thomasgauthier/observation_or_evaluation

该数据集包含基于马歇尔·罗森伯格教授的非暴力沟通（NVC）原则分类为观察和评价的语句。数据集通过多种语言模型生成和增强，旨在理解和实践有效的同理心沟通。数据集用于评估通用大型语言模型在区分NVC中定义的观察性和评价性句子方面的能力，作为情感分析和主观解释准确性的基准。数据集为英文，包含测试集，用于模型评估而非训练。该数据集包含基于马歇尔·罗森伯格教授的非暴力沟通（NVC）原则分类为观察和评价的语句。数据集通过多种语言模型生成和增强，旨在理解和实践有效的同理心沟通。数据集用于评估通用大型语言模型在区分NVC中定义的观察性和评价性句子方面的能力，作为情感分析和主观解释准确性的基准。数据集为英文，包含测试集，用于模型评估而非训练。

原始信息汇总

数据集卡片 "Observation or evaluation"

数据集描述

数据集概述

该数据集包含根据马歇尔·罗森伯格教授的非暴力沟通（NVC）原则分类的陈述，分为观察和评价两类。数据集包括通过各种语言模型生成和增强的合成数据，旨在分类反映纯粹观察（注意）或评价（判断）的陈述，以理解和实践有效的同理心沟通。该数据集旨在评估通用大型语言模型区分NVC定义的观察性和评价性句子的能力，作为情感分析和主观解释准确性的基准。

支持的任务和排行榜

• text-classification：该任务涉及将句子分类为包含观察的陈述和包含评价的陈述。这种辨别能力有助于理解和提高同理心沟通技巧。目前没有活跃的排行榜，但该数据集可用作一个。

语言

数据集完全为英语。

数据集结构

数据实例

数据集中的典型实例可能如下所示：

json { "statement": "John was angry with me yesterday for no reason.", "reasoning": "The statement suggests that John felt a certain emotion (anger) directed towards the speaker and adds the qualifier for no reason. This is considered an evaluation.", "classification": "Evaluation", "pure_observation_alternative": "John told me he was angry." }

数据字段

• statement：数据集中提供的原始句子。
• reasoning：将陈述分类为观察、评价或混合的理由。
• classification：陈述的分类 - Observation、Evaluation 或 Mixed。
• pure_observation_alternative：一个可选的替代版本，表示没有评价的纯粹观察。

数据分割

数据集包含一个 test 分割，旨在作为评估通用模型的基准，而非用于训练目的。

数据集创建

策划理由

该数据集旨在提供一种衡量语言模型在非暴力沟通（NVC）中区分观察和评价能力的指标，这是NVC的核心概念。

源数据

数据集中的所有样本均由大型语言模型生成。数据主要灵感来自马歇尔·罗森伯格的书籍《非暴力沟通：生活的语言》中的练习，并进一步通过《宋飞正传》剧本种子数据增强，以确保多样化和相关性强的陈述。

注释

注释由语言模型输出生成，并通过手动和自动审查及调整以确保质量和符合NVC原则。

使用数据的注意事项

数据集的社会影响

该数据集旨在积极促进能够理解和实践同理心和非暴力沟通原则的AI系统的发展，可能减少人际互动中的误解和冲突。

讨论偏见

由于数据集的合成性质，语言模型训练数据中肯定存在偏见，这可能影响分类。

其他已知限制

数据的合成生成可能无法捕捉人类情感表达和解释的全部复杂性和细微差别。此外，数据集中的分类未经NVC实践者审查，可能无法正确反映NVC原则。

附加信息

数据集策展人

数据集生成管道由Thomas Gauthier-Caron开发。

许可信息

数据集在Apache 2.0许可下发布。

引用信息

@misc{observation_or_evaluation_dataset_2024, author = {Gauthier-Caron, Thomas}, title = {Observation or evaluation dataset}, year = {2024}, howpublished = {url{https://thomasgauthier.dev/devlog/nvc}} }

搜集汇总

数据集介绍

构建方式

该数据集基于马歇尔·罗森伯格所倡导的非暴力沟通理论，旨在区分观察与评价两类陈述。其构建过程融合了多源数据与先进语言模型技术：核心样本源自罗森伯格著作中的经典练习，并借助《宋飞正传》剧本的种子数据加以扩展，以增强语句的多样性与现实关联性。所有样本均由大型语言模型生成，并经过机器标注与后续的人工及自动化审核调整，确保分类符合非暴力沟通原则。数据集以测试集形式呈现，专为评估通用大语言模型的分类能力而设计，不用于模型训练。

特点

该数据集的核心特点在于其聚焦于非暴力沟通中观察与评价的细微界限，为情感分析与主观解释的准确性提供了独特基准。每个样本不仅包含原始陈述和分类标签（观察、评价或混合），还附有分类的推理过程及可选的纯观察改写版本，从而提升了可解释性与教学价值。数据集规模介于1000至10000条之间，全部为英文，由机器生成并经过精心筛选，确保了标注的一致性与可靠性，同时其合成性质也公开承认了潜在的语言模型偏差。

使用方法

该数据集主要作为文本分类任务的基准使用，用于评估模型区分观察性陈述与评价性陈述的能力。用户可直接加载测试集，通过模型的分类输出与数据集提供的标签及推理进行对比，从而衡量模型在非暴力沟通语境下的理解水平。此外，数据集附带的Jupyter Notebook、生成记录CSV文件及SQLite数据库，为研究者提供了完整的生成流程与原始数据，便于复现、分析或扩展。使用时需注意其合成数据的局限性，以及分类未经过非暴力沟通实践者独立审查的潜在不足。

背景与挑战

背景概述

在人工智能与自然语言处理领域，情感分析与主观性判断的精确性始终是衡量模型理解人类沟通深度的关键指标。非暴力沟通（NVC）作为马歇尔·罗森伯格提出的沟通哲学，强调区分纯粹观察与主观评价，这一概念为机器理解人类情感表达提供了独特的理论框架。2024年，由Thomas Gauthier-Caron创建的数据集“Observation or Evaluation”应运而生，旨在评估通用大语言模型在识别观察性陈述与评价性陈述上的能力。该数据集以合成数据为核心，辅以《Seinfeld》电视剧本等真实语料，通过多模型生成与人工审核确保标注质量，为文本分类任务提供了可量化的基准，推动了情感计算与共情沟通研究的交叉融合。

当前挑战

当前数据集面临的核心挑战在于领域问题的复杂性与构建过程的局限性。首先，非暴力沟通中观察与评价的边界模糊性使得分类任务极具难度，例如情感色彩的微妙差异或语境依赖的隐含判断，导致模型难以捕捉人类沟通的细腻层次。其次，数据集构建过程中依赖语言模型生成的合成样本可能无法充分反映真实世界的情感多样性，且标注未经过NVC实践者系统审核，存在分类偏差的风险。此外，数据规模较小（1K至10K条）限制了模型泛化能力，而测试集单一分区的设计也削弱了其在多种场景下的鲁棒性评估。这些挑战共同制约了数据集作为基准的权威性与可迁移性。

常用场景

经典使用场景

该数据集专为文本二分类任务而设计，旨在区分非暴力沟通（NVC）框架下的“观察”与“评价”两类陈述。研究者可将其作为基准测试集，评估通用大语言模型在情感分析与主观判断辨识方面的能力。通过分析模型对细微语义差异的敏感度，该数据集为情感计算与沟通心理学交叉领域提供了标准化的评估工具。

实际应用

实际应用中，该数据集可赋能情感辅助型AI系统，如心理咨询聊天机器人或冲突调解工具。通过训练模型精准识别评价性语言，系统能在人际沟通中实时标记潜在冲突信号，并建议用户转化为非暴力表达。此外，在社交媒体内容审核中，该技术有助于区分事实陈述与情绪化评判，优化网络环境治理。

衍生相关工作

该数据集衍生出的经典工作包括：基于NVC原则的沟通质量自动评估系统、面向共情对话的生成模型微调方法，以及跨语言观察-评价分类器的迁移学习研究。研究者还将其与情感极性分析结合，构建了多层次沟通意图理解框架，并探索了在医疗问诊场景中识别医患评价性语言的应用，显著提升了AI辅助诊断的共情能力。