Toxic Comments Dataset 2026 | CM & NLP

kaggle2026-07-04 更新2026-07-24 收录

文本毒性检测

内容安全治理

数据链接：

https://www.kaggle.com/datasets/mmumairkhattak/toxic-comments-dataset-2026-cm-and-nlp 数据链接链接失效反馈

官方服务：

资源简介：

30,000 English comments with toxicity labels for content moderation, NLP, and ma

本数据集包含30,000条带有毒性标注的英文评论，可用于内容审核、自然语言处理（Natural Language Processing）以及ma（原文末尾存在输入截断）

创建时间：

2026-07-04

IndoToxic2024

社交媒体分析

文本毒性检测

IndoToxic2024是一个印度尼西亚语的多标签数据集，由莫纳什大学印度尼西亚分校创建，包含毒性、两极分化以及标注者人口统计信息。数据集收集了来自多个社交媒体平台和在线新闻文章的文本，经过预处理和质量过滤，共有28,477条独特文本。该数据集旨在研究在线话语中这些因素之间的相互作用，并为数字两极化和毒性研究提供见解。

arXiv2025-03-01 更新300

ToxiGen

文本毒性检测

少数群体偏见分析

机器生成的大规模数据集，包含 274,186 条关于 13 个少数群体的有害和良性陈述。该数据集使用基于演示的提示框架和对抗性分类器在环解码方法，通过大量预训练语言模型 (GPT-3) 生成具有微妙毒性和良性的文本。以这种方式控制机器生成允许 TOXIGEN 比以前的人工书写文本资源更大规模地覆盖隐含的有毒文本，并且涉及更多的人口群体。 TOXIGEN 可用于对抗人工编写和机器生成的毒性。

OpenXLab150

chrystians/oasst1_pl_2_2

自然语言处理

文本毒性检测

--- dataset_info: features: - name: message_id dtype: string - name: parent_id dtype: string - name: user_id dtype: string - name: created_date dtype: string - name: text

Hugging Face2024-01-06 更新130

UnderstandLing/oasst1_es

对话数据

文本毒性检测

该数据集包含多种社交媒体数据，如用户消息ID、父消息ID、用户ID、创建日期、消息文本、用户角色、语言、审核计数、审核结果、是否删除、排名、是否合成、模型名称等。此外，还包括了消息的毒性分析结果，如身份攻击、侮辱、淫秽、严重毒性、性暗示、威胁和毒性等指标。数据集被划分为训练集和验证集，分别包含84432和4400个例子。

Hugging Face2023-12-18 更新280

NickyNicky/toxi-text-es_and_en-2M

文本毒性检测

多语言数据

--- dataset_info: features: - name: text dtype: string - name: is_toxic dtype: int64 - name: lang dtype: string splits: - name: train num_bytes: 1304050653.6732721 num_

Hugging Face2024-05-10 更新130

Toxic Comments Dataset 2026 | CM & NLP

资源简介：

相关数据集