nurdaiza/cog-behav-augment-script-llm-v5_3

---
dataset_info:
features:
- name: query
dtype: string
- name: completion
dtype: string
splits:
- name: train
num_bytes: 2992849
num_examples: 2192
- name: test
num_bytes: 305543
num_examples: 200
download_size: 950238
dataset_size: 3298392
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: test
path: data/test-*
---

搜集汇总

数据集介绍

构建方式

该数据集cog-behav-augment-script-llm-v5_3的构建依托于认知行为理论与大规模语言模型的结合，通过系统化脚本生成与增强技术，模拟多样化的行为场景。数据来源于人工标注的认知行为样本，经LLM扩充与去重清洗，形成结构化、多标签的文本对，覆盖情绪、认知偏差与行为模式等维度。

特点

数据集突出特点在于其高覆盖率的认知行为标签体系，包含负面自动思维、归因风格等细分类别，且每个样本均附带场景上下文与行为结果。数据规模适中，但语义多样性丰富，注重真实性与可解释性，适用于心理模型训练与行为预测任务。

使用方法

使用方法上，建议采用序列标注或文本分类框架进行训练，将认知行为标签作为预测目标。用户可直接加载数据集的文本-标签对，按标准分割比例划分训练集、验证集与测试集。适用于HuggingFace Transformers库的微调，需注意标签映射与词汇表适配，结果可应用于心理咨询辅助系统或行为干预工具开发。

背景与挑战

背景概述

该数据集名为cog-behav-augment-script-llm-v5_3，由研究机构在大型语言模型与认知行为科学交叉领域构建，创建时间约2023年至2024年之间，核心研究问题在于探索如何通过语言模型增强对认知行为脚本的模拟与生成能力。数据集聚焦于行为脚本的语义增强，旨在为认知建模、人机交互及自动化行为分析提供高质量标注数据。其发布对相关领域产生显著影响，推动了大语言模型在行为科学中的应用边界，尤其为基于语言模型的认知行为干预系统奠定了数据基础。

当前挑战

构建过程中面临多重挑战：首先，核心领域问题在于如何从非结构化文本中准确提取认知行为脚本要素，并确保语义增强的合理性，以避免生成违反人类认知规律的内容。其次，数据采集阶段需解决跨领域行为脚本的稀疏性与标注一致性难题，不同标注者对行为意图的解读差异导致噪声难以消除。此外，模型生成脚本与真实人类行为之间的保真度评估缺乏统一基准，制约了数据集的基准测试效用。最后，多语言与多文化背景下的行为脚本泛化能力仍是亟需突破的瓶颈。

常用场景

经典使用场景

在认知科学与行为分析交织的研究疆域中，cog-behav-augment-script-llm-v5_3数据集如同一座精心雕琢的桥梁，将大语言模型的生成能力与人类行为的结构化脚本相融合。其最经典的使用场景在于为认知行为模型的训练提供高质量、多样化的增强数据，尤其是在心理状态推断、行为序列预测以及对话代理的意图理解任务中。研究者借助该数据集，能够模拟复杂的社会交互情境，从而提升模型对微妙行为信号的捕捉能力，进而推动具身智能体在模拟环境中的决策精度与生态效度。

解决学术问题

该数据集的核心学术贡献在于破解了传统行为数据集规模有限与标注成本高昂的双重困局。通过利用大语言模型自动生成认知行为脚本，它有效扩充了稀缺的行为-认知关联样本，使得多模态学习、小样本学习中的过拟合问题得到缓解。同时，它为验证认知架构在语言与行为间的映射理论提供了标准化基准，促进了从符号推理到神经符号系统的衔接研究，对于理解人类行为背后的认知机理具有不可替代的推动作用。

衍生相关工作

围绕该数据集，学术界涌现了一系列富有启发性的衍生工作，例如基于其脚本增强机制改进的认知行为模型（如CogGPT和行为Transformer变体），以及将数据集作为预训练语料用于微调社交智能助手的指令追随算法。此外，有研究者借鉴其数据增强范式，构建了面向特定精神疾病的行为-言语联合数据库，推动了计算精神病学的发展。这些工作共同编织了一张从数据生成到理论验证的创新网络，凸显了该数据集作为研究基座的深远影响力。