MU-NLPC/Propaganda

基准Propaganda数据集包含8,646篇2016年（5,500篇文档，270万词）、2017年（1,994篇文档，93万词）和2018年（1,152篇文档，50万词）的报纸文章。与其他资源相比，Propaganda数据集包含文档级属性和特定文本设备的细粒度注释。捷克共和国被选为代表前苏联影响范围内的国家，因此具有显著活跃的宣传来源。分析的新闻文本来自四个捷克语新闻媒体：Sputnik News、Parlamentní listy（议会信件）、AC24和Svět kolem nás（我们周围的世界）。

原始信息汇总

数据集概述

数据集基本信息

• 语言: 捷克语 (cs)
• 许可证: CC-BY-NC-SA-4.0
• 大小: 1K<n<10K

数据集特征

• id: 字符串
• text: 字符串
• genre: 字符串
• topic: 字符串
• scope: 字符串
• location: 字符串
• argumentation: 字符串
• emotions: 字符串
• overall_sentiment: 字符串
• russia: 字符串
• opinion: 字符串
• expert: 字符串
• source: 字符串
• fear-mongering: 字符串
• blaming: 字符串
• labeling: 字符串
• demonization: 字符串
• relativization: 字符串
• fabulation: 字符串
• ranges: 列表
  • attribute: 字符串
  • end: 整数
  • start: 整数
  • text: 字符串

数据集分割

• 训练集: 7642个样本，27173943字节
• 测试集: 1000个样本，3727325字节
• 下载大小: 19285049字节
• 数据集大小: 30901268字节

数据集配置

• 配置名称: default
• 数据文件:
  • 训练集: data/train-*
  • 测试集: data/test-*

数据集描述

• 文档数量: 8,646篇
• 来源: 四个捷克新闻网站
• 时间范围: 2016至2018年
• 特点: 包含文档级属性和特定文本设备的精细标注

数据集属性

1. 操纵技术:

   • Argumentation: 是/否
   • Blaming: 是/否
   • Demonization: 是/否
   • Emotions: 不满/仇恨/同情/恐惧/缺失
   • Fabulation: 是/否
   • Fear-mongering: 是/否
   • Labeling: 是/否
   • Relativization: 是/否

2. 全局属性:

   • Genre: 新闻/评论/采访
   • Location: EU/捷克共和国/美国/俄罗斯/NATO/俄罗斯+美国/其他地点/其他/无法确定
   • Overall Sentiment: 正面/负面/中性
   • Topic: 多种主题
   • Scope: 国外/国内/两者/无法确定

3. 其他属性:

   • Expert: 是/否
   • Opinion: 是/否
   • Russia: 正面例子/中性/受害者/负面例子/英雄/缺失
   • Source: 是/否

搜集汇总

数据集介绍

构建方式

在信息战与虚假新闻泛滥的时代背景下，精准识别宣传手法成为自然语言处理领域的重要课题。MU-NLPC/Propaganda数据集由马萨里克大学多个学院联合构建，聚焦于捷克语新闻文本中的操纵性技术。该数据集从四个曾被调查传播俄罗斯宣传的捷克新闻网站中提取了8,646篇文档，时间跨度覆盖2016至2018年。每篇文档均经过精细标注，包含三类属性：操纵性技术（如恐惧煽动、指责、标签化等，对应文本特定片段）、全局属性（如体裁、主题、情感倾向）以及其他属性（如专家引用、俄罗斯形象刻画）。数据集的构建不仅关注文档级特征，还通过标记短语的形式提供了细粒度的文本设备注释，为宣传检测研究提供了高质量基准。

使用方法

该数据集以HuggingFace标准格式发布，通过`load_dataset`函数即可便捷加载。用户可直接调用`load_dataset("MU-NLPC/Propaganda", split="train")`获取训练数据，或使用`split="test"`获取测试集。每个样本包含文本内容、全局属性标签（如genre、topic）以及操纵性技术字段（如fear-mongering），其中`ranges`字段以列表形式存储了操纵技术对应的文本片段起止位置，便于进行序列标注或片段级分类任务。研究者可基于此数据集构建文档级分类模型（如预测整体情感或主题），也可利用片段索引训练细粒度的操纵技术识别器。推荐使用预训练语言模型（如Czech-BERT）进行微调，以充分捕获捷克语文本中的语义与风格特征。

背景与挑战

背景概述

在信息时代，宣传作为一种影响公众认知与舆论走向的复杂手段，其自动化识别已成为自然语言处理领域的关键课题。由马萨里克大学社会科学、信息学与法学多院系联合创建的Propaganda数据集，旨在系统性地剖析捷克语新闻文本中的操纵性技术。该数据集由Aleš Horák、Radoslav Sabol等研究人员主导，收录了2016至2018年间来自四家曾被揭露传播俄罗斯宣传内容的捷克新闻网站的8,646篇文档，总规模逾400万词。其核心研究问题聚焦于如何通过细粒度标注，将文本中的情感操控、指控、妖魔化等局部手法与体裁、主题、情感倾向等全局属性相融合，为宣传检测提供多维度基准。该数据集在《Expert Systems with Applications》期刊上发布，其引入的内容与风格融合分析方法，为东欧后苏联影响区域的信息操控研究提供了开创性资源，推动了计算宣传学的实证进展。

当前挑战

该数据集所应对的领域挑战在于宣传检测的复杂性：宣传常以隐蔽的修辞策略（如恐惧煽动、相对化、虚构事实）嵌入日常新闻叙事，传统情感分析或主题建模难以捕捉其微妙操纵性。构建过程中，研究者面临多重困难：首先，需从捷克语新闻源中筛选出明确具有宣传倾向的文本，这依赖于对历史地缘政治语境的深刻理解；其次，标注体系需涵盖局部技术（如归咎、妖魔化）与全局属性（如俄罗斯形象呈现），确保跨文档一致性；最后，应对文本中隐含的文化指涉与讽刺性表达，要求标注专家具备社会学与语言学双重素养。此外，数据集在时间跨度上涵盖三年，需平衡各年份样本分布，以反映宣传策略的演变，这对数据清洗与质量校验提出了严苛要求。

常用场景

经典使用场景

在信息战与虚假信息泛滥的时代背景下，MU-NLPC/Propaganda数据集为研究者提供了一个宝贵的资源，用以剖析新闻文本中潜藏的操纵性语言技巧。该数据集最经典的使用场景是构建多标签分类模型，以自动识别文本中诸如恐惧煽动、指责、标签化、妖魔化等精细的操纵手段。通过结合文档级的全局属性（如体裁、主题、情感倾向）与片段级的局部标注，研究者能够训练出融合内容与风格分析的深度学习系统，从而实现对宣传文本的精准检测与解构。

解决学术问题

该数据集有效解决了计算传播学与自然语言处理交叉领域中一个核心难题：如何从语言形式与内容两个维度量化并识别隐蔽的宣传策略。传统研究多依赖于定性分析或粗粒度的情感判断，而Propaganda数据集通过提供涵盖8种操纵技术、多维度全局属性及专家标注的细粒度语料库，使得构建可复现、可量化的宣传检测模型成为可能。其意义在于为理解现代信息环境中的影响力操作提供了实证基础，推动了对抗性话语分析从理论探讨走向工程化实践。

实际应用

在实际应用中，该数据集支撑了面向捷克语新闻媒体的自动化内容审核系统的开发。媒体监测机构与事实核查平台可借助基于此数据集训练的模型，实时扫描并标记出具有宣传倾向的新闻报道，尤其是那些可能源自外部信息操作的文本。此外，该资源还可服务于社会舆情分析，帮助研究者识别特定议题（如移民危机、乌克兰冲突）中情绪操纵与议程设置的模式，从而为公众媒介素养教育提供数据驱动的洞察。

数据集最近研究

最新研究方向

在当前信息战与假新闻泛滥的全球背景下，MU-NLPC/Propaganda数据集聚焦于捷克语新闻文本中操纵性宣传技巧的细粒度识别，代表了计算传播学与自然语言处理交叉领域的前沿探索。该研究不仅深入剖析了恐惧煽动、指责、标签化等具体修辞手法，还融入了情感分析、来源可信度评估及俄罗斯形象刻画等多维属性，为自动检测俄语系宣传内容提供了高精度的基准资源。通过融合内容与风格分析，该数据集推动了对隐蔽宣传模式的深度理解，其成果对监测网络舆论操纵、维护民主话语空间具有关键应用价值，尤其在中东欧地缘政治敏感区域，为反制信息干扰提供了方法论支撑。