Chilean Political Dataset: Signed Networks

该数据集通过从新闻报道中提取有符号图（支持、攻击、结盟等），捕捉了智利11年间的政治关系。它包含2.1M+西班牙语新闻文章（2013-2024年）和914个手动标注的高质量政治关系，覆盖约500个政治行动者（政治家、政党、部长），关系类型包括9种（如支持、攻击、结盟等），数据格式为Parquet和CSV，适用于时间极化动态、结构重组、社区检测和多语言NLP研究。This dataset captures 11 years of political relationships in Chile by extracting signed graphs (with edge types including support, attack, alliance and others) from news reports. It contains over 2.1 million Spanish-language news articles spanning from 2013 to 2024, as well as 914 manually annotated high-quality political relationships covering approximately 500 political actors, namely politicians, political parties and cabinet ministers. A total of 9 categories of relational types are included, such as support, attack, alliance and more. The data is provided in Parquet and CSV formats, and is suitable for research on temporal polarization dynamics, structural reorganization, community detection, and multilingual natural language processing (NLP).

原始信息汇总

数据集总览

Chilean Political Dataset: Signed Networks 是一个用于分析智利政治精英网络长期演变的带符号网络数据集。它基于超过 210 万篇西班牙语新闻文章，通过人工标注与自动提取相结合的方式，构建了跨越 11 年（2013–2024 年）的 25 个半年快照，涵盖约 500 个政治行动者之间的 9 种关系类型。

核心统计

指标	数值
时间跨度	2013–2024 (11 年, 22 个学期, 25 个快照)
文章总数	2,100,000+
唯一政治行动者	~500 (政客、政党、部长等)
黄金标准关系	914 条 (人工标注, 高质量)
关系类型	9 种 (支持、攻击、结盟、呼吁、疏远、质疑、谈判、竞争、指责)
语言	西班牙语 (智利新闻媒体)
数据格式	Parquet (处理后), CSV (原始)

研究应用

• 时间极化动态：追踪精英群体间的支持/对立关系演变。
• 结构性重组：检测联盟的破裂（已发现 2015–2016 年的事件）。
• 大规模社区检测：为带符号图划分提供基准。
• 多语言 NLP：基于西班牙语的文本关系提取，可扩展至其他国家。

数据集组成

数据层级	规模	格式	许可	访问
原始文章	210 万	CSV	CC-BY-NC-4.0	公开 (S3)
处理后数据 (v2)	~500 MB	Parquet	CC-BY-NC-4.0	公开 (S3)
黄金标准关系	914 条	Parquet	CC-BY-NC-4.0	公开 (仓库)
弱标签数据	~18% 覆盖率	JSON	CC-BY-NC-4.0	公开 (仓库)

时间覆盖

每个快照包含约 100–250 个节点, 500–2000 条边，覆盖 2013年上半年至 2024年上半年共 22 个学期。

基准结果

在 914 条黄金标准关系上评估了三种文本关系提取框架：

系统	精确率	召回率	F0.5
BERT baseline	0.65	0.58	0.63
text2sg (当前最优)	0.928	0.901	0.922
人工标注一致率 (κ)	0.82	—	—

文档资源

• DATASET.md - 综合统计、来源、覆盖分析
• SCHEMA.md - 关系格式、字段描述与示例
• DATA_COLLECTION.md - 构建流程、预处理与可复现性
• QUALITY.md - 标注者间一致性、已知局限、审计结果
• PAPER.md - 完整学术论文

许可与引用

• 代码许可：MIT
• 数据与标注许可：CC-BY-NC-4.0（可用于研究与教育，需引用，禁止未经授权的商业分发）
• 引用格式见仓库中的 CITATION.cff 文件

搜集汇总

数据集介绍

构建方式

该数据集源于对2013年至2024年间发布的超过210万篇西班牙语新闻文章的深度挖掘。研究者从多家智利主流新闻媒体（如La Tercera、El Mostrador等）中收集原始文本，经过预处理管道后提取政治主体及其互动关系。通过精心设计的手动标注流程，获得了914条高质量金标准关系，涵盖九种政治关系类型（如支持、攻击、联盟等）。这些标注数据与基于机器学习模型的弱标签相结合，共同构建了跨越25个半年度快照的时序有符号网络，支持对智利政治精英群体长达十一年的纵向分析。

特点

本数据集最显著的特征是其多层次的构成架构与丰富的时序信息。它提供从原始新闻文章到处理后的Parquet文件、金标准关系标注以及弱标签数据的完整数据层级，满足不同研究需求。跨11年、22个学期的时间切片，每个快照包含约100至250个政治行为体和500至2000条关系边，揭示了2015至2016年间联盟结构的重大重组现象。数据集不仅包含了9种细粒度政治关系类型，还提供了25个时间点的连续快照，为研究政治极化的时间动力学、社区检测算法基准测试以及西班牙语自然语言处理任务提供了宝贵资源。

使用方法

研究者可通过GitHub仓库获取完整数据集，首先运行下载脚本获取处理后的Parquet格式数据，随后执行验证脚本确保数据完整性。使用Python的pandas库可直接读取articles和gold_relations的Parquet文件，通过加载JSON格式的splits文件获得训练集、验证集和测试集的划分。数据集提供了三个层次的提取框架基准结果，包括BERT基线和当前最优的text2sg系统，研究人员可利用这些资源快速评估新模型性能。对于需要构建端到端应用的用户，配套的clivaje-framework和clivaje-etl工具可分别用于纵向网络分析和数据预处理加速。

背景与挑战

背景概述

在政治学与网络科学的交叉领域，政治精英间的动态关系对理解极化演变与联盟重组至关重要。Chilean Political Dataset: Signed Networks由Benjamin Palacios于2024年创建，聚焦智利政治领域，包含自2013年至2024年间超过210万篇西班牙语新闻文章，并从中手工标注了914条高质量政治关系，构成9种关系类型的符号网络。该数据集覆盖22个半年度快照，捕捉了约500位政治行动者（包括政客、政党与部长）的互动模式。通过提供纵向时序数据，该资源为研究精英联盟的阵线形成、结构性重组（如2015-2016年检测到的联盟破裂）以及极化动态提供了独特基准，显著推动了符号网络分析在政治科学中的应用。

当前挑战

该数据集面临的核心挑战包括：其一，从大规模非结构化新闻文本中提取精确的有符号关系，需克服西班牙语言语歧义和隐含立场的识别难题，当前基于BERT的基线F0.5分数仅为0.63，远低于人类标注的Cohen's κ=0.82，凸显自动化提取的困难；其二，构建过程中需处理超大规模语料（210万篇文章）的清洗与去重，并确保跨11年时段的新闻源覆盖一致性，同时应对弱监督标注覆盖仅18%的稀疏性问题；其三，在时序网络分析中，需解决快照间节点与边的不稳定性，以及因政治事件引发的动态对齐偏差，从而准确捕捉精英网络的真实演变轨迹。

常用场景

经典使用场景

在计算社会科学与网络分析的交汇领域，该数据集为研究政治精英群体的符号网络结构提供了罕见的时间序列数据资源。其经典使用场景在于基于半年度快照构建的动态符号网络，用以追踪智利政坛中政党、议员及部长级人物之间长达十一年的支持、攻击与结盟关系的演变轨迹。研究者可藉此分析政治联盟的分裂与重组过程，并借助数据集包含的2.1M篇西班牙语新闻文章作为背景语料，检验符号图挖掘算法在真实政治语境下的有效性。

衍生相关工作

围绕该数据集已衍生出一系列具有代表性的工作。其中，text2sg项目提出了一种将非结构化文本端到端转换为符号图的神经网络框架，在黄金集上实现了0.922的F0.5得分，逼近人类标注者0.82的Cohen's Kappa一致性水平。clivaje-framework则构建了一个涵盖关系抽取、动态网络构建与结构重组检测的五阶段分析流水线，成功定位了智利政治体系在2015-2016年间的关键转折点。此外，clivaje-etl以Rust语言实现了对两百万篇文章的高效预处理，验证了大规模政治文本语料清洗的可扩展性方案。这些衍生工作共同构成了一个围绕政治符号网络分析的完整工具生态。

数据集最近研究

最新研究方向

近年来，随着全球政治极化现象的加剧，基于大规模新闻语料构建政治关系符号网络成为计算社会科学的前沿热点。该数据集覆盖2013至2024年间超过210万篇西班牙语新闻，通过人工标注914条高质量政治关系，以22个半年度快照捕捉智利精英网络的结构变迁。研究者利用该数据验证了text2sg等先进模型在符号图提取中的卓越性能（F0.5达0.922），并揭示了2015至2016年间联盟破裂的结构性重组。这一资源不仅推动了有符号图社区检测与多语言自然语言处理的基准测试，更为理解拉美政治生态的动态演化提供了罕见的纵向定量支撑。