LeTG/psychological-coercion-identification

--- language: - en license: cc-by-sa-4.0 task_categories: - text-classification task_ids: - multi-label-classification tags: - psychological-coercion - psyop - propaganda-detection - influence-operations - manipulation-detection - nlp - fine-tuning - media-literacy pretty_name: Psychological Coercion Identification size_categories: - 10K<n<100K --- # Psychological Coercion Identification Dataset ## Overview A labeled dataset of 12,655 text chunks derived from 24 publicly available YouTube interview transcripts, annotated for psychological coercion techniques and PSYOP (Psychological Operations) indicators. Built to support fine-tuning of open-source language models on coercive language detection, propaganda identification, and influence operation analysis. --- ## Intended Uses - Fine-tuning NLP classifiers to detect psychological manipulation in text - Research into propaganda, coercion, and influence operations - Training content moderation systems for media literacy tools - Academic study of persuasion and coercive communication patterns --- ## Dataset Statistics | Metric | Value | |---|---| | Total labeled chunks | 12,655 | | Source videos | 24 YouTube interviews | | Chunk size | ~30 words per chunk | | PSYOP present (label=1) | 1,317 (10.4%) | | PSYOP absent (label=0) | 11,338 (89.6%) | | Train split | 10,137 rows | | Validation split | 1,254 rows | | Test split | 1,264 rows | --- ## Technique Distribution | Technique | Occurrences | |---|---| | loaded_language | 973 | | us_vs_them | 886 | | fear_appeal | 424 | | false_dichotomy | 416 | | identity_targeting | 148 | | scarcity_urgency | 140 | | authority_appeal | 121 | | information_control | 98 | | social_proof | 61 | | repetition_conditioning | 59 | | thought_termination | 52 | | guilt_induction | 37 | | gaslighting | 16 | | victimhood_framing | 4 | --- ## Dataset Schema | Field | Type | Description | |---|---|---| | chunk_id | string | Unique identifier for the chunk | | source_url | string | YouTube URL the chunk was derived from | | source_file | string | Transcript filename | | chunk_index | int | Position of chunk within its source transcript | | text | string | The raw ~30-word text chunk | | word_count | int | Number of words in the chunk | | psyop_present | int | Binary label: 1 = coercive language detected, 0 = absent | | confidence | float | Annotator confidence score (0.0–1.0) | | techniques | list[string] | Detected technique labels (see definitions below) | | target | string | Coercion target: individual, group, or none | | sentiment | string | positive, negative, neutral, or mixed | | notes | string | Brief annotation reasoning | | split | string | train, validation, or test | --- ## Technique Label Definitions | Label | Definition | |---|---| | fear_appeal | Uses fear or threat of harm to influence behavior or belief | | false_dichotomy | Presents only two options when more exist | | loaded_language | Emotionally charged words used to influence perception | | repetition_conditioning | Repeats phrases or ideas to normalize them over time | | authority_appeal | Invokes authority figures to bypass critical thinking | | social_proof | Implies that everyone believes or does something | | scarcity_urgency | Creates artificial time pressure or scarcity to force decisions | | identity_targeting | Exploits group identity or sense of belonging | | guilt_induction | Uses guilt or shame to manipulate behavior | | love_bombing | Overwhelming praise or affection to gain compliance | | thought_termination | Uses clichés or platitudes to shut down critical thinking | | us_vs_them | Creates in-group vs out-group division to polarize | | gaslighting | Causes the target to question their own perception of reality | | information_control | Restricts, distorts, or selectively presents information | --- ## Class Imbalance Note This dataset reflects real-world distributions of coercive language in interview and documentary content. The 89.6% negative class majority is intentional and realistic — most speech is not overtly coercive even in content that contains manipulative elements. When fine-tuning models on this dataset, consider: - Weighted loss functions (e.g. `class_weight='balanced'` in sklearn) - Oversampling the minority class (e.g. SMOTE) - Adjusting classification thresholds post-training --- ## Annotation Methodology Text chunks were annotated using **Claude Haiku (claude-haiku-4-5)** via the Anthropic API with a controlled vocabulary system prompt enforcing consistent label taxonomy across all 14 technique categories. Chunk size was fixed at approximately 30 words to capture sentence-level coercive patterns. All source material consists of publicly available YouTube content. Transcripts were extracted using YT-DLP with automatic deduplication applied to remove caption overlap artifacts inherent in YouTube's ASR system. --- ## License [Creative Commons Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)](https://creativecommons.org/licenses/by-sa/4.0/) You are free to share and adapt this dataset for any purpose, including commercial use, provided you give appropriate credit and distribute any derivative works under the same license.语言： - 英语（en） 许可证：CC BY-SA 4.0（知识共享署名-相同方式共享4.0国际协议） 任务类别： - 文本分类 任务子类型： - 多标签分类 标签： - 心理胁迫 - 心理作战（PSYOP） - 宣传检测 - 影响力行动 - 操纵检测 - 自然语言处理（Natural Language Processing, NLP） - 微调 - 媒介素养 数据集展示名：心理胁迫识别 样本规模区间：10K < n < 100K # 心理胁迫识别数据集 ## 概述 本数据集共包含12655条标注文本片段，源自24个公开可用的YouTube访谈转录文本，针对心理胁迫手段与心理作战（Psychological Operations, PSYOP）标识进行了标注。本数据集旨在支持开源大语言模型在胁迫性语言检测、宣传识别以及影响力行动分析场景下的微调训练。 ## 预期用途 - 微调自然语言处理分类器，以检测文本中的心理操纵行为 - 开展宣传、胁迫及影响力行动相关研究 - 训练面向媒介素养工具的内容审核系统 - 研究说服与胁迫性沟通模式的学术课题 ## 数据集统计 | 指标 | 数值 | |---|---| | 总标注文本片段数 | 12655 | | 源视频 | 24个YouTube访谈 | | 文本片段长度 | 约每段30词 | | 存在心理作战标注（标签=1） | 1317条（占比10.4%） | | 不存在心理作战标注（标签=0） | 11338条（占比89.6%） | | 训练集 | 10137条数据 | | 验证集 | 1254条数据 | | 测试集 | 1264条数据 | ## 技术手段分布 | 技术手段 | 出现次数 | |---|---| | 煽动性措辞（loaded_language） | 973 | | 阵营对立（us_vs_them） | 886 | | 诉诸恐惧（fear_appeal） | 424 | | 虚假二分法（false_dichotomy） | 416 | | 身份定向（identity_targeting） | 148 | | 稀缺性与紧迫性制造（scarcity_urgency） | 140 | | 诉诸权威（authority_appeal） | 121 | | 信息控制（information_control） | 98 | | 社会认同（social_proof） | 61 | | 重复强化（repetition_conditioning） | 59 | | 思维压制（thought_termination） | 52 | | 愧疚诱导（guilt_induction） | 37 | | 煤气灯操纵（gaslighting） | 16 | | 受害者框架（victimhood_framing） | 4 | ## 数据集结构 | 字段 | 类型 | 描述 | |---|---|---| | chunk_id | string | 文本片段的唯一标识符 | | source_url | string | 该片段来源的YouTube视频链接 | | source_file | string | 转录文本文件名 | | chunk_index | int | 该片段在源转录文本中的位置索引 | | text | string | 原始文本片段，约30词 | | word_count | int | 文本片段的单词数 | | psyop_present | int | 二元标签：1=检测到胁迫性语言，0=未检测到 | | confidence | float | 标注者置信度评分（取值范围0.0~1.0） | | techniques | list[string] | 检测到的技术手段标签（详见下文定义） | | target | string | 胁迫目标：个人、群体或无目标 | | sentiment | string | 情感倾向：positive（积极）、negative（消极）、neutral（中性）或mixed（混合） | | notes | string | 标注推理简要说明 | | split | string | 数据集划分：train（训练集）、validation（验证集）或test（测试集） | ## 技术手段标签定义 | 标签 | 定义 | |---|---| | 诉诸恐惧（fear_appeal） | 通过制造恐惧或伤害威胁来影响行为或信念 | | 虚假二分法（false_dichotomy） | 在存在更多选项的情况下仅提供两种选择 | | 煽动性措辞（loaded_language） | 使用带有强烈情感色彩的词汇来影响感知 | | 重复强化（repetition_conditioning） | 反复重复短语或观点以逐步使其常态化 | | 诉诸权威（authority_appeal） | 援引权威人物以绕过批判性思考 | | 社会认同（social_proof） | 暗示所有人都认同或在做某件事 | | 稀缺性与紧迫性制造（scarcity_urgency） | 人为制造时间压力或资源稀缺以迫使决策 | | 身份定向（identity_targeting） | 利用群体身份或归属感进行操纵 | | 愧疚诱导（guilt_induction） | 通过愧疚或羞耻感来操纵行为 | | 爱情轰炸（love_bombing） | 通过过度的赞美或示好来获取服从 | | 思维压制（thought_termination） | 使用陈词滥调或套话来终止批判性思考 | | 阵营对立（us_vs_them） | 制造内群体与外群体的对立以激化分歧 | | 煤气灯操纵（gaslighting） | 使目标质疑自身对现实的感知 | | 信息控制（information_control） | 限制、扭曲或选择性地呈现信息 | ## 类别不平衡说明 本数据集反映了访谈与纪录片内容中胁迫性语言的真实分布情况。89.6%的负类样本占比是有意设置且符合现实的——即便在包含操纵性元素的内容中，大多数言论也并非显性胁迫。 在基于本数据集微调模型时，可考虑以下方案： - 使用加权损失函数（例如scikit-learn中的`class_weight='balanced'`） - 对少数类进行过采样（例如SMOTE算法） - 在训练后调整分类阈值 ## 标注方法 文本片段的标注通过Anthropic API调用**Claude Haiku（claude-haiku-4-5）**完成，采用受控词汇表系统提示词，确保所有14个技术手段类别的标注分类体系保持一致。为捕捉句子级别的胁迫模式，文本片段长度固定为约30词。 所有源素材均为公开可用的YouTube内容。转录文本通过YT-DLP工具提取，并针对YouTube自动语音识别（ASR）系统固有的字幕重叠伪影进行了自动去重处理。 ## 许可证 [知识共享署名-相同方式共享4.0国际协议（CC BY-SA 4.0）](https://creativecommons.org/licenses/by-sa/4.0/) 您可自由共享和改编本数据集用于任何用途，包括商业用途，但需提供适当署名，并将衍生作品以相同许可证协议进行分发。