community-datasets/id_clickbait

CLICK-ID数据集是一个印尼新闻标题的集合，收集自12家本地在线新闻出版商，包括detikNews、Fimela、Kapanlagi等。该数据集主要由两部分组成：(i) 46,119条原始文章数据，以及(ii) 15,000条带有点击诱饵标注的标题样本。标注过程由三位标注者进行，最终以多数意见作为真实标签。在标注样本中，标注结果显示有6,290条点击诱饵和8,710条非点击诱饵。该数据集支持的任务是文本分类，特别是点击诱饵检测。数据集的创建目的是为了填补印尼语在点击诱饵任务上的资源空白。CLICK-ID Dataset is a collection of Indonesian news headlines collected from 12 local online news publishers, including detikNews, Fimela, Kapanlagi, etc. The dataset primarily consists of two parts: (i) 46,119 pieces of raw article data, and (ii) 15,000 headline samples annotated with clickbait labels. The annotation process was conducted by three annotators, with the final ground truth label determined via majority voting. Among the annotated samples, the annotation results indicate 6,290 clickbait instances and 8,710 non-clickbait instances. This dataset supports text classification tasks, particularly clickbait detection. The dataset was developed to fill the resource gap in Indonesian-language clickbait detection tasks.

原始信息汇总

数据集卡片 - Indonesian Clickbait Headlines

数据集描述

数据集摘要

CLICK-ID数据集是从12个本地在线新闻出版商收集的印度尼西亚新闻标题集合，包括detikNews、Fimela、Kapanlagi、Kompas、Liputan6、Okezone、Posmetro-Medan、Republika、Sindonews、Tempo、Tribunnews和Wowkeren。该数据集主要包含两部分：(i) 46,119条原始文章数据，和 (ii) 15,000条经过点击诱饵标注的样本标题。标注过程由3名标注者对每个标题进行检查，基于标题的多数判断作为真实标签。在标注样本中，标注结果显示6,290条点击诱饵和8,710条非点击诱饵。

支持的任务和排行榜

[更多信息需要]

语言

印度尼西亚语

数据集结构

数据实例

一个标注文章的示例： json { "id": "100", "label": 1, "title": "SAH! Ini Daftar Nama Menteri Kabinet Jokowi - Maruf Amin" }

数据字段

标注数据

• id: 样本的ID
• title: 新闻文章的标题
• label: 文章的标签，非点击诱饵或点击诱饵

原始数据

• id: 样本的ID
• title: 新闻文章的标题
• source: 出版商/报纸的名称
• date: 日期
• category: 文章的类别
• sub-category: 文章的子类别
• content: 文章的内容
• url: 文章的URL

数据分割

数据集包含训练集。

数据集创建

策划理由

[更多信息需要]

源数据

初始数据收集和规范化

[更多信息需要]

源语言生产者是谁？

[更多信息需要]

标注

标注过程

[更多信息需要]

标注者是谁？

[更多信息需要]

个人和敏感信息

[更多信息需要]

使用数据的考虑

数据集的社会影响

[更多信息需要]

偏见的讨论

[更多信息需要]

其他已知限制

[更多信息需要]

附加信息

数据集策展人

[更多信息需要]

许可信息

Creative Commons Attribution 4.0 International license

引用信息

plaintext @article{WILLIAM2020106231, title = "CLICK-ID: A novel dataset for Indonesian clickbait headlines", journal = "Data in Brief", volume = "32", pages = "106231", year = "2020", issn = "2352-3409", doi = "https://doi.org/10.1016/j.dib.2020.106231", url = "http://www.sciencedirect.com/science/article/pii/S2352340920311252", author = "Andika William and Yunita Sari", keywords = "Indonesian, Natural Language Processing, News articles, Clickbait, Text-classification", abstract = "News analysis is a popular task in Natural Language Processing (NLP). In particular, the problem of clickbait in news analysis has gained attention in recent years [1, 2]. However, the majority of the tasks has been focused on English news, in which there is already a rich representative resource. For other languages, such as Indonesian, there is still a lack of resource for clickbait tasks. Therefore, we introduce the CLICK-ID dataset of Indonesian news headlines extracted from 12 Indonesian online news publishers. It is comprised of 15,000 annotated headlines with clickbait and non-clickbait labels. Using the CLICK-ID dataset, we then developed an Indonesian clickbait classification model achieving favourable performance. We believe that this corpus will be useful for replicable experiments in clickbait detection or other experiments in NLP areas." }

贡献

感谢@cahya-wirawan添加此数据集。

搜集汇总

数据集介绍

构建方式

在数字新闻生态中，标题党现象对信息传播的真实性构成了显著挑战。为此，CLICK-ID数据集应运而生，专注于印尼语新闻标题的点击诱饵检测。该数据集构建过程严谨，首先从detikNews、Kompas、Liputan6等12家印尼主流在线新闻媒体中采集了46,119篇原始新闻文章，涵盖多个新闻类别。随后，从中精选出15,000条标题，由三名标注员独立对每条标题进行是否为点击诱饵的判断，标注依据仅基于标题本身，最终采用多数投票结果作为真实标签，确保了标注的客观性与一致性。经过标注，数据集包含6,290条点击诱饵样本和8,710条非点击诱饵样本。

使用方法

该数据集的使用十分便捷，主要通过HuggingFace的datasets库加载。用户可指定配置名称获取不同版本：使用'annotated'配置可加载带有标签的15,000条标题数据，适用于有监督的文本分类模型训练；使用'raw'配置则可获取38,655条包含完整文章信息的原始数据，便于进行多任务学习或内容分析。数据集仅包含训练集，无需额外划分，可直接用于模型训练与评估。研究者可基于标题特征构建印尼语点击诱饵检测系统，或将其作为基准数据集，与英语及其他语言的类似任务进行跨语言比较研究。

背景与挑战

背景概述

在自然语言处理领域，新闻标题的点击诱饵检测日益成为研究热点，然而多数工作集中于英语语料，其他语言资源相对匮乏。2020年，Andika William与Yunita Sari等研究者基于印度尼西亚语新闻生态，构建了CLICK-ID数据集，旨在填补这一语言空白。该数据集收集自detikNews、Kompas等12家本土在线新闻媒体的46,119篇原始文章，并从中精选15,000条标题由三位标注者独立标注，最终形成包含6,290条点击诱饵与8,710条非点击诱饵的标注子集。其研究核心在于为印尼语点击诱饵分类任务提供标准化基准，同时推动多语言新闻分析的发展。该数据集以CC-BY-4.0许可发布，已为后续研究提供可重复实验的基础，对低资源语言的文本分类领域产生了显著影响。

当前挑战

该数据集所应对的领域挑战在于，印尼语中点击诱饵标题的自动识别面临语言特异性难题，例如新闻标题常使用夸张修辞或情感化表达，与英语模式存在差异，需设计适配的文本分类模型。构建过程中的挑战则尤为突出：首先，数据收集需从12家不同新闻源爬取，各平台格式与更新频率不一，导致原始数据标准化困难；其次，标注阶段由三位专家独立判断，但标题的点击诱饵属性具有主观性，需通过多数投票达成共识，过程中可能出现标注不一致；此外，非点击诱饵样本（8,710条）多于点击诱饵样本（6,290条），类别不平衡可能影响模型训练效果。这些挑战共同构成了该数据集在构建与应用中的核心难点。

常用场景

经典使用场景

在自然语言处理与计算新闻学交叉领域，CLICK-ID数据集被广泛用于印尼语新闻标题的点击诱饵检测任务。该数据集包含来自12家主流印尼在线新闻媒体的15,000条人工标注标题，其中非点击诱饵与点击诱饵样本分别占比约58%与42%，为文本二分类任务提供了均衡且高质量的标注资源。研究者常将其作为基准数据集，用于训练和评估基于深度学习或传统机器学习方法的点击诱饵分类模型，如LSTM、BERT及其印尼语变体。此外，该数据集还支持多标签分类、序列标注等扩展任务，并为跨语言点击诱饵检测研究提供了非英语语料的重要参考。

解决学术问题

该数据集的核心学术贡献在于填补了印尼语新闻点击诱饵检测领域标注资源的空白。此前，点击诱饵研究多集中于英语语料，缺乏对低资源语言如印尼语的系统探索。CLICK-ID通过提供大规模、多来源、专家标注的语料，使研究者能够验证点击诱饵检测模型在印尼语环境下的泛化能力，并探究语言特异性特征（如印尼语中的冗余表达、情感词汇倾向）对分类性能的影响。其发布推动了多语言点击诱饵检测的学术进展，为构建鲁棒性更强的跨语言检测框架奠定了数据基础，同时也促进了新闻真实性评估、信息质量分析等关联领域的研究。

实际应用

在实际应用中，CLICK-ID数据集支撑了印尼语新闻聚合平台与社交媒体内容审核系统的智能化升级。基于该数据集训练的点击诱饵分类模型，可被集成至新闻推荐算法中，自动过滤具有误导性标题的文章，从而提升用户阅读体验与信息获取效率。新闻机构亦可利用该工具对其发布内容进行自查，规避因标题党行为引发的用户信任危机。此外，该数据集还可用于开发浏览器插件或移动端应用，帮助读者实时识别潜在误导性新闻，增强公众媒介素养。其应用场景已延伸至舆情监测、广告合规审查及虚假信息治理等商业与公共事务领域。

数据集最近研究

最新研究方向

在自然语言处理领域，点击诱饵检测已成为一项关键任务，尤其随着社交媒体和新闻聚合平台的迅猛发展，虚假或夸张标题的泛滥对信息生态构成了严重威胁。CLICK-ID数据集作为首个针对印尼语新闻标题的点击诱饵标注资源，其出现填补了低资源语言在事实核查方向上的空白。当前前沿研究聚焦于利用该数据集训练多语言文本分类模型，探索跨语言迁移学习与对抗训练在点击诱饵识别中的效能。此外，结合印尼本土政治事件（如大选期间的信息战），研究者正推动将点击诱饵检测与谣言传播分析相结合，以构建更鲁棒的在线内容治理框架。该数据集的发布不仅为印尼语NLP研究提供了标准化基准，更强化了低资源语言在虚假信息防控领域的参与度，对维护区域数字生态安全具有深远意义。