TextToKids/EmoTextToKids

EmoTextToKids数据集提供了从书面文档中提取的句子，并标注了情感信息。情感通过情感类别（如恐惧、愤怒、自豪等）和表达模式（如标记的、行为的、显示的或暗示的）来表征。与通常的情感识别数据集不同，这些文档不是对话式的，而是来自报纸、百科全书、小说等，专门针对儿童。数据集的语言为法语，任务类别为文本分类。数据集的结构包括多个字段，如previous_sentence、target_sentence、next_sentence、is_emotional、modes、types和categories。数据集分为训练集、验证集和测试集，并提供了每个子集的文本数量、句子数量、令牌数量和情感句子数量。数据集的创建过程包括手动注释和验证，注释过程由6位专家完成，并遵循特定的注释指南。

原始信息汇总

数据集概述

数据集名称

• EmoTextToKids

数据集描述

• 提供来自儿童相关文档（如报纸、百科全书、小说）的句子，并标注了情感信息。
• 情感通过情感类别（如恐惧、愤怒、自豪等）和表达模式（如标记、行为、显示或暗示）来描述。

语言

• 法语

数据集结构

• 数据实例：包含多个字段，如previous_sentence, target_sentence, next_sentence, is_emotional, modes, types, categories。
• 数据字段：
  • previous_sentence, target_sentence, next_sentence: 字符串类型
  • is_emotional: 布尔类型
  • modes, types, categories: 字符串序列类型，表示多个情感模式、类型和类别

数据分割

• 训练集：19560个样本，6845736字节
• 验证集：2781个样本，958060字节
• 测试集：5570个样本，1969946字节

许可证

• CC-BY-SA-4.0

支持的任务

• 情感识别

数据集创建

• 注释过程：数据由6位专家手动标注，遵循特定的标注指南。
• 注释一致性：通过与外部专家的标注进行比较，计算了kappa系数，以评估不同情感类别和模式的一致性。

引用信息

bibtex @misc{étienne2024emotion, title={Emotion Identification for French in Written Texts: Considering their Modes of Expression as a Step Towards Text Complexity Analysis}, author={Aline Étienne and Delphine Battistelli and Gwénolé Lecorvé}, year={2024}, eprint={2405.14385}, archivePrefix={arXiv}, primaryClass={cs.CL} }

搜集汇总

数据集介绍

构建方式

EmoTextToKids数据集专为面向儿童的非对话文本情感识别而设计，其语料源自报纸、百科全书及小说等书面材料。数据构建由六位领域专家遵循详尽的标注指南进行人工标注，确保情感标注的准确性。标注过程通过比较专家间的一致性得以验证，采用Cohen's Kappa系数评估，其中情感存在性、表达模式（如行为、标记、展示与暗示）及情感类别（如恐惧、愤怒、骄傲）的kappa值分别达到0.66、0.70、0.73、0.68、0.46等，展现了中等至几乎完美的一致性水平。数据集共包含1,594篇文本，27,911个句子，其中5,374句被标记为带有情感，并细分为训练、验证与测试三个子集。

特点

该数据集的核心特点在于其独特的情感标注体系，不仅涵盖传统的情感类别（如基本与复杂情感），还创新性地引入了情感表达模式维度，包括标记型、行为型、展示型与暗示型，从而提供了对文本情感表达的细腻刻画。每个句子可能携带多种情感，以列表形式存储于'modes'、'types'和'categories'字段中。此外，数据集的非对话性及其针对儿童读者的语料来源，使其区别于常规情感识别数据集，为儿童文学与教育场景下的情感计算研究提供了宝贵资源。情感句子的分布相对稀疏，仅占总句数的约19%，反映了自然文本中情感表达的稀疏性特征。

使用方法

EmoTextToKids数据集以Hugging Face格式发布，支持通过Datasets库便捷加载。用户可通过指定配置名'default'及数据分割（train、validation、test）来获取相应子集。每条数据实例包含'previous_sentence'、'target_sentence'、'next_sentence'上下文信息，以及'is_emotional'布尔标签和多值情感属性。该数据集适用于文本分类任务，尤其适合训练和评估面向法语儿童文本的情感识别模型。研究者可直接使用预定义的数据分割进行模型开发，或根据需求自定义划分。数据集的CC-BY-SA-4.0许可协议允许学术与商业用途的灵活应用。

背景与挑战

背景概述

情感识别作为自然语言处理领域的重要分支，长久以来聚焦于对话文本与成人语料，然而针对儿童阅读材料的情感分析却鲜有深入探索。在此背景下，由Gwénolé Lecorvé等研究人员于2024年创建的EmoTextToKids数据集应运而生，其核心研究问题在于系统性地标注非对话式儿童书面文本中的情感表达。该数据集精选自面向儿童的法语报纸、百科全书及小说，共涵盖1,594篇文档、27,911个句子，由六位领域专家依据精细的标注指南进行人工注释，不仅标注了情感类别（如恐惧、愤怒、自豪等），更创新性地引入了情感表达模式（如标签化、行为化、显性化与暗示化），从而为儿童文学与教育场景下的文本复杂度分析提供了独特资源。该数据集的发布显著拓展了情感识别的研究边界，为理解儿童认知发展中的情感语言特征奠定了扎实基础。

当前挑战

EmoTextToKids数据集所面临的挑战体现在多个层面。在领域问题方面，其核心任务是解决非对话式儿童文本中的情感识别难题，与常规对话情感分析不同，儿童读物中的情感表达往往含蓄且依赖上下文，需从叙事性文本中精准捕捉隐含情绪，这对模型在缺乏交互线索的情况下理解情感语义提出了更高要求。在构建过程中，挑战尤为突出：首先，情感标注的模糊性导致一致性困难，例如“自豪”类别的Kappa系数仅为0.25，表明专家间对复杂情感的理解存在显著分歧；其次，“暗示化”表达模式的识别（Kappa=0.46）同样因文本的间接性而难以达成共识；此外，情感类别之间的不平衡分布与部分类别样本稀缺，进一步增加了数据集的构建难度与后续建模的泛化挑战。

常用场景

经典使用场景

EmoTextToKids数据集专为面向儿童的非对话式书面文本情感识别任务而设计。其经典应用场景在于从报纸、百科全书、小说等儿童文学作品中自动检测并分类情感表达，涵盖恐惧、愤怒、骄傲等情感类别，并区分标签化、行为化、展示化或暗示化等多种表达模式。研究者可借助该数据集训练文本分类模型，以精准捕捉儿童文本中细腻且多元的情感线索，推动情感计算在少儿教育领域的纵深发展。

解决学术问题

该数据集有效填补了情感识别研究中儿童非对话文本资源匮乏的空白。传统情感数据集多聚焦成人对话或社交媒体内容，而EmoTextToKids专门针对儿童阅读材料，解决了情感标注在复杂叙事结构中的语义模糊问题。其提供的多层次情感标注（类型、模式、类别）为分析情感表达复杂度、探索情感与社会认知发展关系提供了新范式，显著推动了自然语言处理在教育心理学和儿童语言学交叉领域的研究进展。

衍生相关工作

EmoTextToKids的发布催生了一系列衍生研究，例如基于其多层次情感标注框架，学者们提出了融合情感模式与类别的细粒度情感识别模型，显著提升了复杂情感（如嫉妒、羞愧）的检测精度。此外，围绕该数据集衍生出面向儿童文本的情感表达复杂度评估方法，相关论文在WASSA等顶级会议上发表，为文本难度分析提供了新指标。部分工作还将其与跨语言情感迁移学习结合，探索法语儿童情感资源的跨文化适用性，拓展了低资源语言情感建模的边界。