, ADRIAN.

[+]

Reconocimientos ligados al ítem

This work has been supported by the following projects: H2020 TMA-MSCA-DN TUAI project "Towards an Understanding of Artificial Intelligence via a transparent, open and explainable perspective" (HORIZON-MSCA-2023-DN-01-01, Grant agreement no: 101168344); by Strategic Networking and Development Program funded by the Ministry of Science and ICT through the National Research Foundation of Korea (RS-2023-00267476); by project PCI2022-134990-2 (MARTINI) of the CHISTERA IV Cofund 2021 program; by European Comission under IBERIFIER Plus - Iberian Digital Media Observatory (DIGITAL-2023-DEPLOY- 04-EDMO-HUBS 101158511); by EMIF managed by the Calouste Gulbenkian Foundation, in the project MuseAI; and by Comunidad Autonoma de Madrid, CIRMA-CAM Project (TEC-2024/COM-404).
[+]