Van "Amai, wat een trut" tot "Zo'n rotwijf": AI als moderator van vrouwenhaat op Twitter
Mens vs. Machine?
De opkomst van sociale media bracht heel wat voordelen met zich mee. Nooit eerder was het zo makkelijk om in contact te blijven met mensen aan de andere kant van de wereld. Helaas is er ook een keerzijde aan de medaille: vrouwen krijgen op het internet dagelijks te maken met haatdragende posts, seksistische moppen en stereotyperende opmerkingen. Die zijn niet alleen kwetsend, maar kunnen ook bijdragen aan een toename van geweld in de echte wereld.
Er moet iets aan gedaan worden, maar hoe spoor je al die berichten op als er dagelijks miljarden nieuwe bijkomen? Socialemediaplatformen zetten daarvoor steeds vaker AI in. Een machine werkt namelijk veel sneller dan een mens én kan objectieve beslissingen nemen ... toch? In mijn bachelor leerde ik in de theorie hoe AI-tools haatspraak automatisch kunnen opsporen, maar in de praktijk bleef ik de ene schunnige mop na de andere zien.
Dat was het vertrekpunt van mijn masterproef. Ik liet een meertalig AI-systeem 4 320 tweets in het Nederlands, Engels en Spaans beoordelen op de aanwezigheid van haatspraak. Daarna vergeleek ik de resultaten met mijn eigen beoordeling van dezelfde tweets om te analyseren hoe goed het systeem haatspraak detecteert. Daarbij lag de focus niet enkel op expliciete vormen van vrouwenhaat, maar ook op impliciete stereotypes waar geen scheldwoord aan te pas komt.
Mijn belangrijkste vaststelling: AI is een onmisbaar hulpmiddel om sociale media te modereren, maar heeft nog een lange weg af te leggen. Voorbeelden zoals "vrouwen niet hysterisch reageren op willekeurig nieuws challenge: onmogelijk" mist het systeem vaak, waardoor veel vrouwonvriendelijk taalgebruik nog steeds door de mazen van het net glipt.
Nieuwe generatie, oude ideeën?
Dat die impliciete gevallen ertoe doen, blijkt uit recente cijfers over genderstereotypes. In maart 2026 bleek uit onderzoek van het Global Institute for Women's Leadership dat een op de drie Gen Z-mannen vindt dat een vrouw haar man moet gehoorzamen. Enkele maanden later toonden de resultaten van De Foto van Vlaanderen aan dat een op de vijf mannen tussen 18 en 24 jaar zich een situatie kan inbeelden waarin een man een vrouw mag slaan.
Er wordt al langer gewaarschuwd voor een heropleving van traditionele genderrollen, mede door de invloed van sociale media. Precies daar circuleren die ideeën, vaak verpakt als een grapje. Daarom mogen we ons niet blindstaren op expliciete haat, maar moeten we ook letten op impliciete opmerkingen die op het eerste gezicht onschuldig lijken. Maar waar trekken we de grens tussen vrije meningsuiting en vrouwonvriendelijkheid?
To hate or not to hate?
Om die grens te kunnen trekken, moeten we duidelijk weten wat haatspraak is. Jammer genoeg is dat waar het schoentje knelt. Als een vrouw op straat wordt uitgescholden voor rotwijf, zal de meerderheid haar zonder al te veel discussie erkennen als slachtoffer van haatspraak. Maar als ze op het werk te horen krijgt dat ze geen promotie kan maken omdat mannen geschikter zijn voor leidinggevende functies? Dan hoor je al vaker: "Ach, trek het je niet aan." Of we iets als kwetsend ervaren, hangt in grote mate af van onze persoonlijke overtuigingen en ervaringen. Wat de ene aanstootgevend vindt, lijkt voor de ander volstrekt onschuldig. Dat maakt modereren moeilijk.
Te streng modereren is bovendien geen oplossing en kan zelfs het omgekeerde effect hebben. Zo zullen berichten van onder andere activistes soms haatdragend taalgebruik bevatten, maar net om het aan te klagen en niet om het te reproduceren. Filter je die stemmen weg, dan blijft enkel de schadelijke inhoud circuleren. Een moderator moet dus niet alleen begrijpen wat iemand zegt, maar ook wat die bedoelt. Slaagt AI in de taak?
Mens én machine!
Het antwoord op die vraag is voorlopig nee. Openlijk haatdragend taalgebruik herkent het systeem in meer dan 90 procent van de gevallen. Zodra de tweets echter geen scheldwoord meer bevatten, spoort het per taal slechts 20 tot 30 procent van de gevallen op. Zeven à acht op de tien tweets blijven dus onopgemerkt. Omgekeerd slaat het systeem bijna automatisch alarm zodra er een scheldwoord in een tweet staat. Het liedje "Bitch, better have my money" van Rihanna citeren of de tweet "Omikron is a bitch" de wereld insturen, doe je dus beter niet.
Ook tussen de talen zijn er grote verschillen. Op een schaal van 0 tot 1 scoort het Engels 0,87 en het Spaans 0,85, terwijl het Nederlands op 0,70 blijft steken. Een mogelijke verklaring is dat AI-systemen leren van teksten op het internet, waar veel meer Engels en Spaans te vinden is dan Nederlands. Toch kunnen we dat niet met zekerheid zeggen, aangezien we het redeneerproces van het systeem niet kunnen volgen. Wat er gebeurt, zit als het ware in een zwarte doos. Voor ons Vlamingen is dat geen goed nieuws: minder detectie wil zeggen meer haatspraak online.
De belangrijkste conclusie is duidelijk: we kunnen als mens het tempo niet aanhouden waarmee berichten online verschijnen, dus hebben we AI nodig. Dit onderzoek wijst erop dat AI een onmisbaar hulpmiddel is, maar niet aan zijn lot mag worden overgelaten gezien de huidige accuraatheid van het systeem. Mijn voorstel is simpel: geen mens tegen machine, maar de handen in elkaar slaan. Het ideale scenario is dat AI een eerste selectie maakt en mensen de twijfelgevallen beoordelen. Wij kunnen dingen die AI niet kan én omgekeerd, en daar kunnen we maar beter gebruik van maken.
Bibliografie
Abercrombie, G., Jiang, A., Gerrard-abbott, P., Konstas, I., & Rieser, V. (2023). Resources for Automated Identification of Online Gender-Based Violence: A Systematic Review. En Y.-L. Chung, P. Röttger, D. Nozza, Z. Talat, & A. Mostafazadeh Davani (Eds.), The 7th Workshop on Online Abuse and Harms (WOAH) (pp. 170-186). Association for Computational Linguistics. https://doi.org/10.18653/v1/2023.woah-1.17 Ali, S., Blackburn, J., & Stringhini, G. (2025). Evolving Hate Speech Online: An Adaptive Framework for Detection and Mitigation (arXiv:2502.10921). arXiv. https://doi.org/10.48550/arXiv.2502.10921 Athoillah, M., & Putri, R. K. (2024). Utilizing Support Vector Machines to Detect Hate Speech on Social Media. Science, Engineering and Technology, 4(2), 53-60. https://doi.org/10.54327/set2024/v4.i2.129 Basile, V., Bosco, C., Fersini, E., Nozza, D., Patti, V., Rangel Pardo, F. M., Rosso, P., & Sanguinetti, M. (2019). SemEval-2019 Task 5: Multilingual Detection of Hate Speech Against Immigrants and Women in Twitter. En J. May, E. Shutova, A. Herbelot, X. Zhu, M. Apidianaki, & S. M. Mohammad (Eds.), Proceedings of the 13th International Workshop on Semantic Evaluation (pp. 54-63). Association for Computational Linguistics. https://doi.org/10.18653/v1/S19-2007 Bauwelinck, N., Jacobs, G., Hoste, V., & Lefever, E. (2019). LT3 at SemEval-2019 Task 5: Multilingual Detection of Hate Speech Against Immigrants and Women in Twitter (hatEval). En J. May, E. Shutova, A. Herbelot, X. Zhu, M. Apidianaki, & S. M. Mohammad (Eds.), Proceedings of the 13th International Workshop on Semantic Evaluation (pp. 436-440). Association for Computational Linguistics. https://doi.org/10.18653/v1/S19-2077 BOE-A-1977-9008 Real Decreto-ley 24/1977, de 1 de abril, sobre libertad de expresión. (s. f.). Recuperado 12 de marzo de 2025, de https://www.boe.es/buscar/doc.php?id=BOE-A-1977- 9008 BOE-A-1995-25444 Ley Orgánica 10/1995, de 23 de noviembre, del Código Penal. (s. f.). Recuperado 12 de marzo de 2025, de https://www.boe.es/buscar/act.php?id=BOE-A-1995-25444 Caselli, T., Basile, V., Mitrović, J., & Granitzer, M. (2021). HateBERT: Retraining BERT for Abusive Language Detection in English. En A. Mostafazadeh Davani, D. Kiela, M. Lambert, B. Vidgen, V. Prabhakaran, & Z. Waseem (Eds.), Proceedings of the 5th Workshop on Online Abuse and Harms (WOAH 2021) (pp. 17-25). Association for Computational Linguistics. https://doi.org/10.18653/v1/2021.woah-1.3 censor-text. (s.f.). Profanity-list/list/nl.txt at main · censor-text/profanity-list. GitHub. Recuperado 26 de mayo de 2026, de https://github.com/censor-text/profanity-list/blob/main/list/nl.txt Chen, Y., Zhou, Y., Zhu, S., & Xu, H. (2012). Detecting Offensive Language in Social Media to Protect Adolescent Online Safety. 2012 International Conference on Privacy, Security, Risk and Trust and 2012 International Confernece on Social Computing, 71-80. https://doi.org/10.1109/socialcom-passat.2012.55 Chikersal, P., Poria, S., & Cambria, E. (2015). SeNTU: Sentiment Analysis of Tweets by Combining a Rule-based Classifier with Supervised Learning. Proceedings of the 9th International Workshop on Semantic Evaluation (SemEval 2015). Proceedings of the 9th International Workshop on Semantic Evaluation (SemEval 2015), Denver, Colorado. https://doi.org/10.18653/v1/s15-2108 Cignarella, A. T., Giachanou, A., & Lefever, E. (2026). A survey on stereotype detection in natural language processing. ACM COMPUTING SURVEYS, 58(5). https://doi.org/10.1145/3770754 Clarke, C., Hall, M., Mittal, G., Yu, Y., Sajeev, S., Mars, J., & Chen, M. (s. f.). Rule By Example: Harnessing Logical Rules for Explainable Hate Speech Detection. https://doi.org/10.48550/arXiv.2307.12935 Dinakar, K., Reichart, R., & Lieberman, H. (2011, 21 de julio). Modeling the detection of textual cyberbullying [Ponencia de conferencia]. Fifth International AAAI Conference on Weblogs and Social Media, Barcelona, Cataluña, España. https://roireichart.com/wpcontent/uploads/2023/03/3841-16937-1-pb.pdf Gao, L., y Huang, R. (2017). Detecting Online Hate Speech Using Context Aware Models. En R. Mitkov y G. Angelova (Eds.), Proceedings of the International Conference Recent Advances in Natural Language Processing (RANLP 2017) (pp. 260-266). Incoma Ltd. https://doi.org/10.26615/978-954-452-049-6_036 Ghorbanpour, F., Dementieva, D., & Fraser, A. (2025). Can prompting LLMs unlock hate speech detection across languages? A zero-shot and few-shot study. En Proceedings of the 9th Workshop on Online Abuse and Harms (WOAH) (pp. 413 – 425). Association for Computational Linguistics. https://aclanthology.org/2025.woah-1.39/ Gitari, N. D., Zhang, Z., Damien, H., & Long, J. (2015). A Lexicon-based Approach for Hate Speech Detection. International Journal of Multimedia and Ubiquitous Engineering, 10(4), 215-230. https://doi.org/10.14257/ijmue.2015.10.4.21 Goenaga, I., Atutxa, A., Gojenola, K., Casillas, A., de Ilarraza, A. D., Oronoz, M., Perez, A., & de Vinaspre, O. P. (2018). Automatic Misogyny Identification Using Neural Networks. https://ceur-ws.org/Vol-2150/AMI_paper1.pdf Guillaume, P., Duchêne, C., y Dehak, R. (2022). Hate Speech and Toxic Comment Detection Using Transformers. En Conférence francophone sur l’Extraction et la Gestion des Connaissances (EGC 2022). https://www.researchgate.net/publication/360085544_Hate_Speech_and_Toxi… etection_using_Transformers hate speech noun—Definition, pictures, pronunciation and usage notes | Oxford Advanced Learner’s Dictionary at OxfordLearnersDictionaries.com. (s. f.). Recuperado 12 de marzo de 2025, de https://www.oxfordlearnersdictionaries.com/definition/english/hate-spee… Hatzivassiloglou, V., & McKeown, K. R. (s. f.). Predicting the Semantic Orientation of Adjectives. Ibrohim, M. O., & Budi, I. (2019). Multi-label Hate Speech and Abusive Language Detection in Indonesian Twitter. Proceedings of the Third Workshop on Abusive Language Online. Proceedings of the Third Workshop on Abusive Language Online, Florence, Italy. https://doi.org/10.18653/v1/w19-3506 Hewitt, S., Tiropanis, T., & Bokhove, C. (2016). The problem of identifying misogynist language on Twitter (and other online social spaces). En Websci ’16: Proceedings of the 8th Conference on Web Science (pp. 333-335). Association for Computing Machinery. https://doi.org/10.1145/2908131.2908183 Jahan, M. S., & Oussalah, M. (2023). A systematic review of hate speech automatic detection using natural language processing. Neurocomputing, 546, 126232. https://doi.org/10.1016/j.neucom.2023.126232 Jiang, A., Yang, X., Liu, Y., & Zubiaga, A. (2021). SWSR: A Chinese Dataset and Lexicon for Online Sexism Detection (arXiv:2108.03070). arXiv. https://doi.org/10.48550/arXiv.2108.03070 Kim, Y., Park, S., & Han, Y.-S. (2022). Generalizable Implicit Hate Speech Detection Using Contrastive Learning. En N. Calzolari, C.-R. Huang, H. Kim, J. Pustejovsky, L. Wanner, K.- S. Choi, P.-M. Ryu, H.-H. Chen, L. Donatelli, H. Ji, S. Kurohashi, P. Paggio, N. Xue, S. Kim, Y. Hahm, Z. He, T. K. Lee, E. Santus, F. Bond, & S.-H. Na (Eds.), Proceedings of the 29th International Conference on Computational Linguistics (pp. 6667-6679). International Committee on Computational Linguistics. https://aclanthology.org/2022.coling-1.579/ Kowsari, K., Jafari Meimandi, K., Heidarysafa, M., Mendu, S., Barnes, L., & Brown, D. (2019). Text Classification Algorithms: A Survey. Information, 10(4), 150. https://doi.org/10.3390/info10040150 Kwok, I., & Wang, Y. (2013). Locate the Hate: Detecting Tweets against Blacks. Proceedings of the AAAI Conference on Artificial Intelligence, 27(1), 1621-1622. https://doi.org/10.1609/aaai.v27i1.8539 MacAvaney, S., Yao, H.-R., Yang, E., Russell, K., Goharian, N., & Frieder, O. (2019). Hate speech detection: Challenges and solutions. PLOS ONE, 14(8), e0221152. https://doi.org/10.1371/journal.pone.0221152 Maladry, A., Cignarella, A. T., & Lefever, E., Van Hee, C., y Hoste, V. (2024). Human and System Perspectives on the Expression of Irony: An Analysis of Likelihood Labels and Rationales. En N. Calzolari, M.-Y. Kan, V. Hoste, A. Lenci, S. Sakti, y N. Xue (Eds.), Proceedings of the 2024 Joint International Conference on Computational Linguistics, Language Resources and Evaluation (LREC-COLING 2024) (pp. 8372-8382). ELRA y ICCL. https://aclanthology.org/2024.lrec-main.734/ Malmasi, S., & Zampieri, M. (2017). Detecting Hate Speech in Social Media. En R. Mitkov & G. Angelova (Eds.), Proceedings of the International Conference Recent Advances in Natural Language Processing, RANLP 2017 (pp. 467-472). INCOMA Ltd. https://doi.org/10.26615/978-954-452-049-6_062 Markov, I., y Daelemans, W. (2022). The Role of Context in Detecting the Target of Hate Speech. En R. Kumar, A. K. Ojha, M.Zampieri, S. Malmasi, y D. Kadar (Eds.), Proceedings of the Third Workshop on Threat, Agression and Cyberbullying (TRAC 2022) (pp. 37-42). Association for Computational Linguistics. https://aclanthology.org/2022.trac-1.5/ Menini, S., Aprosio, A. P., & Tonelli, S. (2021). Abuse is Contextual, What about NLP? The Role of Context in Abusive Language Annotation and Detection (arXiv:2103.14916). arXiv. https://doi.org/10.48550/arXiv.2103.14916 Dinakar, K., Reichart, R., & Lieberman, H. (2011, 21 de julio). Modeling the detection of textual cyberbullying [Ponencia de conferencia]. Fifth International AAAI Conference on Weblogs and Social Media, Barcelona, Cataluña, España. https://roireichart.com/wpcontent/uploads/2023/03/3841-16937-1-pb.pdf Nina-Alcocer, V. (2018). AMI at IberEval2018 Automatic Misogyny Identification in Spanish and English Tweets. https://ceur-ws.org/Vol-2150/AMI_paper8.pdf Nirmal, A., Bhattacharjee, A., Sheth, P., & Liu, H. (2024). Towards Interpretable Hate Speech Detection using Large Language Model-extracted Rationales (arXiv:2403.12403). arXiv. https://doi.org/10.48550/arXiv.2403.12403 Not All Words Are Created Equal: Extracting Semantic Orientation as a Function of Adjective Relevance. (s. f.). En K. Voll & M. Taboada, Lecture Notes in Computer Science (pp. 337- 346). Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-540-76928-6_35 Pavlopoulos, J., Sorensen, J., Dixon, L., Thain, N., & Androutsopoulos, I. (2020). Toxicity Detection: Does Context Really Matter? En D. Jurafsky, J. Chai, N. Schluter, & J. Tetreault (Eds.), Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (pp. 4296-4305). Association for Computational Linguistics. https://doi.org/10.18653/v1/2020.aclmain.396 Pitsilis, G. K., Ramampiaro, H., y Langseth, H. (2018). Detecting Offensive Language in Tweets Using Deep Learning. https://www.researchgate.net/publication/322577160_Detecting_Offensive_… ¿Qué es el aprendizaje automático (ML)? | IBM. (2021, septiembre 22). https://www.ibm.com/mxes/think/topics/machine-learning ¿Qué es el aprendizaje profundo? | IBM. (s. f.). Recuperado 25 de mayo de 2025, de https://www.ibm.com/mx-es/think/topics/deep-learning ¿Qué es el PLN (procesamiento del lenguaje natural)? | IBM. (2021, septiembre 23). https://www.ibm.com/es-es/think/topics/natural-language-processing ¿Qué son los clasificadores Naive Bayes? | IBM. (2021, octubre 6). https://www.ibm.com/eses/think/topics/naive-bayes Rodríguez-Sánchez, F., Carrillo-de-Albornoz, J., & Plaza, L. (2020). Automatic Classification of Sexism in Social Networks: An Empirical Study on Twitter Data. IEEE Access, 8, 219563- 219576. https://doi.org/10.1109/ACCESS.2020.3042604 Röttger, P., Nozza, D., Bianchi, F., & Hovy, D. (2022). Data-Efficient Strategies for Expanding Hate Speech Detection into Under-Resourced Languages. Proceedings of the 2022 Conference on Empirical Methods in Natural Language Processing, 5674-5691. https://doi.org/10.18653/v1/2022.emnlp-main.383 Schmeisser-Nieto, W. S., Cignarella, A. T., Bourgeade, T., Frenda, S., Ariza-Casabona, A., Laurent, M., Cicirelli, P. G., Marra, A., Corbelli, G., Benamara, F., Bosco, C., Moriceau, V., Paciello, M., Patti, V., Taulé, M., & D’Errico, F. (2025). Stereohoax: A multilingual corpus of racial hoaxes and social media reactions annotated for stereotypes. Language Resources and Evaluation, 59(3), 2031-2069. https://doi.org/10.1007/s10579-024-09791-3 Schmidt, A., & Wiegand, M. (2017). A Survey on Hate Speech Detection using Natural Language Processing. Proceedings of the Fifth International Workshop on Natural Language Processing for Social Media. Proceedings of the Fifth International Workshop on Natural Language Processing for Social Media, Valencia, Spain. https://doi.org/10.18653/v1/w17-1101 Shushkevich, E., & Cardiff, J. (2019). Automatic Misogyny Detection in Social Media: A Survey. Computación y Sistemas, 23(4), 1159-1164. https://doi.org/10.13053/cys-23-4-3299 Sidharth GN. (2022, octubre). The RBF kernel in SVM: A complete guide. Quark Machine Learning. https://www.quarkml.com/2022/10/the-rbf-kernel-in-svm-complete-guide.ht… Strossen, N. (2016). Freedom of Speech and Equality: Do We Have to Choose? Journal of Law and Policy, 25(1), 185-225. https://brooklynworks.brooklaw.edu/jlp/vol25/iss1/7 Swinnen, Jill. (2026, 14, maart). 1 op de 3 Gen Z-mannen vindt dat een vrouw 'gehoorzaam' moet zijn. VRT NWS. Geraadpleegd op 15 september 2026, van https://www.vrt.be/vrtnws/nl/2026/03/10/1-op-3-gen-z-mannen-vinden-dat-… Tanev, H. (2024). JRC at ClimateActivism 2024: Lexicon-based Detection of Hate Speech. En A. Hürriyetoğlu, H. Tanev, S. Thapa, y G. Uludoğan (Eds.), Proceedings of the 7th Workshop on Challenges and Applications of Automated Extraction of Socio-political Events from Text (CASE 2024) (pp. 85-88). Association for Computational Linguistics. https://aclanthology.org/2024.case-1.11/ The RBF kernel in SVM: A Complete Guide. (2025, abril 6). Quark Machine Learning. https://www.quarkml.com/2022/10/the-rbf-kernel-in-svm-complete-guide.ht… Toktarova, A., Syrlybay, D., Myrzakhmetova, B., Anuarbekova, G., Rakhimbayeva, G., Zhylanbaeva, B., Suieuova, N., & Kerimbekov, M. (2023). Hate Speech Detection in Social Networks using Machine Learning and Deep Learning Methods. International Journal of Advanced Computer Science and Applications, 14(5). https://doi.org/10.14569/ijacsa.2023.0140542 tommasoc80. (s. f.). DALC/GROF_LEX/groflex.tsv at master · tommasoc80/DALC. GitHub. Recuperado 26 de mayo de 2026, de https://github.com/tommasoc80/DALC/blob/master/GROF_LEX/groflex.tsv Tontodimamma, A., Nissi, E., Sarra, A., & Fontanella, L. (2021). Thirty years of research into hate speech: Topics of interest and their evolution. Scientometrics, 126(1), 157-179. https://doi.org/10.1007/s11192-020-03737-6 Truyts, Joris. (2026, 19, mayo). 1 op de 3 jongeren wil geen trans persoon als vriend, vooral jonge mannen denken traditioneler. VRT NWS. Geraadpleegd op 15 september 2026, van https://www.vrt.be/vrtnws/nl/2026/05/05/foto-van-vlaanderen-onderzoek-g… Turney, P. D. (2001). Thumbs up or thumbs down?: Semantic orientation applied to unsupervised classification of reviews. Proceedings of the 40th Annual Meeting on Association for Computational Linguistics - ACL ’02, 417. https://doi.org/10.3115/1073083.1073153 Twitter Usage Statistics—Internet Live Stats. (s. f.). Recuperado 12 de marzo de 2025, de https://www.internetlivestats.com/twitter-statistics/ Van Hee, C., & Hoste, V. (2024). Taaltechnologie ontrafeld. Pelckmans. http://hdl.handle.net/1854/LU-01J0RGC1ABW7A5YGMSJAGDBZYR Van Hee, C., Lefever, E., & Hoste, V. (2018). We Usually Don’t Like Going to the Dentist: Using Common Sense to Detect Irony on Twitter. Computational Linguistics, 44(4), 793-832. https://doi.org/10.1162/coli_a_00337 Vapnik, V., Golowich, S. E., & Smola, A. (1996). Support vector method for function approximation, regression estimation and signal processing. Proceedings of the 10th International Conference on Neural Information Processing Systems, NIPS’96, 281-287. https://dl.acm.org/doi/10.14778/3489496.3489503 Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., & Polosukhin, I. (2023). Attention Is All You Need (arXiv:1706.03762). arXiv. https://doi.org/10.48550/arXiv.1706.03762 Vaughan, J. W. y Wallach, H. (2021). A Human-Centered Agenda for Intelligible Machine Learning. En M. Pelillo y T. Scantamburlo (Eds.), Machines We Trust: Perspectives on Dependable AI (pp. 123-138). The MIT Press. https://doi.org/10.7551/mitpress/12186.003.0014 Velankar, A., Patil, H., & Joshi, R. (2022). A Review of Challenges in Machine Learning based Automated Hate Speech Detection. arXiv.Org. https://arxiv.org/abs/2209.05294v1 Vidgen, B., Harris, A., Nguyen, D., Tromble, R., Hale, S., & Margetts, H. (2019). Challenges and frontiers in abusive content detection. Proceedings of the Third Workshop on Abusive Language Online. Proceedings of the Third Workshop on Abusive Language Online, Florence, Italy. https://doi.org/10.18653/v1/w19-3509 Warner, W., y Hirschberg, J. (2012). Detecting Hate Speech on the World Wide Web. En S. O. Sood, M. Nagarajan, y M. Gamon (Eds.), Proceedings of the Second Workshop on Language in Social Media (pp. 19-26). Association for Computational Linguistics. https://aclanthology.org/W12- 2103/ Waseem, Z., & Hovy, D. (2016). Hateful Symbols or Hateful People? Predictive Features for Hate Speech Detection on Twitter. Proceedings of the NAACL Student Research Workshop. Proceedings of the NAACL Student Research Workshop, San Diego, California. https://doi.org/10.18653/v1/n16-2013
