解构刻板印象：有效多语言反言语的范围条件生成

反言论（CS）——使用推理和替代观点来对抗在线仇恨言论（HS）的直接回应——已成为内容删除的替代方案。然而，当前的自动 CS 生成方法经常产生通用的、无效的回复，无法针对 HS 背后隐含的刻板印象。为了弥补这一差距，我们提出了一种新颖的范围条件生成框架，该框架将结构化刻板印象特征显式集成到大型语言模型提示中。我们在一个新颖的、人工管理的、用英语、意大利语和西班牙语注释的数据集上验证了我们的方法。广泛的评估表明，在所有三种语言中，刻板印象条件的提示大大优于通用基线，在显性和隐含的刻板印象的事实性、特异性、说服力和有效性方面都取得了显着的进步。