karanverma19/Indian_Multilingual_Scam_Message_Dataset

---
license: apache-2.0
---
# Indian Multilingual Scam Message Dataset

## Overview
This dataset contains 120 realistic SMS and text messages from Indian contexts, labeled as scam or legitimate. It reflects real-world communication patterns across Hindi, Hinglish, and English.

## Features
- 120 high-quality samples
- Multilingual (Hindi, Hinglish, English)
- Real-world inspired scam and legitimate messages
- Includes reasoning for each label
- Covers multiple domains: banking, ecommerce, telecom, utilities, finance, and government

## Dataset Structure

| Column | Description |
|--------|------------|
| message | The SMS or text message |
| label | scam or legit |
| reason | Explanation for classification |
| domain | Application domain (banking, ecommerce, etc.) |
| language | Language used (Hindi, Hinglish, English) |

## Example

| message | label |
|--------|------|
| आपका बैंक खाता सत्यापन लंबित है, कृपया तुरंत अपडेट करें | scam |
| Your OTP is 456789. Do not share it with anyone. | legit |

## Use Cases
- Scam detection systems
- Spam filtering models
- Fraud prevention tools
- Multilingual chatbot safety layers

## Motivation
Fraudulent SMS and phishing attacks are common in India, especially in multilingual and code-mixed formats. This dataset helps build AI systems that can better understand and detect such threats in real-world scenarios.

## Evaluation
This dataset can be evaluated using:
- Classification accuracy
- Precision / Recall / F1-score
- Human validation for realism and correctness

## License
Apache-2.0

--- license: apache-2.0 ---
# 印度多语言诈骗短信数据集

## 数据集概述
本数据集收录120条贴合印度本土实际场景的短信与文本消息，分为诈骗与合法两类并完成标注。数据集覆盖印地语、印地语-英语混合语（Hinglish）及英语三类语言，真实反映当地日常通信模式。

## 数据集特性
- 120条高质量标注样本
- 多语言覆盖（印地语、印地语-英语混合语、英语）
- 取材于真实通信场景的诈骗与合法消息样本
- 每条样本均附带分类判定依据
- 覆盖多个应用领域：银行业、电子商务、电信、公共事业、金融及政府领域

## 数据集结构
| 列名 | 字段描述 |
|--------|------------|
| message | 短信或文本消息原文 |
| label | 分类标签，取值为"scam"（诈骗）或"legit"（合法） |
| reason | 分类判定的详细依据 |
| domain | 消息所属的应用领域（如银行业、电子商务等） |
| language | 消息使用的语言类型 |

## 示例
| 消息内容 | 分类标签 |
|--------|------|
| 您的银行账户验证流程尚未完成，请立即更新信息 | 诈骗 |
| 您的一次性验证码（OTP）为456789，请勿向任何人泄露。 | 合法 |

## 应用场景
- 诈骗检测系统研发
- 垃圾短信过滤模型训练
- 欺诈防控工具构建
- 多语言聊天机器人安全防护层搭建

## 构建动机
在印度，基于短信的诈骗与网络钓鱼攻击频发，且多以多语言或语码混合形式呈现。本数据集可助力研发能够在真实场景中有效识别此类威胁的人工智能系统。

## 评估方案
本数据集可通过以下指标与方式进行评估：
- 分类准确率
- 精确率（Precision）、召回率（Recall）及F1值（F1-score）
- 针对样本真实性与标注正确性的人工校验

## 许可证
Apache-2.0