gsarti/change_it

CHANGE-IT数据集包含约152,000篇文章-标题对，这些数据来自两个政治立场对立的意大利报纸：la Repubblica（左翼）和Il Giornale（右翼）。该数据集用于意大利语的风格转换任务，特别是在Evalita 2020评估活动中的CHANGE-IT任务。任务要求将Il Giornale的标题转换为la Repubblica的风格，反之亦然。数据集不仅包含标题，还包括相应的全文文章。数据集的语言为意大利语，数据字段包括标题、全文和对齐值。数据集的分割包括训练集和测试集，训练集包含不同对齐级别的数据，测试集则包含高度对齐的数据。The CHANGE-IT dataset contains approximately 152,000 article-title pairs, sourced from two Italian newspapers with opposing political stances: la Repubblica (left-leaning) and Il Giornale (right-leaning). This dataset is designed for the Italian language style transfer task, specifically for the CHANGE-IT task at the Evalita 2020 evaluation campaign. The task requires converting headlines from Il Giornale to the style of la Repubblica, and vice versa. In addition to headlines, the dataset also includes the corresponding full-length articles. The dataset is in Italian, and its data fields include headline, full article, and alignment score. The dataset splits consist of a training set and a test set: the training set contains data with varying alignment levels, while the test set comprises highly aligned article-title pairs.

原始信息汇总

数据集概述

数据集名称

• 名称: CHANGE-IT

数据集描述

• 语言: 意大利语 (it)
• 许可证: 知识共享署名-非商业性使用-相同方式共享 4.0 国际许可 (cc-by-nc-sa-4.0)
• 多语言性: 单语种
• 数据集大小: 未知
• 源数据集: 原始数据
• 任务类别: 摘要生成、文本生成
• 标签: 条件文本生成、风格转移

数据集内容

• 内容概述: 包含约152,000对文章-标题，来自两个意大利报纸，分别是左翼的La Repubblica和右翼的Il Giornale，两份报纸均等代表。
• 任务描述: 主要用于意大利语的标题风格转移任务，要求将一个报纸的标题风格转换为另一个报纸的风格。

数据集结构

• 数据实例: 每个实例包含标题、完整文章文本和风格转移的对齐值。
• 数据字段:
  • headline: 原始报纸标题。
  • full_text: 与标题对应的完整文章文本。
  • alignment: 用于风格转移实验的对齐值，包括A1、A2、A3和R。
• 数据分割: 数据集分为训练集和测试集，每个配置包含5000个高度对齐的实例（A1和A2），10000个中等对齐的实例（A3），以及约48701个弱对齐或不对齐的实例（R）。

支持的任务和排行榜

• 风格转移: 使用指针网络架构进行风格转移，评估指标包括主模型、标题-标题模型、文章-标题模型和整体合规性。

许可证信息

• 许可证: 知识共享署名-非商业性使用-相同方式共享 4.0 国际许可。

引用信息

• 引用格式:

  @inproceedings{demattei-etal-2020-changeit, author = {De Mattei, Lorenzo and Cafagna, Michele and DellOrletta, Felice and Nissim, Malvina and Gatt, Albert}, title = {{CHANGE-IT @ EVALITA 2020}: Change Headlines, Adapt News, GEnerate}, booktitle = {Proceedings of Seventh Evaluation Campaign of Natural Language Processing and Speech Tools for Italian. Final Workshop (EVALITA 2020)}, editor = {Basile, Valerio and Croce, Danilo and Di Maro, Maria, and Passaro, Lucia C.}, publisher = {CEUR.org}, year = {2020}, address = {Online} }

搜集汇总

数据集介绍

构建方式

在自然语言处理领域，风格迁移任务旨在改变文本的语体风格而保留其核心语义。CHANGE-IT数据集专为意大利语新闻标题的风格转换而构建，其语料源自意大利政坛光谱两端的代表性报纸——左翼的《共和报》（la Repubblica）与右翼的《日报》（Il Giornale）。数据集囊括约15.2万对文章-标题组合，两大报纸的样本数量均衡分布。构建过程中，研究者依据标题与正文的对齐程度划分了四个层级：A1（高度对齐的训练集）、A2（高度对齐的测试集）、A3（中等对齐）及R（弱对齐或无对齐），从而为模型提供不同难度的训练与评估材料。每个样本均包含原始标题、全文文本及对齐标签，数据以原始形态存储，未经过分词或额外预处理。

特点

该数据集的核心特色在于其双重重构任务设计：要求系统将《日报》标题转换为《共和报》风格，反之亦然，从而检验模型对意识形态语体差异的捕捉能力。数据集不仅提供标题，还附有完整的新闻正文，支持基于文章内容的上下文感知风格迁移。评估体系尤为精密，采用三种BERT基分类器分别衡量风格转换成功率（Main）、标题间一致性（HH）以及标题与原文的语义契合度（AH），并综合得出总体合规性指标。数据规模庞大且来源明确，为意大利语非平行风格迁移研究提供了稀缺的基准资源。

使用方法

使用该数据集时，用户需从欧洲语言网格（ELG）页面下载压缩文件夹，并通过Hugging Face的`datasets.load_dataset('gsarti/change_it', data_dir='path/to/unzipped/folder')`方法加载。数据集提供`ilgiornale`与`repubblica`两种配置，分别对应训练与测试划分。研究者可根据对齐标签（A1、A2、A3、R）筛选子集以适配不同实验需求。典型应用场景包括：基于指针网络的基线方法通过`rep2gio`（用《共和报》正文生成《日报》风格标题）与`gio2rep`（反向任务）两种设置进行训练，最终利用评估工具包计算合规性分数。数据集采用CC BY-NC-SA 4.0许可，使用时需引用原始论文。

背景与挑战

背景概述

CHANGE-IT数据集诞生于2020年意大利Evalita评估活动，由Lorenzo De Mattei、Michele Cafagna、Felice Dell'Orletta、Malvina Nissim和Albert Gatt等研究者共同创建。该数据集聚焦于意大利语新闻标题的风格迁移任务，旨在探索如何将政治立场迥异的报纸标题进行相互转换。具体而言，数据集收录了来自左翼报纸《la Repubblica》和右翼报纸《Il Giornale》的约15.2万对文章-标题样本，两报数量均衡。这一开创性工作不仅为意大利语自然语言处理提供了稀缺的风格迁移基准资源，更推动了跨媒体叙事风格分析的研究进程，对理解政治倾向在语言生成中的表征具有重要价值。

当前挑战

该数据集所解决的领域挑战在于实现新闻标题的跨政治立场风格迁移，要求模型在保留核心信息的同时，精准转换隐含的意识形态表达与措辞风格。构建过程中的挑战尤为突出：首先，需从海量新闻中筛选出内容对齐的标题-文章对，通过对齐度（A1至R四级）标注确保数据质量；其次，两报报道同一事件时的表述差异可能极为微妙，人工标注风格标签需依赖专业语言学知识；此外，数据集规模庞大（约580MB），需平衡训练数据的代表性与计算资源消耗，最终形成5K高度对齐样本与约50K弱对齐样本的分层结构，以满足不同研究需求。

常用场景

经典使用场景

CHANGE-IT数据集的核心应用场景在于跨政治立场的新闻标题风格迁移，具体而言，它提供了来自意大利左翼报纸《共和报》与右翼报纸《日报》的约15.2万篇文章-标题对。研究者可基于此数据集训练模型，将一篇报纸的标题转化为另一报纸的表述风格，同时保留核心语义。该场景尤其适用于条件文本生成任务，要求模型在理解全文内容的基础上，生成符合目标媒体语体特征、意识形态倾向和修辞习惯的标题，从而检验模型对细粒度语言风格与隐含立场的捕捉能力。

衍生相关工作

CHANGE-IT数据集催生了若干经典工作，最直接的是其作为Evalita 2020评测任务的核心语料，催生了基于指针网络的基线模型，该模型通过全文到标题的生成实现风格迁移，并提出了主任务、标题-标题、文章-标题三项BERT评估指标。后续工作包括利用对比学习增强风格特征与内容特征的分离，以及引入预训练语言模型（如意大利语BERT）进行零样本风格迁移的探索。此外，该数据集还启发了跨语言风格迁移研究，如将CHANGE-IT的评估框架应用于英语政治新闻语料，推动了媒体偏见可计算化研究的标准化进程。

数据集最近研究

最新研究方向

CHANGE-IT数据集聚焦于意大利语新闻标题的跨政治倾向风格迁移任务，其前沿研究方向在于探索如何利用可控文本生成技术，在保留语义核心的前提下，实现从左翼《共和报》到右翼《日报》的意识形态风格转换。当前研究热点包括基于预训练语言模型的零样本或小样本风格迁移、对抗性训练以增强生成文本的政治倾向判别鲁棒性，以及多任务学习框架下融合标题与全文的语义对齐。该数据集作为EVALITA 2020评测任务的核心资源，推动了意大利语自然语言处理中风格迁移的标准化评估，为媒体偏见分析、新闻立场检测及跨意识形态文本改写提供了关键基准。其影响力延伸至计算社会科学领域，为研究政治话语的修辞差异与意识形态传播机制提供了量化工具。