arXiv 于 2026 年 10 月 22 日发布了一篇题为《Patronizing and Condescending Language Detection in English and Mandarin》的预印本论文，作者为 Xinyi Vicky Xiang 及另外两位合作者。该文归类于人工智能（cs.AI）方向，编号 arXiv:2610.31808v1，DOI 为 10.48550/arXiv.2610.31808，由 DataCite 发放、尚待注册。投稿记录显示，论文于 2026 年 10 月 22 日 18:44:00 UTC 提交，文件约 35 KB，目前提供 PDF、实验性 HTML 以及 TeX 源码等全文获取方式。
论文关注的是“居高临下与恩赐式语言”（Patronizing and Condescending Language，简称 PCL）。作者指出，这类语言属于有害语言的一种，其特点是贬低弱势群体、以怜悯的姿态对待他们，从而强化社会中既有的负面刻板印象。与公开的仇恨言论不同，PCL 往往更加隐蔽，即便是人类评审者也难以准确识别，这构成了自动检测的主要难点。
为应对这一问题，研究提出了一个面向 PCL 的自动化检测系统，并比较了两条技术路线。第一种方案采用静态词嵌入结合卷积神经网络进行分类，属于较传统的文本分类思路；第二种方案则使用预训练的 BERT 嵌入，并针对 PCL 任务进行微调。实验结果显示，基于 BERT 微调的方法明显更有效，在开发集上取得了 0.528 的 F1 分数。
值得注意的是，该文标题同时涵盖了英语和普通话两种语言，说明研究者在英文与中文语境下都对 PCL 检测进行了探索。作者也坦承，0.528 的 F1 分数虽然体现了 BERT 微调路线的优势，但整体水平仍反映出 PCL 检测任务的固有难度——这类语言缺乏像仇恨言论那样鲜明的表面特征，语义判断依赖语境与语用意图，模型容易漏判或误判。
从更广的视角看，这项工作把人机共同面临的判别难题转化为可量化的建模问题，为弱势群体保护、内容审核与社会偏见治理提供了新的技术切入点。不过，论文摘要并未披露数据集规模、标注规范、跨语言迁移表现等细节，这些信息需要查阅全文才能进一步评估。