sagteam/author_profiling

该数据集用于俄语文本的作者分析，包含标注了五个任务的俄语文本：性别、年龄、年龄模仿、性别模仿和风格模仿。数据集通过Yandex.Toloka众包平台收集，包含训练、验证和测试集，分别有9564、1320和2564个文本。数据集支持多类和多标签文本分类任务，并提供了基线模型的性能指标。

原始信息汇总

数据集概述

数据集名称

• 名称: The Corpus for the analysis of author profiling in Russian-language texts
• 别名: author_profiling

数据集基本信息

• 语言: 俄语 (ru)
• 许可证: Apache-2.0
• 多语言性: 单语种
• 大小: 10K<n<100K
• 来源: 原始数据集
• 任务类别: 文本分类
• 具体任务: 多类别分类, 多标签分类

数据集内容

• 性别: 13448个文本，标记为女性或男性
• 年龄: 13448个文本，标记年龄范围从12到80，以及5个年龄组
• 年龄模仿: 8460个文本，作者被要求以自然风格、年轻风格和年长风格写作
• 性别模仿: 4988个文本，作者被要求以原始性别和相反性别写作
• 风格模仿: 4988个文本，作者被要求以自己的性别但改变通常风格写作

数据集结构

• 数据实例: 每个实例包含俄语文本及其作者分析标注
• 数据字段: 包括文本ID、作者ID、账户ID、年龄、性别、模仿类型等
• 数据分割: 训练集9564个文本，验证集1320个文本，测试集2564个文本

数据集创建

• 采集平台: Yandex.Toloka
• 标注过程: 通过众包平台收集文本，作者填写性别、年龄等信息
• 标注者: 俄语母语的Yandex.Toloka用户
• 数据匿名化: 所有个人数据已匿名处理，每个作者有一个唯一的非个人标识符

使用注意事项

• 社会影响: 待补充
• 偏见讨论: 待补充
• 其他已知限制: 待补充

附加信息

• 数据集管理者: AI技术实验室，NRC "Kurchatov Institute"
• 许可证: Apache License 2.0
• 引用信息: 参考文献详细信息，请参阅README文件中的引用部分
• 贡献者: 感谢@naumov-al添加此数据集

搜集汇总

背景与挑战

背景概述

该数据集用于俄语文本的作者分析，包含五个标注任务（性别、年龄、年龄模仿、性别模仿和风格模仿），通过众包平台收集，分为训练、验证和测试集，支持多类和多标签分类任务，并提供了基线模型性能指标。