somosnlp-hackathon-2023/suicide-comments-es

该数据集由来自Reddit、Twitter的评论以及Alpaca数据集的西班牙语翻译组成，内容被分类为自杀意念/行为和非自杀性。数据集包含10050行数据，其中777行被标记为自杀意念/行为，9273行被标记为非自杀性。数据集的创建过程涉及从多个来源收集数据，包括Columbia Suicide Severity Rating Scale (C-SSRS)、Twitter自杀意图数据集以及公开论坛和博客的手动添加数据。此外，数据集的使用考虑了社会影响和潜在的偏见问题。

原始信息汇总

数据集概述

基本信息

• 任务类别：文本分类
• 语言：西班牙语
• 数据集大小：1K<n<10K
• 许可证：Apache-2.0

数据集描述

• 内容：包含Reddit、Twitter上的评论以及Alpaca数据集的输入输出，已翻译为西班牙语，并分类为自杀意念/行为和非自杀。
• 示例模型：链接
• 示例空间：链接

数据集结构

• 总行数：10050
• 分类：
  • 自杀意念/行为：777
  • 非自杀：9273

数据集字段

• Text：用户评论
• Label：
  • 1：自杀意念/行为
  • 0：非自杀评论

数据集创建

自杀意念/行为

• 来源：
  • 90行来自Columbia Suicide Severity Rating Scale (C-SSRS)
  • 519行来自Twitter自杀意图数据集
  • 168行手动添加自公共论坛和博客
• 翻译工具：Helsinki-NLP/opus-mt-en-es
• 过滤：通过OpenAI的Moderation API验证

非自杀

• 来源：
  • 5000行来自somosnlp/somos-clean-alpaca-es的指令
  • 2000行来自somosnlp/somos-clean-alpaca-es的输出
  • 2000行来自Columbia Suicide Severity Rating Scale (C-SSRS)
  • 100行来自ziq/depression_advice
  • 100行手动添加自公共论坛、博客和播客
• 翻译工具：Helsinki-NLP/opus-mt-en-es

使用数据注意事项

• 社会影响：可能包含用于检测自杀意念/行为的模式
• 偏见讨论：未采取措施估计数据集中的偏见和毒性，主要数据来自Reddit、Twitter和ChatGPT，可能存在年龄偏见。