Recent years brought an exponential growth of social media which revolutionized freedom of speech but significantly increased the propagation of hate speech and hate-based activities. Therefore, constructive countermeasures are necessary to prevent escalating hateful content on online social media. Many recent works target explicit hate speech, but only a few studies have utilized multiple fused features such as sentiment, targets, and emotions as attributes to enhance the detection of hate speech. In general, sentiment features help to discern feelings such as positivity or negativity, and emotion features provide a deeper level of granularity, focusing on a more comprehensive understanding of sensitivities. The aim of this paper is to investigate the significance of incorporating fine-grained emotions as an essential feature in improving the classification of implicit hate speech. First, we analyzed emotion variations of hateful and non-hateful content and explored their major fine-grained emotion discrepancies targeting implicit hateful content. Next, we introduce a multi-task learning approach that integrates emotions and sentiment features to classify implicit expressions of hatred. To evaluate the effectiveness of our multi-task learning approach, we compared it with baseline models using single-task learning approaches. The experimental results show that our multi-task approach outperformed in classifying implicit hate speech compared to the baseline models and demonstrates that fine-grained emotional knowledge decreases the classification error across multiple implicit hate categories.

Proliferation of data sources associated to Internet of Things (IoT) deployment as well as those bound to Open Data Portals (e.g. European Data Portal, Municipalities Open Data Portals, etc.) and Social Media platforms is creating an abundance of information that is called to bring benefits for both the private and public sectors, through the development of added-value services, increasing administrations’ transparency and availability or fostering efficiency of public services. However, pieces of information without a context are significantly less valuable. Raw data lacks semantics and it is highly heterogeneous from one data-source to another. This poses a challenge to make it useful. To turn all this data into valuable information it is necessary to enable its combination so that meaningful context can be created. Moreover, it is fundamental to define the mechanisms enabling the adoption and orchestration of advanced (typically AI-enabled) data processing techniques to be applied over the harmonized datasets and data-streams. This paper presents the Data Enrichment Toolchain (DET) that provides the necessary harmonization and enrichment to datasets and data-streams coming from heterogeneous sources. The value of the enriched data lies on the one hand in the transfer of the data into a semantically grounded knowledge graph and, on the other hand, in the creation of new data through linking, aggregating and reasoning on the data. In both cases, the benefit of employing linked-data modelling and semantics comes from the extension of the metadata that is associated to every piece of information. Furthermore, the experimental evaluation of the DET implementation that we have carried out is also presented in the paper.

Detecting the underlying human values within arguments is essential across various domains, ranging from social sciences to recent computational approaches. Identifying these values remains a significant challenge due to their vast numbers and implicit usage in discourse. This study explores the potential of emotion analysis as a key feature in improving the detection of human values and information extraction from this field. It aims to gain insights into human behavior by applying intensive analyses of different levels of human values. Additionally, we conduct experiments that integrate extracted emotion features to improve human value detection tasks. This approach holds the potential to provide fresh insights into the complex interactions between emotions and values within discussions, offering a deeper understanding of human behavior and decision making. Uncovering these emotions is crucial for comprehending the characteristics that underlie various values through data-driven analyses. Our experiment results show improvement in the performance of human value detection tasks in many categories.

Vers l'intelligence émotionnelle dans les tâches linguistiques à l'aide de grands modèles de langage: Alors que les systèmes de traitement du langage naturel (NLP) s'intègrent de plus en plus dans les technologies sociales interactives, sensibles aux émotions et décisionnelles, le besoin d'intelligence émotionnelle dans les modèles de langage devient une priorité essentielle de recherche. Si les techniques traditionnelles d'analyse des sentiments permettent de détecter les états émotionnels de base, elles ont toutefois une capacité limitée à interpréter les nuances émotionnelles, cognitives et psychologiques plus profondes du langage humain. La création de systèmes émotionnellement intelligents nécessite non seulement une reconnaissance fine des émotions, mais aussi la capacité de raisonner sur leurs causes sous-jacentes et de personnaliser l'interprétation en fonction des traits de personnalité individuels et des facteurs contextuels. Cette thèse aborde ces défis en étudiant comment les caractéristiques émotionnelles, la modélisation psychologique et les mécanismes de raisonnement peuvent être systématiquement intégrés dans des modèles de langage à grande échelle afin de permettre une compréhension émotionnelle plus profonde et plus adaptative. Les recherches commencent par explorer le rôle des émotions fines dans deux tâches linguistiques complexes et socialement importantes : la détection des discours haineux implicites, où la haine est exprimée indirectement à travers des sous-entendus émotionnels, et l'identification des valeurs humaines dans les discours argumentatifs, où les valeurs morales et culturelles sont souvent signalées par un langage affectif. Dans ces deux tâches, l'intégration d'indices émotionnels fins améliore les performances et l'interprétabilité du modèle. S'appuyant sur ces observations, la thèse présente un nouveau cadre qui combine les traits de personnalité, dérivés de modèles établis tels que le Big Five et Myers-Briggs, avec une méthode de tuning basée sur des prompts afin de personnaliser l'interprétation et le raisonnement émotionnels. Ce cadre permet aux modèles de langages d'ajuster leurs réponses en fonction des profils psychologiques spécifiques à chaque utilisateur, ce qui permet une inférence plus précise des causes émotionnelles dans des contextes émotionnellement ambigus ou subjectifs. La thèse propose également un protocole d'évaluation adapté à l'évaluation du raisonnement émotionnel en relation avec la personnalité, ainsi qu'à des techniques d'apprentissage multitâche et de contrastive training qui renforcent la représentation émotionnelle et contextuelle. Les résultats expérimentaux obtenus à partir de plusieurs datasets confirment que les méthodes proposées conduisent à des améliorations substantielles en matière de compréhension des émotions, de personnalisation et de capacités de raisonnement. En résumé, ce travail contribue au développement de technologies linguistiques émotionnellement intelligentes en établissant un lien entre la reconnaissance des émotions, la modélisation des utilisateurs et le raisonnement, ouvrant la voie à des systèmes plus sensibles au contexte, socialement responsables et alignés sur l'expérience émotionnelle humaine.