从在线仇恨言论和数字种族主义中学习：从自动化到衍射方法的社交媒体分析

该文档是一篇关于数字种族主义研究方法的学术论文，探讨了如何在研究数字平台上的仇恨言论时，结合定量和定性分析方法。论文的主要目的是通过混合方法揭示数字种族主义的复杂性，并提出一种“衍射”方法来更好地理解和分析这些现象。

研究背景与目的

论文首先介绍了研究背景，指出在社交媒体平台上，仇恨言论和数字种族主义是复杂的社会技术现象。数字种族主义被视为一种复杂的社会技术组合，涉及平台的特定功能和用户互动。研究的目的是通过结合计算分析、定量内容分析和定性内容分析，探索这些现象的动态。

方法论框架

研究采用了混合方法，结合了大数据分析和小规模定性分析。在大数据分析中，研究者处理了大量的推文数据，以识别常见主题、关键词和网络集群。在定性分析中，研究者深入分析了最受欢迎的推文及其评论，以理解用户互动的动态。论文强调了**“衍射”方法**，即不同方法之间的相互作用如何产生新的理解，而不是简单地相互验证。

• 衍射方法：借用物理学中的概念，指的是当两组光波相遇时，产生新的波动模式。应用于社会科学研究中，意味着不同知识体系的交汇会产生新的动态和理解。

研究发现

论文通过对#ContestingIslamophobia项目的数据分析，揭示了数字种族主义的几个关键挑战：

1. 语境问题：自动化仇恨言论检测面临的一个主要问题是识别“平庸”种族主义，即使用隐晦或编码语言来规避审查。研究发现，语言标记会随着社会政治环境的变化而变化，这使得追踪这些标记变得困难。

2. 分类挑战：在分析过程中，研究者发现反叙事有时会无意中放大仇恨言论，这对自动化方法提出了挑战。即使是混合方法，如果未能理解在线内容的关系性质，也可能加剧对数字种族主义的简化理解。

3. 可重复性问题：在机器学习领域，尤其是仇恨言论检测中，存在可重复性危机。研究者常常未能提供足够的细节来准确再现研究结果，这对算法的开发和验证提出了挑战。

研究贡献

论文的主要贡献在于提出了一种新的方法论视角，即通过**“衍射”方法**来理解和分析数字种族主义。这种方法强调了定性和定量方法之间的复杂互动，而不是简单的验证关系。研究还指出，在处理大数据时，必须考虑到平台特定的功能和用户互动的动态，以避免过于简化的分类和去情境化的分析。

结论

论文总结道，在将大数据应用于社会学研究时，必须警惕不加批判的实证主义倾向。自动化分析虽然在处理大数据集方面至关重要，但也有可能将种族主义和歧视简化为一种语言现象和技术问题。研究强调了混合方法的价值，但同时指出，方法之间的对话需要基于对新模式的识别，而不是简单的验证。

通过这篇论文，研究者呼吁在数字种族主义研究中采用更复杂和动态的方法，以更好地理解和应对这些现象。