hannxu/hc_var

--- license: apache-2.0 task_categories: - text-classification language: - en size_categories: - 100M<n<1B --- # Dataset Card for HC-Var (Human and ChatGPT Texts with Variety) This is a collection of human texts and ChatGPT (GPT3.5-Turbo) generated texts, to faciliate studies such as generated texts detection. It includes the texts which are generated / human written to accomplish various language tasks with various approaches. The included language tasks and topics are summarized below. Note: For each language task, this dataset considers 3 different prompts to inquire ChatGPT outputs. The example code to train binary classification models is in [this website](https://github.com/hannxu123/hc_var). A technical report on some representative detection methods can be find in [this paper](https://arxiv.org/abs/2310.01307). This dataset is collected by Han Xu from Michigan State University. Potential issues and suggestions are welcomed to be dicussed in the community panel or emails to [e-mail]. ## Key variables in the dataset: **text**: The text body (including either human or ChatGPT texts.)\ **domain**: The language tasks included in this dataset: News, Review, (Essay) Writing, QA\ **topic**: The topic in each task.\ **prompt**: The prompt used to obtain ChatGPT outputs. "N/A" for human texts.\ **pp_id**: Each task has 3 prompts to inquire ChatGPT outputs. The "pp_id" denotes the index of prompt. "0" for human texts. "1-3" for ChatGPT texts.\ **label**: "0" for human texts. "1" for ChatGPT texts. ## To cite this dataset ``` @misc{xu2023generalization, title={On the Generalization of Training-based ChatGPT Detection Methods}, author={Han Xu and Jie Ren and Pengfei He and Shenglai Zeng and Yingqian Cui and Amy Liu and Hui Liu and Jiliang Tang}, year={2023}, eprint={2310.01307}, archivePrefix={arXiv}, primaryClass={cs.CL} } ```--- 许可证：Apache-2.0 任务类别： - 文本分类（text-classification） 语言： - 英语（en） 规模区间： - 100M < n < 1B --- # 数据集卡片：HC-Var（人类与ChatGPT（GPT3.5-Turbo）生成文本多样化数据集） 本数据集收录人类撰写文本与ChatGPT（GPT3.5-Turbo）生成的文本，旨在助力生成文本检测等相关研究。所收录文本均通过多种方法完成各类语言任务，涵盖人类撰写内容与AI生成内容两类。 数据集涵盖的语言任务与主题汇总如下。注意：针对每一类语言任务，本数据集均采用3种不同提示词（prompt）生成ChatGPT输出。 用于训练二分类模型的示例代码可参见[该链接](https://github.com/hannxu123/hc_var)。 关于部分代表性检测方法的技术报告可参阅[该论文](https://arxiv.org/abs/2310.01307)。 本数据集由密歇根州立大学的韩旭收集整理。若您发现数据集存在潜在问题或有改进建议，欢迎在社区板块中讨论，或发送邮件至[e-mail]进行沟通。 ## 数据集核心变量 **text**：文本主体（包含人类撰写文本与ChatGPT生成文本） **domain**：数据集涵盖的语言任务类型：新闻、评论、（议论文）写作、问答 **topic**：对应任务下的具体主题 **prompt**：用于生成ChatGPT输出的提示词。人类撰写文本对应的此项为"N/A" **pp_id**：针对每类语言任务，数据集采用3种提示词生成ChatGPT输出。pp_id用于标识提示词的索引：人类撰写文本对应pp_id为0，ChatGPT生成文本对应pp_id为1至3 **label**：文本标签，0代表人类撰写文本，1代表ChatGPT生成文本 ## 数据集引用方式 @misc{xu2023generalization, title={On the Generalization of Training-based ChatGPT Detection Methods}, author={Han Xu and Jie Ren and Pengfei He and Shenglai Zeng and Yingqian Cui and Amy Liu and Hui Liu and Jiliang Tang}, year={2023}, eprint={2310.01307}, archivePrefix={arXiv}, primaryClass={cs.CL} }

原始信息汇总

数据集卡片 for HC-Var (Human and ChatGPT Texts with Variety)

概述

HC-Var 数据集是一个包含人类文本和 ChatGPT (GPT3.5-Turbo) 生成文本的集合，旨在促进生成文本检测等研究。该数据集包括用于完成各种语言任务的生成文本和人类书写文本，涵盖多种语言任务和主题。

语言任务和主题

数据集包含以下语言任务和主题：

• 任务: 新闻、评论、（论文）写作、问答
• 主题: 每个任务的具体主题

关键变量

• text: 文本内容（包括人类或 ChatGPT 文本）
• domain: 数据集包含的语言任务：新闻、评论、（论文）写作、问答
• topic: 每个任务中的主题
• prompt: 用于获取 ChatGPT 输出的提示。人类文本为 "N/A"
• pp_id: 每个任务有 3 个提示用于获取 ChatGPT 输出。"pp_id" 表示提示的索引。人类文本为 "0"，ChatGPT 文本为 "1-3"
• label: 人类文本为 "0"，ChatGPT 文本为 "1"

引用

@misc{xu2023generalization, title={On the Generalization of Training-based ChatGPT Detection Methods}, author={Han Xu and Jie Ren and Pengfei He and Shenglai Zeng and Yingqian Cui and Amy Liu and Hui Liu and Jiliang Tang}, year={2023}, eprint={2310.01307}, archivePrefix={arXiv}, primaryClass={cs.CL} }

搜集汇总

背景与挑战

背景概述

该数据集包含人类和ChatGPT生成的文本，用于训练和评估生成文本检测模型。它涵盖新闻、评论、写作和问答等任务，每个任务通过多种提示生成ChatGPT文本，并标注了来源（人类或ChatGPT）。