Deep learning 文本分类中的网络预测

我正在尝试调试一个模型，该模型使用一维卷积来对被人类标记为“适当”与“不适当”的文本进行分类，以发布在某个网站上。从误报（错误地预测“适当”）来看，我看到文本中大部分是听起来中性/积极的词，但传达的想法不好（例如：谈论“人口上限”）。为了解决这样一个案例，我可以想出一些方法来帮助模型认识到人口上限的主题（在本例中）不应该被归类为“适合”这个特定任务

我遇到的问题是理解是什么导致模型预测事实上适当的消息“不适当”。例如，以下消息应被视为“适当”：

“责任在于犯罪者。”

模型认为这不合适，但根据数据集的标记标准，这是一条有效的消息

问题: 给定一个模型，每个单词都有一个嵌入层，然后是几个1D convs+密集层，有哪些技术可以帮助我，是什么导致模型将该消息分类为这样，以及帮助模型学习的潜在方法

更新

---

事实证明，如果我用上面的示例短语一次替换一个单词，然后看看模型如何对结果短语进行分类，当我用几乎任何其他“积极”或“中性”单词替换“谎言”时，它将短语分类为“适当”。因此，模型似乎认识到“谎言”是一个非常非常糟糕的词。问题是：我如何创建一个功能或以其他方式帮助模型推广到其他方面？

也许在用于训练模型的数据集中，大多数包含单词“谎言”（和“相关”表达）的文本被人类标记为“不适当”，并且没有足够的“适当”用法（例如，“谎言是坏的”，“避免传播错误信息”）

还有一种情况是，许多例子与“虚假陈述”的含义有关，而与其他含义有关的例子则不多

这些是我能想到的一些原因，让它了解到含有“谎言”的文本更有可能是“不合适的”