webimmunization/COVID-19-conspiracy-theories-tweets

--- license: cc-by-4.0 size_categories: - 1K<n<10K task_categories: - text-classification tags: - twitter - social_science - misinformation - fake_news - conspiracy_theory language: - en --- ## Dataset Description - **Paper:** [More Information Needed] - **Point of Contact:** [e-mail] ### Dataset Summary This dataset consists of 6591 tweets generated by GPT-3.5 model. The tweets are juxtaposed with a conspiracy theory related to COVID-19 pandemic. Each item consists of a label that represents the item's output class. The possible labels are support/deny/neutral. - **support**: the tweet suggests support for the conspiracy theory - **deny**: the tweet contradicts the conspiracy theory - **neutral**: the tweet is mostly informative, and does not show emotions against the conspiracy theory The dataset can be used to train a classification model. ### Languages English ## Dataset Structure ### Data Instances ``` { 'tweet': 'Is the Chinese government exploiting the pandemic to gain an economic advantage? #COVIDEconomy #ChineseTradeWar', 'conspiracy_theory': 'CT_3', 'label': 'support' } ``` ### Data Fields - `tweet`: a text generated by GPT-3.5 (input) - `conspiracy theory`: a conspiracy theory identifier - `label`: label, support/deny/neutral Conspiracy theories mapping: 1. **CT1: Deliberate strategy to create economic instability or benefit large corporations.** The coronavirus or the government's response to it is a deliberate strategy to create economic instability or to benefit large corporations over small businesses. 2. **CT2: Public was intentionally misled about the true nature of the virus and prevention.** The public is being intentionally misled about the true nature of the Coronavirus, its risks, or the efficacy of certain treatments or prevention methods. 3. **CT3: Human made and bioweapon.** The Coronavirus was created intentionally, made by humans, or as a bioweapon. 4. **CT4: Governments and politicians spread misinformation.** Politicians or government agencies are intentionally spreading false information, or they have some other motive for the way they are responding to the coronavirus. 5. **CT5: The Chinese intentionally spread the virus.** The Chinese government intentionally created or spread the coronavirus to harm other countries. 6. **CT6: Vaccines are unsafe.** The coronavirus vaccine is either unsafe or part of a larger plot to control people or reduce the population. ### Data Splits The dataset contains training split only which consists of 6591 items. ## Dataset Creation The dataset was generated with GPT-3.5 with the following prompts for support, deny, and neutral class respectively: **support** Consider the following conspiracy theory: X. Generate 50 tweets that support this conspiracy theory. Try to use hashtags that might promote this particular conspiracy theory. Try to use words and terms related to the COVID pandemic. Do not quote the conspiracy theory verbatim. Do not repeat tweets and try to make them diversified. Keep each tweet below the 280 character length limit. Present the tweets as a list. **deny** Consider the following conspiracy theory: X. Generate 50 tweets that contradict this conspiracy theory. Try to use hashtags that might debunk this particular conspiracy theory. Try to use words and terms related to the COVID pandemic. Do not quote the conspiracy theory verbatim. Do not repeat tweets and try to make them diversified. Keep each tweet below the 280 character length limit. Present the tweets as a list. **neutral** Consider the following conspiracy theory: X. Generate 50 tweets that are about COVID-19 but unrelated to the conspiracy theory. Try to use hashtags that might be used in such a tweet. Try to use words and terms related to the COVID pandemic. Do not quote the conspiracy theory verbatim. Do not repeat tweets and try to make them diversified. Keep each tweet below the 280 character length limit. Present the tweets as a list. ### Known Limitations The generated tweets are sometimes formulaic and lack of diversity. ### Citation Information ``` @article{article_id, author = {Author List}, title = {Dataset Paper Title}, journal = {Publication Venue}, year = {2525} } ```--- 许可证：CC BY 4.0 规模类别： - 1000条 < 样本量 < 10000条 任务类别： - 文本分类 标签： - 推特（Twitter） - 社会科学 - 错误信息 - 假新闻 - 阴谋论（Conspiracy Theory） 语言： - 英语 --- ## 数据集说明 - **论文**：[需补充更多信息] - **联系人**：[e-mail] ### 数据集概览 本数据集包含6591条由GPT-3.5模型生成的推特文本，每条文本均与某条针对2019冠状病毒病（COVID-19）大流行的阴谋论相关联。每个数据样本包含一个标签，用于表征该样本的输出类别，可选标签为支持（support）、驳斥（deny）与中立（neutral）。 - **支持（support）**：该推特文本对相关阴谋论表示认同 - **驳斥（deny）**：该推特文本反驳相关阴谋论 - **中立（neutral）**：该推特文本以提供信息为主，未表现出针对相关阴谋论的情绪倾向 本数据集可用于训练文本分类模型。 ### 语言 - 英语 ### 数据集结构 #### 数据实例 { 'tweet': 'Is the Chinese government exploiting the pandemic to gain an economic advantage? #COVIDEconomy #ChineseTradeWar', 'conspiracy_theory': 'CT_3', 'label': 'support' } #### 数据字段 - `tweet`：由GPT-3.5生成的文本（输入数据） - `conspiracy theory`：阴谋论标识符 - `label`：分类标签，可选值为支持、驳斥、中立 #### 阴谋论对应关系 1. **CT1：制造经济动荡或使大型企业获益的蓄意策略**：冠状病毒或政府的防疫政策是一项蓄意策略，旨在制造经济动荡，或是让大型企业相较于小微企业获得更多利益。 2. **CT2：公众被刻意误导有关病毒及防疫的真实情况**：公众被刻意误导，使其对冠状病毒的真实特性、感染风险，或是特定治疗手段与防疫方法的有效性产生错误认知。 3. **CT3：人为制造的生物武器**：冠状病毒是人为蓄意制造的，或是作为生物武器被研发的。 4. **CT4：政府与政客散布错误信息**：政客或政府机构刻意散布虚假信息，或是在应对冠状病毒疫情时存在其他动机。 5. **CT5：中国刻意传播病毒**：中国政府蓄意制造或传播冠状病毒以损害他国利益。 6. **CT6：疫苗不安全**：冠状病毒疫苗要么本身不安全，或是某一更大规模控制民众或削减人口阴谋的一部分。 ### 数据划分 本数据集仅包含训练集，共计6591条样本。 ### 数据集构建 本数据集通过GPT-3.5模型生成，针对支持、驳斥、中立三类标签分别使用了如下提示词： **支持类提示词**：请思考如下阴谋论：X。生成50条支持该阴谋论的推特文本。尽量使用可推广该阴谋论的话题标签，使用与新冠大流行相关的词汇与术语。请勿直接引用该阴谋论原文，避免重复文本，尽量使生成的推文多样化，且每条推文长度控制在280字符以内。请以列表形式呈现生成的推文。 **驳斥类提示词**：请思考如下阴谋论：X。生成50条反驳该阴谋论的推特文本。尽量使用可揭穿该阴谋论的话题标签，使用与新冠大流行相关的词汇与术语。请勿直接引用该阴谋论原文，避免重复文本，尽量使生成的推文多样化，且每条推文长度控制在280字符以内。请以列表形式呈现生成的推文。 **中立类提示词**：请思考如下阴谋论：X。生成50条围绕新冠疫情但与该阴谋论无关的推特文本。尽量使用适用于此类推文的话题标签，使用与新冠大流行相关的词汇与术语。请勿直接引用该阴谋论原文，避免重复文本，尽量使生成的推文多样化，且每条推文长度控制在280字符以内。请以列表形式呈现生成的推文。 ### 已知局限性 生成的推特文本有时会显得刻板，且多样性不足。 ### 引用信息 @article{article_id, author = {Author List}, title = {Dataset Paper Title}, journal = {Publication Venue}, year = {2525} }

原始信息汇总

数据集描述

数据集概述

该数据集包含6591条由GPT-3.5模型生成的推文，这些推文与COVID-19大流行相关的阴谋论并列。每条推文都有一个标签，表示其输出类别，可能的标签为支持/否认/中性。

• 支持: 推文支持阴谋论
• 否认: 推文反驳阴谋论
• 中性: 推文主要是信息性的，不显示对阴谋论的情感

该数据集可用于训练分类模型。

语言

英语

数据集结构

数据实例

json { tweet: Is the Chinese government exploiting the pandemic to gain an economic advantage? #COVIDEconomy #ChineseTradeWar, conspiracy_theory: CT_3, label: support }

数据字段

• tweet: 由GPT-3.5生成的文本（输入）
• conspiracy theory: 阴谋论标识符
• label: 标签，支持/否认/中性

阴谋论映射:

1. CT1: 故意策略以创造经济不稳定或使大公司受益
2. CT2: 公众被故意误导关于病毒的真实性质和预防
3. CT3: 人为制造和生物武器
4. CT4: 政府和政客散布错误信息
5. CT5: 中国故意传播病毒
6. CT6: 疫苗不安全

数据分割

数据集仅包含训练集，包含6591条数据。

数据集创建

数据集使用GPT-3.5生成，针对支持、否认和中性类别分别生成推文。

已知限制

生成的推文有时公式化且缺乏多样性。

引用信息

plaintext @article{article_id, author = {Author List}, title = {Dataset Paper Title}, journal = {Publication Venue}, year = {2525} }

搜集汇总

数据集介绍

构建方式

在信息疫情与公共卫生危机交织的背景下，该数据集聚焦于COVID-19疫情期间流传的阴谋论，旨在为社交媒体上的虚假信息检测提供训练资源。数据集由GPT-3.5模型生成，共计6591条推文，每条推文对应六类阴谋论主题之一（如病毒为生物武器、疫苗不安全等）。构建时，针对每一类阴谋论，分别使用支持、否定和中立三类提示词生成推文，提示词要求推文长度不超过280字符，使用相关话题标签，避免直接引用阴谋论原文，并确保内容多样化。最终每条数据包含推文文本、阴谋论标识符及三分类标签（支持/否定/中立），仅提供训练集。

特点

该数据集的核心特色在于其合成生成与真实场景模拟的结合。通过GPT-3.5模型，数据集在可控条件下生成了大量具有社交媒体风格的推文，涵盖了六种典型的COVID-19阴谋论，为研究虚假信息的语言模式提供了结构化样本。每条推文均附有明确的立场标签，支持多分类任务训练。尽管生成内容有时存在程式化倾向，但数据集通过精心设计的提示词，有效模拟了支持、否定和中立三种态度的表达方式，尤其适合用于训练自动识别阴谋论立场的分类模型。此外，数据集采用CC-BY-4.0许可，便于学术研究使用。

使用方法

该数据集适用于文本分类任务的训练与评估，特别是针对社交媒体虚假信息与阴谋论检测领域。用户可直接使用推文文本作为输入特征，以标签（support/deny/neutral）作为预测目标，训练三分类模型。由于数据集仅包含训练集，建议采用交叉验证或结合外部验证集进行模型性能评估。在使用时，需注意生成数据的局限性，如推文风格可能缺乏真实社交网络的多样性，因此模型泛化至真实推文时需额外验证。数据集格式为JSON，包含'tweet'、'conspiracy_theory'和'label'字段，可轻松加载至Python的pandas或HuggingFace的datasets库中进行处理。

背景与挑战

背景概述

在新冠疫情肆虐全球的背景下，社交媒体平台上充斥着大量关于病毒的阴谋论，这些虚假信息不仅加剧了公众恐慌，还对公共卫生政策构成了严峻挑战。由波兰波兹南理工大学的研究人员于2023年创建的COVID-19-conspiracy-theories-tweets数据集，旨在通过自然语言处理技术精准识别推特文本中对疫情阴谋论的态度倾向。该数据集包含6591条由GPT-3.5模型生成的模拟推文，每条推文被标注为支持、否定或中立三类，覆盖了六种常见的疫情阴谋论类型，如病毒是生物武器或疫苗不安全等。其核心研究问题在于如何利用合成数据训练文本分类模型，以有效监测和应对社交媒体上的错误信息浪潮，为计算社会科学领域提供了宝贵的基准资源。

当前挑战

当前数据集面临的核心挑战在于其合成数据的真实性与泛化能力。首先，尽管GPT-3.5生成的推文在语言形式上模拟了真实用户，但其表达往往趋于模式化，缺乏人类推文中常见的口语化变异、情绪波动和语境依赖性，这可能导致分类模型在真实推特数据上性能下降。其次，数据集仅包含训练集而无独立的测试集，限制了模型评估的客观性。此外，构建过程中需确保推文长度不超过280字符且内容多样化，但生成算法难以完全避免重复或刻板表述，同时如何准确映射六种阴谋论标签（如CT1至CT6）的语义边界，也是标注一致性上的技术难点。这些因素共同制约了数据集在现实场景中对抗虚假信息的有效性。

常用场景

经典使用场景

COVID-19-conspiracy-theories-tweets数据集的核心应用场景在于训练文本分类模型，以自动识别社交媒体中针对新冠疫情阴谋论的支持、反对或中立态度。该数据集包含6591条由GPT-3.5生成的推文，每条推文均被标注为支持、否认或中立三类，覆盖六类典型阴谋论主题，如病毒人为制造、疫苗安全性等。研究者可借此构建细粒度的立场检测系统，为分析疫情相关虚假信息的传播模式提供基础工具。

实际应用

在实际应用中，该数据集可赋能社交媒体平台的内容审核机制，自动标记可能传播阴谋论的推文，降低人工审核压力。公共卫生机构可借助基于该数据集训练的模型，实时监测疫情相关谣言动态，及时发布辟谣信息。此外，舆情分析公司可利用其分析公众对特定阴谋论的情绪倾向，为危机沟通策略提供数据支撑，从而在公共健康事件中遏制错误信息的蔓延。

衍生相关工作

该数据集衍生了一系列经典工作，包括基于预训练语言模型（如BERT、RoBERTa）的阴谋论立场检测研究，以及对比不同生成策略对分类性能影响的分析。部分工作探索了数据增强方法以缓解生成文本的公式化局限，另有研究将其与真实推特数据结合，评估模型在域外场景的泛化能力。这些工作共同推动了合成数据在虚假信息检测领域的标准化应用，并催生了针对多语言阴谋论分类的扩展数据集。