자동화된 중재 시스템이 대규모로 배포되고 있지만, 그 결정에 영향을 받는 사용자와 중재자에게는 여전히 불투명하며 적용 범위도 거의 전적으로 영어에만 국한되어 있다. 나스탈리크(Nastaliq) 문자로 작성된 우르두어의 경우 이러한 시스템이 전무하며, 시스템 구축의 기반이 되는 주석 달린 자원 역시 사용자의 작성을 제한하는 글자 수 제한이 있는 Twitter/X에서 주로 추출된다. 해석 가능성에 대해서는 거의 주목받지 못하여 이러한 모델들이 실제로 무엇을 학습하는지 불분명한 상태로 남아 있다. 본 연구는 세 단계를 통해 이러한 공백을 해결한다. 첫째, 텍스트 수준의 불일치를 수정하고 기존 라벨을 재검토하여 이전 말뭉치를 확장한 7,604개의 나스탈리크 우르두어 Facebook 댓글 말뭉치를 구축하고 공개한다. 둘째, 공통 격자 탐색(grid-search) 프로토콜에 따라 우르두어 처리가 가능한 4개의 트랜스포머(transformer)를 파인튜닝하고, 동일한 데이터 분할에서 12개의 특징(feature)-분류기 기준선(baseline)과 비교한다. 최고 성능을 기록한 인도 언어 다국어 표현(MuRIL) 구성은 정확도 87.05% 및 매크로 F1 87.06%에 도달하여 가장 강력한 기준선 대비 5.52%포인트 향상되었으며, 이는 테스트 정확도의 95% 신뢰 구간을 초과하는 마진(margin)이다. 상위 2개 트랜스포머의 성능 차이는 테스트 세트에서 유의미하게 구분할 수 있는 수준 미만이었고, 5개 최적화 도구에 걸쳐 성능이 안정적으로 유지되었다. 셋째, 우횡서(right-to-left) 렌더링에 맞게 조정한 단어 수준 SHAP 기여도를 계산한다. 기여도 가중치는 고빈도 비속어에 집중되지만, 구문론적으로 중립적인 기능어 및 출처 페이지 특유의 정치 어휘로도 확장되며, 이는 종합적인 성능이 공격성에 대한 일반화 가능한 표현보다는 부분적으로 어휘 및 주제적 규칙성에 의존할 수 있음을 나타낸다.
공격적 언어 탐지 모델은 일반적으로 데이터셋 간 및 언어 간에 배포될 때 성능 저하를 겪지만, 기존 연구의 대부분은 이 현상을 보고하는 데 그치며, 성능 저하의 원인을 기여 요인으로 분해하고 개선 비용을 정량화하는 체계적인 방법론이 부족하다. 본 논문은 세 가지 조율된 기술 구성 요소로 이루어진 진단 및 최적화 프레임워크를 제안한다. 첫째, OLID에서 MLMA로의 제로샷(zero-shot) 전이 손실 분해로, 성능 저하를 데이터셋 효과와 언어 효과라는 두 가지 독립적으로 측정 가능한 구성 요소로 분리한다. 둘째, 지속적 미세조정과 콜드스타트(cold-start) 시작점에서의 퓨샷(few-shot) 학습 곡선을 비교하여 적응 효율성과 원본 과제에 가해지는 숨겨진 손상을 모두 정량화하는 통제된 미세조정 프로토콜. 셋째, 온도 샘플링(temperature sampling)과 경험 재생(experience replay)을 포함하는 세 가지 공동 학습(joint training) 전략으로, 다국어 능력 향상과 원본 과제 성능 보존 사이의 조절 가능한 파레토(Pareto) 트레이드오프를 제공한다. 이 프레임워크를 기반으로 한 실험은 데이터셋 효과가 제로샷 전이 손실을 지배하며 언어 효과를 실질적으로 능가함을 보여준다. 재생(replay) 메커니즘이 없는 퓨샷 적응은 데이터 효율적이지만, 공동 학습 전략에 비해 원본 과제 손상을 4~9배 더 가하며, 그 손상의 크기는 매우 불안정하다. 세 가지 공동 학습 전략은 원본 과제 성능 3.2~4.1%p를 다국어 능력 향상 8.1~42.6%p와 교환하며, 명확하고 조절 가능한 파레토 트레이드오프를 형성한다.
중국어 소셜 미디어의 공격적 댓글 탐지 모델을 Weibo, Xiaohongshu, Tieba, Zhihu 등 여러 플랫폼에 크로스 플랫폼 배포할 때 발생하는 성능 저하 문제를 다루며, chinese-roberta-wwm-ext를 COLD 데이터셋에 파인튜닝한 기준 모델의 도메인 이동 취약점을 Jaccard 및 Proxy-A Distance로 정량화하였다. 이를 해결하기 위해 비라벨 코퍼스에서 예측 신뢰도 기반의 이중 임계값 하드 예시 마이닝(dual-threshold hard example mining) 전략을 제안하여 소량의 라벨 데이터만으로 저비용 도메인 적응을 실현하고 네 플랫폼 전반에서 유의미한 성능 향상을 달성하였다.