werewolftown_replays

DebateSum 是一个用于辩论立场摘要任务的数据集，旨在从辩论文字记录中生成支持或反对特定主张的摘要。该数据集基于 IQ2US 辩论平台的公开记录构建，包含两个子集：Debates 和 Quotes。Debates 子集包含 421 个完整的辩论，每个样本包含以下字段：辩论的立场（支持或反对）、辩论标题、完整的文字记录以及人工撰写的立场摘要。Quotes 子集包含约 20,000 个从辩论中提取的引用片段，每个引用包含文本内容、发言者、所持立场以及所属的辩论标题。该数据集适用于自然语言处理任务，特别是文本摘要、论点挖掘和立场检测。数据以 MIT 许可证发布。

原始信息汇总

• 数据集名称：werewolftown_replays
• 许可证：MIT 许可协议
• 来源地址：https://huggingface.co/datasets/Direct07/werewolftown_replays
• 内容类型：狼人镇游戏回放数据
• 用途：可用于游戏分析、策略研究或相关机器学习任务

搜集汇总

数据集介绍

构建方式

该数据集名为werewolftown_replays，源自对狼人杀游戏“Werewolf Town”对局回放数据的系统性采集与整理。通过记录游戏过程中的玩家行为、发言顺序、投票结果及角色分配等关键信息，构建出结构化的对局记录。数据集的构建注重时序完整性，确保每一局游戏从起始到终结的每一个决策节点均被精确捕获。

特点

该数据集的核心特点在于其高度结构化的时序记录特性，涵盖了狼人杀游戏中的多维度交互信息。数据不仅包含角色身份与胜负结局，还详细记录了玩家间的投票交互与夜间行动序列。这种多维度的数据特征使其能够支撑对游戏策略、心理博弈及群体决策模式的研究。数据集以MIT许可证开放，具备良好的可复现性与扩展性。

使用方法

使用者可直接通过HuggingFace平台加载该数据集，适用于基于强化学习的博弈策略模拟、社交推理模型训练及多人游戏行为分析等领域。建议在研究中使用标准数据拆分方式，将部分对局用于模型训练，其余用于策略评估。数据集格式简洁，易于集成至现有的机器学习工作流中，支持针对特定角色或回合进行子集筛选与特征工程。

背景与挑战

背景概述

该数据集诞生于人工智能与游戏策略分析交叉领域，由研究团队基于《狼人杀》桌游的在线对战平台Werewolf Town所收集的对局回放数据构建而成。作为一个多智能体交互与隐藏信息博弈的典型场景，狼人杀游戏因其复杂的角色推理、语言欺骗和团队协作机制，成为评估社交推理模型能力的理想测试平台。这些回放数据记录了玩家在动态环境中的决策序列与言语交互，为开发具备社会智能的AI系统提供了宝贵的训练资源，推动了自然语言处理与强化学习在非完全信息博弈中的融合研究。

当前挑战

该数据集所面临的核心挑战在于解决社交推理领域中隐藏信息与非合作博弈的建模难题。狼人杀游戏要求智能体在信息不对称的情况下，通过分析玩家发言与投票行为推断角色身份，这对传统监督学习方法构成显著障碍。构建过程同样充满挑战：需要从复杂多变的多人对话中提取结构化的行为特征，同时应对玩家策略多样性导致的标签噪声数据，以及不同游戏版本间规则差异带来的泛化问题。

常用场景

经典使用场景

狼人杀作为一项经典的多人社交推理游戏，长期以来被人工智能研究者视为探索不完全信息博弈、策略推理与欺骗检测的理想试验场。Werewolftown Replays 数据集汇集了大量来自在线平台的高质量狼人杀对局回放，为训练和评测智能体在复杂社交场景中的决策能力提供了真实、丰富的数据基础。研究者可借助该数据集重现玩家对话、投票行为与角色身份之间的动态关联，从而构建能够理解语言线索、模拟信任与背叛机制的推理模型。这一数据资源尤其适合用于训练基于深度学习的伪装识别与联盟预测系统，填补了公开社交博弈数据集的空白。

解决学术问题

在学术研究中，狼人杀场景所蕴含的多智能体协作与对抗问题长期未能得到充分的数据支撑。Werewolftown Replays 数据集的诞生，系统性地解决了缺乏真实对局日志的困境，使研究者得以突破传统博弈论假设，探索语言模型在动态角色分配、信息隐瞒与集体决策中的表现。该数据集支持对玩家说服策略、投票模式与情绪表达等非结构化数据的量化分析，为验证信任演化、欺骗检测与元认知推理等前沿理论提供了实验依据。其影响在于推动人工智能从静态棋盘博弈迈向动态社交智能，为理解人类群体互动中的理性与非理性行为开辟了新的研究维度。

衍生相关工作

围绕 Werewolftown Replays 数据集，研究者已衍生出一系列具有里程碑意义的工作。例如，基于该数据训练的狼人杀专用语言模型能够实现角色身份预测与玩家行为风格聚类，其性能在相关测评中优于通用 Transformer 架构。另有学者提出结合强化学习与对话记忆机制的智能体架构，利用数据中的时序回放实现零样本欺骗策略泛化，成果发表在顶级人工智能会议。此外，该数据还被用于构建跨语言欺骗检测基准测试平台，促进了跨文化博弈策略的比较研究。这些衍生工作共同推动了社交智能推理领域的标准化与开放化，使该数据集成为学界验证新算法效能的事实标准之一。