Implizit missbräuchliche Sprache bezieht sich auf Ausdrücke, die eine abwertende, beleidigende oder schädliche Bedeutung vermitteln, ohne auf offen missbräuchliche Wörter zurückzugreifen. Stattdessen kann Missbrauch indirekt durch Stereotype, pragmatische Schlussfolgerungen, kontextuelle Annahmen oder subtile Formen der Ausgrenzung kommuniziert werden.

Dieser Vortrag untersucht, warum solche Sprache in der Erkennung missbräuchlicher Sprache weiterhin schwer zu modellieren ist, wobei der Fokus auf Herausforderungen im Zusammenhang mit Daten, Datensatzverzerrungen und Klassifikation liegt. Es wird erörtert, warum bestehende Datensätze oft schädliche Verzerrungen wie Identitätsgruppen-Bias enthalten, und die Notwendigkeit betont, gezieltere Datensätze zu entwickeln, die spezifische Teilprobleme bei der Erkennung impliziten Missbrauchs ansprechen.

Der Vortrag beleuchtet außerdem, wie Crowdsourcing und große Sprachmodelle zur Erstellung und Analyse solcher Datensätze beitragen können. Abschließend wird die Schwierigkeit thematisiert, die wahrgenommene Missbräuchlichkeit nicht-negativer Stereotype zu modellieren, deren Interpretation von semantischen Variationen, Verallgemeinerungen, Perspektivrahmen und der beschriebenen Identitätsgruppe abhängen kann.

Michael Wiegand promovierte 2011 an der Universität des Saarlandes. Bis 2018 war er Postdoktorand in der Forschungsgruppe Spoken Language Systems an der Universität des Saarlandes . Im Jahr 2019 leitete er eine Forschungsgruppe am Leibniz-WissenschaftsCampus Empirische Sprachwissenschaft und Computerbasierte Sprachmodellierung (Leibniz-Institut für Deutsche Sprache, Mannheim/Universität Heidelberg). Von 2020 bis 2024 hatte er eine temporäre Professur für Computerlinguistik am Digital Age Research Center (D!ARC) der Universität Klagenfurt inne.

Seit 2024 ist er Senior Scientist für Digitale Philologie an der Philologisch-Kulturwissenschaftlichen Fakultät der Universität Wien.

Erfahren Sie mehr über Michael Wiegand:

• Website