WWTD-2025

该数据集名为'What Would Trump Do'，旨在预测特朗普在2025年的行动和决策。它包含2,790个前瞻性预测问题，这些问题通过Lightning Rod SDK从2025年的相关新闻中自动生成，并利用实际发生的事件作为真实标签。数据集分为训练集（2,108个样本）和测试集（682个样本），采用时间分割以避免数据泄漏。每个样本包含唯一标识符、问题文本、正确答案（1表示'是'，0表示'否'）、预测日期、解决日期等信息。数据集适用于文本生成任务，特别关注政治预测和强化学习应用。经过微调的模型在预测准确性和校准误差方面均优于GPT-5，展示了数据集在训练高效预测模型方面的潜力。This dataset, titled 'What Would Trump Do', is designed to forecast the actions and decisions of Donald Trump in 2025. It comprises 2,790 forward-looking prediction questions, which are automatically generated from news content related to the year 2025 via the Lightning Rod SDK, with actual realized events serving as ground truth labels. The dataset is divided into a training set (2,108 samples) and a test set (682 samples), adopting a temporal split strategy to avoid data leakage. Each sample contains metadata including a unique identifier, question text, correct answer (1 represents 'Yes' while 0 represents 'No'), prediction date, and resolution date. This dataset is applicable to text generation tasks, with a specific focus on political forecasting and reinforcement learning applications. Fine-tuned models have demonstrated superior performance over GPT-5 in both prediction accuracy and calibration error, highlighting the dataset's potential for training high-performance predictive models.

原始信息汇总

数据集概述：What Would Trump Do? (WWTD-2025)

基本信息

• 数据集名称：What Would Trump Do?
• 创建者：LightningRodLabs
• 许可证：MIT
• 任务类别：文本生成
• 主要语言：英语
• 标签：预测、政治、特朗普、未来即标签、强化学习
• 数据规模：1K<n<10K
• 数据条目总数：2,790

数据集描述

该数据集旨在训练AI模型预测特朗普政府的行动。它使用Lightning Rod SDK和前瞻性数据自动生成，核心方法是将“未来作为标签”。数据集包含从2025年特朗普相关新闻中生成的、具有高置信度真实标签的前瞻性预测问题。

数据生成与内容

• 生成方法：使用Lightning Rod SDK，通过指定种子新闻、指令和示例，自动生成关于特朗普行动、决策、立场和声明的二元预测问题。
• 问题示例：问题具有自包含、可通过网络搜索验证、具有新闻价值等特性，并包含具体日期。
• 数据划分：采用时间划分法以避免时间泄漏。最终划分为训练集2,108条，测试集682条。训练集基础率（答案为“是”的比例）为36.5%，测试集为32.4%。
• 额外测试集：包含一个test_no_ctx划分（682条），其问题与测试集相同但移除了上下文，用于评估模型在无信息情况下的不确定性表达能力。

数据集模式（Schema）

列名	类型	描述
sample_id	字符串	每个样本的唯一标识符
prompt	字典列表	聊天格式的提示
question_text	字符串	纯文本的预测问题
answer_type	字符串	答案类型（“binary”）
answer_parser_type	字符串	解析器类型（“binary”）
reward_function_type	字符串	奖励函数类型（“binary_brier”）
correct_answer	整数	真实答案：1（是）或0（否）
prediction_date	字符串	问题生成日期（ISO格式）
resolution_date	字符串	结果确定日期
date_close	字符串	问题截止日期
search_query	字符串	用于查找种子文章的搜索查询
url	字符串	源文章URL

相关资源

• Lightning Rod SDK：https://github.com/lightning-rod-labs/lightningrod-python-sdk
• 未来即标签论文：https://arxiv.org/abs/2601.06336
• 基于结果的强化学习论文：https://arxiv.org/abs/2505.17989
• 数据集下载地址：https://huggingface.co/datasets/LightningRodLabs/WWTD-2025

搜集汇总

数据集介绍

构建方式

在政治预测与人工智能交叉领域，WWTD-2025数据集采用了一种前瞻性的数据构建范式。其核心方法在于将未来事件作为标注依据，通过Lightning Rod SDK自动化处理时序新闻数据。该流程始于对2025年特朗普相关新闻的周期性采集，随后利用指令引导的生成模型，从种子文章中提炼出可验证的二元预测问题。每个问题均配备由网络搜索确定的真实结果标签，并通过严格的时间划分策略，确保训练集与测试集之间不存在时间信息泄露，最终形成包含2,790个样本的时序数据集。

特点

该数据集在政治预测任务中展现出鲜明的结构性特征。其样本均为精心设计的二元预测问题，涵盖特朗普政府在政策、言论及外交等多维度的潜在行动，每个问题均关联具体的截止日期与可验证的新闻来源。数据集通过包含上下文新闻与无上下文两种测试设置，专门用于评估模型在信息完备与缺失情况下的预测校准能力。此外，数据集明确区分训练集与测试集的时间边界，并提供了完整的元数据，包括问题生成日期、解析日期及来源链接，为研究时间序列预测与模型不确定性量化提供了坚实基础。

使用方法

在应用层面，该数据集主要用于训练与评估面向政治事件的预测模型。研究者可直接加载数据集中已划分的训练与测试部分，其中每条样本均以对话格式呈现，包含问题文本、真实答案及相关新闻上下文。模型训练可采用基于Brier分数的强化学习框架，以优化预测概率的准确性与校准度。评估时，除常规的带上下文预测外，应特别关注模型在无上下文条件下的表现，以检验其不确定性表达能力。数据集的结构支持端到端的预测流程，便于复现前沿的“未来即标签”训练方法。

背景与挑战

背景概述

WWTD-2025数据集由Lightning Rod Labs于2025年创建，旨在通过自动化数据生成技术，构建一个专注于预测美国前总统唐纳德·特朗普未来行动的前瞻性问答数据集。该数据集依托“未来即标签”的创新理念，利用Lightning Rod SDK从2025年的新闻流中自动提取并生成2,790个具有时间戳的二元预测问题，其核心研究问题在于探索如何通过强化学习微调开源模型，以提升对复杂政治事件预测的准确性与校准性。这一工作不仅推动了时序预测与政治分析领域的交叉研究，也为小参数模型在特定领域超越大型通用模型提供了实证案例，彰显了高质量、自动化生成数据在定制化人工智能训练中的关键价值。

当前挑战

该数据集致力于解决政治事件预测领域的核心挑战，即如何在信息不完全、动态演变的现实环境中，对特定个体（如特朗普）的未来行动做出可靠的概率性预测。其构建过程面临多重技术难题：首先，自动化生成高质量预测问题需克服自然语言理解的模糊性，确保问题具备明确性、可验证性与时效性；其次，标注过程中必须严格避免时间泄漏，通过时序分割与过滤机制保证训练与测试数据的独立性；此外，模型训练需在有限数据规模下优化校准性能，以纠正神经网络普遍存在的过度自信倾向，从而在缺乏上下文信息时仍能合理表达不确定性。

常用场景

经典使用场景

在政治预测与决策分析领域，WWTD-2025数据集为研究特朗普政府行为模式提供了结构化基准。该数据集通过自动生成前瞻性二元预测问题，并利用未来事件作为真实标签，构建了时间序列上的因果推理任务。经典应用场景包括训练语言模型进行政治事件概率预测，评估模型在不确定性表达与校准误差方面的表现，从而推动预测科学在复杂社会动态中的精细化发展。

解决学术问题

该数据集有效应对了预测建模中标签稀缺与时间泄漏的学术挑战。通过'未来即标签'范式，将历史新闻转化为自监督训练数据，解决了传统方法依赖人工标注的瓶颈。其时间分割策略避免了数据泄漏，使模型能够学习真实世界事件的因果关联而非表面模式。这一框架为强化学习在序列决策中的应用提供了实证基础，显著提升了模型校准能力与不确定性量化水平。

衍生相关工作

该数据集衍生的经典研究包括《未来即标签》论文提出的自监督数据生成范式，以及《基于结果的强化学习》框架中Brier分数作为奖励信号的创新应用。相关工作进一步拓展了时序预测的元学习架构，开发了针对政治言论的多模态推理模型。这些成果被迁移至公共卫生事件预测、金融市场波动分析等领域，形成了跨学科的概率机器学习方法论体系。