arbml/Mawqif

该数据集包含多个特征，如ID、文本、目标、立场、立场置信度、反对理由、支持理由、无立场理由、讽刺、讽刺置信度、情感、情感置信度、日期时间等。数据集分为训练集，包含3502个样本，文件大小为1553879字节。

This dataset is primarily used for analyzing and predicting features such as stance, sentiment, and sarcasm in text. It includes multiple features like ID, text, target, stance, stance confidence, against reason, favor reason, none reason, sarcasm, sarcasm confidence, sentiment, sentiment confidence, datetime, etc. Each feature has a clear type definition, such as int64, string, float64, etc. The dataset is divided into a training set, containing 3502 samples, with a total size of 1553879 bytes.

原始信息汇总

数据集概述

数据集信息

特征

• ID: 整数类型
• text: 字符串类型
• target: 字符串类型
• stance: 分类标签类型
  • 类别:
    • 0: Against
    • 1: Favor
    • 2: neither
• stance:confidence: 浮点数类型
• against_reason: 字符串类型
• favor_reason: 字符串类型
• none_reason: 字符串类型
• sarcasm: 字符串类型
• sarcasm:confidence: 浮点数类型
• sentiment: 字符串类型
• sentiment:confidence: 浮点数类型
• datetime: 字符串类型
• Date: 字符串类型

数据分割

• train:
  • 样本数量: 3502
  • 数据大小: 1553879 字节

数据集大小

• 下载大小: 688131 字节
• 数据集大小: 1553879 字节

配置

• default:
  • 数据文件路径: data/train-*

搜集汇总

数据集介绍

构建方式

Mawqif数据集由arbml团队精心构建，旨在为阿拉伯语立场检测任务提供高质量标注资源。该数据集从社交媒体平台采集原始文本，经过严格筛选与清洗后，由专业标注员对每条文本进行多维度标注。标注体系涵盖立场标签（反对、支持、中立）、讽刺程度、情感倾向，并为每项标注提供置信度分数，同时记录文本发布时间与日期。数据以JSON格式存储，包含3502条训练样本，确保数据结构的完整性与可复用性。

特点

Mawqif数据集的核心优势在于其多维度的细粒度标注设计。除基本的立场分类外，数据集额外提供了针对反对、支持、中立三类立场的详细理由文本，以及讽刺与情感的独立标注，这使得模型能够学习更丰富的语义特征。每条样本均附带置信度分数，便于研究者评估标注质量或进行加权训练。时间戳信息进一步支持时序分析，为探索立场动态变化提供了可能。

使用方法

Mawqif数据集适用于阿拉伯语自然语言处理中的立场检测、讽刺识别及情感分析任务。研究者可直接使用HuggingFace Datasets库加载数据，通过指定split='train'获取训练集。数据字段清晰，可直接用于监督学习：以text为输入，target为话题标识，stance为预测目标。置信度分数可用于构建加权损失函数，理由文本与附加标签则支持多任务学习或解释性模型探索。

背景与挑战

背景概述

Mawqif数据集由arbml团队创建，专注于阿拉伯语社交媒体中的立场检测研究。该数据集于近年发布，旨在解决自然语言处理领域中针对阿拉伯语文本的细粒度立场分析问题。其核心研究问题包括从推文中识别用户对特定目标（如政治议题、社会事件）所持的赞成、反对或中立立场，并进一步标注了讽刺、情感等辅助信息。Mawqif的发布填补了阿拉伯语立场检测高质量标注数据的空白，为多语言立场分析、社交媒体舆情监测等方向提供了重要基准，对推动低资源语言的自然语言理解研究具有显著影响力。

当前挑战

Mawqif数据集面临多重挑战。首先，在领域问题层面，立场检测需区分文本中隐含的主观倾向，而阿拉伯语方言多样性、文化语境差异以及讽刺、隐喻等修辞手法使得模型难以准确捕捉微妙立场，现有技术在多类别分类（赞成/反对/中立）上精度有限。其次，在构建过程中，数据集仅含3502条训练样本，规模较小，且标注依赖人工判断，不同标注者可能对立场、讽刺等标签存在歧义，导致标注一致性难以保证；此外，数据来源集中于特定时间段和话题，可能引入时间偏差与主题偏差，影响模型的泛化能力。

常用场景

经典使用场景

Mawqif数据集作为阿拉伯语立场检测领域的标志性资源，其核心应用场景聚焦于从社交媒体文本中精准识别用户对特定目标所持的立场倾向（支持、反对或中立）。研究者常将其作为细粒度立场分析任务的基准，通过融合文本语义与情感特征，构建能够捕捉阿拉伯语复杂语境中隐含立场的分类模型。该数据集独特的标注体系不仅涵盖立场标签，还包含讽刺识别与情感极性信息，为多任务学习范式提供了天然实验场，尤其适合探究讽刺表达与立场判断之间的深层耦合关系。

解决学术问题

该数据集有效解决了阿拉伯语自然语言处理中立场检测标注数据匮乏的学术难题，填补了低资源语言在舆论分析领域的空白。通过提供包含3,502条高质量标注样本的训练集，Mawqif使研究者得以系统性地探究阿拉伯语方言多样性、文化特异性表达对立场分类的影响机制。其多维度标注结构（立场、讽刺、情感）推动了跨任务联合学习方法的创新，为理解社交媒体中用户态度的多模态表达规律提供了关键数据支撑，显著提升了阿拉伯语情感计算的理论深度。

衍生相关工作

Mawqif数据集催生了一系列具有影响力的学术工作，包括基于预训练语言模型（如AraBERT、MarBERT）的立场检测优化方案，以及融合图神经网络与知识图谱的跨领域立场迁移学习方法。研究者还借鉴其多任务标注框架，构建了面向阿拉伯语政治辩论的论据挖掘数据集，并开发出能够同时识别立场与情感极性的联合解码模型。这些衍生工作不仅拓展了立场检测的理论边界，也为后续构建多语言、多文化背景下的立场分析体系奠定了方法论基础。