Intuit-GenSRF/ziq-depression-tweet-es

--- configs: - config_name: default data_files: - split: train path: data/train-* dataset_info: features: - name: text dtype: string - name: labels sequence: string - name: processed_text sequence: string - name: num_tokens dtype: int64 - name: text_en dtype: string splits: - name: train num_bytes: 51261868 num_examples: 51132 download_size: 32137564 dataset_size: 51261868 --- # Dataset Card for "ziq-depression_tweet-en" [More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)配置项： - 配置名称：default 数据文件： - 划分集（split）：训练集（train） 路径：data/train-* 数据集信息： 特征字段： - 字段名：text，数据类型：字符串（string） - 字段名：labels，数据类型：字符串序列（sequence of string） - 字段名：processed_text，数据类型：字符串序列（sequence of string） - 字段名：num_tokens，数据类型：64位整数（int64） - 字段名：text_en，数据类型：字符串（string） 划分集信息： - 划分集名称：训练集（train） 数据字节数：51261868 样本数量：51132 下载大小：32137564 数据集总大小：51261868 # 「ziq-depression_tweet-en」数据集卡片（Dataset Card） [需补充更多信息](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

原始信息汇总

数据集概述

数据集名称

• 名称: ziq-depression_tweet-en

数据集配置

• 默认配置: default
  • 数据文件:
    • 分割: train
    • 路径: data/train-*

数据集信息

• 特征:
  • 名称: text
    • 数据类型: string
  • 名称: labels
    • 序列类型: string
  • 名称: processed_text
    • 序列类型: string
  • 名称: num_tokens
    • 数据类型: int64
  • 名称: text_en
    • 数据类型: string

数据分割

• 分割名称: train
  • 字节数: 51261868
  • 样本数: 51132

数据集大小

• 下载大小: 32137564
• 数据集大小: 51261868

搜集汇总

数据集介绍

构建方式

在社交媒体与心理健康交叉研究领域，数据集的构建需兼顾隐私保护与语义丰富性。Intuit-GenSRF/ziq-depression-tweet-es数据集源自英文推文语料，通过自动化筛选与人工校验相结合的方式，从海量社交媒体文本中提取与抑郁情绪相关的推文。原始文本经过清洗、分词及标准化处理，形成'processed_text'字段，同时保留原始文本与英文翻译（'text_en'）以支持多语言分析。每条数据附带多层标签体系（'labels'），涵盖情感倾向、主题分类等维度，构建过程强调标注一致性，通过多轮交叉验证确保标签信度。数据集共包含51132条训练样本，以分片形式存储，便于分布式加载。

使用方法

研究人员可基于HuggingFace Datasets库快速加载该数据集，通过指定配置名'default'与分片路径'data/train-*'自动整合全部训练样本。使用时建议优先利用'processed_text'字段作为模型输入，配合'labels'进行多标签分类训练；对于跨语言场景，可结合'text_en'与原始西班牙语文本构建双语嵌入。推荐采用基于Transformer的架构（如BERT、RoBERTa），在预处理阶段利用'num_tokens'字段动态调整最大序列长度以优化显存占用。验证集与测试集需用户根据标签分布自行划分，可参考传统8:1:1比例进行分层抽样。

背景与挑战

背景概述

抑郁症作为一种全球性的心理健康问题，其早期识别与干预一直是临床心理学与计算语言学交叉研究的热点。在此背景下，Intuit-GenSRF团队于近年构建了名为“ziq-depression-tweet-es”的西班牙语推文数据集，旨在通过社交媒体文本挖掘抑郁倾向的言语标记。该数据集由51132条经过标注的推文组成，每条推文包含原始文本、标签序列、清洗后的文本及对应的英文翻译，为多语言抑郁检测研究提供了宝贵的资源。其核心研究问题在于探索非临床语境下，用户自发产生的社交媒体语言能否有效反映抑郁状态，从而推动低资源语言在心理健康计算领域的应用。该数据集的发布不仅填补了西班牙语抑郁语料库的空白，也为跨文化抑郁检测模型的开发奠定了数据基础。

当前挑战

该数据集所面临的挑战主要源于领域问题的复杂性与构建过程的困难。在领域层面，抑郁症检测的核心挑战在于语言表达的模糊性与主观性——抑郁倾向往往隐含在隐喻、反讽或日常琐事中，难以通过简单的关键词匹配或情感分析精准捕捉，且不同文化背景下抑郁的言语表征存在显著差异。在构建过程中，数据标注面临主观偏差与标签一致性难题，51132条推文需依赖人工标注者依据心理学标准进行判断，而社交媒体文本的碎片化与多义性进一步加剧了标注噪声。此外，数据集仅包含训练集，缺乏验证与测试划分，这限制了模型泛化能力的系统评估，且从西班牙语到英语的翻译过程可能引入语义失真，影响跨语言迁移学习的有效性。

常用场景

经典使用场景

在精神健康与自然语言处理的交叉领域，Intuit-GenSRF/ziq-depression-tweet-es数据集为研究者提供了珍贵的西班牙语社交媒体语料资源。该数据集收录了超过五万条标注推文，每条文本均经过专业预处理，包含原始文本、处理后的文本及英文翻译等多维度特征。其最经典的应用场景在于构建抑郁症倾向的自动检测模型，通过分析推文中蕴含的情感色彩、语言模式及语义特征，实现对用户心理状态的初步筛查。这一场景不仅推动了跨语言情感分析技术的发展，也为低资源语言的心理健康研究开辟了新路径。

解决学术问题

该数据集有效解决了西班牙语心理健康语料匮乏的学术困境，为验证抑郁症检测算法在非英语环境下的泛化能力提供了标准化基准。研究者得以系统探究语言特异性特征（如西班牙语中的情感表达习惯）对抑郁识别模型性能的影响，并对比不同预处理策略（如分词、去噪）的效果。此外，数据集的多字段设计（包括词元数量统计）支持对文本复杂度与抑郁倾向相关性的量化分析，为理解抑郁人群的在线语言行为规律提供了实证基础，推动了计算语言学与临床心理学的交叉融合。

实际应用

在实际部署中，该数据集支撑了面向西班牙语用户的早期心理危机干预系统开发。通过训练轻量级分类模型，社交媒体平台可实现抑郁风险用户的实时标记，并触发匿名化心理援助建议推送。医疗机构可将其用于患者数字足迹的辅助分析，结合临床诊断提升抑郁症筛查的覆盖面。教育机构亦可利用该数据集开展西班牙语地区青少年的心理健康普查，通过校园社交平台的文本监测，及早发现潜在心理问题，构建预防性干预的数字化防线。

数据集最近研究

最新研究方向

该数据集聚焦于西班牙语推文中的抑郁症检测，是自然语言处理与心理健康交叉领域的前沿探索。结合近年来全球抑郁症发病率攀升及社交媒体成为情感表达重要载体的背景，该数据集通过标注51132条西班牙语推文，为多语言、低资源场景下的抑郁倾向识别提供了关键训练资源。当前研究方向主要围绕跨语言情感迁移、少样本学习及文化特异性抑郁表达模式挖掘，尤其关注西班牙语社群中隐喻性抑郁词汇的语义建模。该数据集的发布推动了社交媒体心理健康监测从英语主导向多语种拓展，对早期抑郁干预、全球心理健康公共政策制定具有重要实践意义。