projecte-aina/CaSERa-catalan-stance-emotions-raco

CaSERa数据集是一个加泰罗尼亚语的语料库，来源于Racó Català论坛，标注了情感和动态立场。数据集包含15,782个独特的句子，分为10,745对句子，每对句子由父消息和回复消息组成。数据集的主要用途是训练情感检测和动态立场检测模型。数据集的创建目的是为了促进加泰罗尼亚语这一低资源语言的语言模型发展。

原始信息汇总

数据集概述

数据集名称

• 名称: CaSERa
• 全称: Catalan Stance and Emotions Dataset

数据集创建者

• 语言创建者: Racó Català
• 注释创建者: Barcelona Supercomputing Center

语言

• 语言: 加泰罗尼亚语 (ca-ES)

许可

• 许可类型: Creative Commons Attribution 4.0 International (CC-BY-4.0)

多语言性

• 类型: 单语种

任务类别

• 任务类别: 文本分类
• 支持任务: 情感检测、动态立场检测

数据集结构

数据实例

• 实例类型: 父消息与回复消息对
• 实例内容: 包含对话ID、回复ID、父消息文本、回复消息文本、动态立场标签、父消息情感标签、回复消息情感标签

数据字段

• 父消息文本: 原始文本
• 回复消息文本: 原始文本
• 动态立场: 标签，如Agree, Disagree, Elaborate等
• 情感: 多标签，如Anger, Anticipation, Fear等

数据分割

• 分割情况: 未进行分割

数据集创建

数据来源

• 来源: Racó Català论坛
• 收集机构: Barcelona Supercomputing Center

注释过程

• 情感注释: 3名注释者，使用Fleiss Kappa计算的内部注释一致性平均为38.73
• 动态立场注释: 4名注释者，必要时由第五名注释者确定黄金标签，Fleiss Kappa为57.63，平均与黄金标签的一致性为85.98

注释者

• 注释者背景: 所有注释者均为加泰罗尼亚语母语者

使用数据注意事项

社会影响

• 预期影响: 促进加泰罗尼亚语语言模型的发展

偏见讨论

• 偏见来源: 数据来自公共论坛，可能包含偏见、仇恨言论和有毒内容

其他已知限制

• 限制描述: 未详细说明

附加信息

数据集管理

• 管理单位: 巴塞罗那超级计算中心的语言技术部门

联系方式

• 联系邮箱: [e-mail]