projecte-aina/CaSSA-catalan-structured-sentiment-analysis

CaSSA数据集是一个包含6400条评论和论坛消息的语料库，每条文本都标注了其中包含的所有极性表达。每个极性表达都标注了表达本身、目标（表达的对象）和来源（表达情感的主体）。共标注了25,453个极性表达。该数据集用于训练情感分析模型，语言为加泰罗尼亚语（ca-ES）。数据集由巴塞罗那超级计算中心创建，遵循CC BY-NC-ND 4.0许可证。

原始信息汇总

数据集概述

数据集名称

• 名称: CaSSA
• 全称: Catalan Structured Sentiment Analysis dataset

数据集详情

• 语言: 加泰罗尼亚语 (ca-ES)
• 许可证: Creative Commons Attribution Non-commercial No-Derivatives 4.0 International License (cc-by-nc-nd-4.0)
• 多语言性: 单语种
• 任务类别: 文本分类

数据集内容

• 数据集摘要: CaSSA数据集包含6,400条评论和论坛消息，每个文本都标注了所有包含的极性表达。共有25,453个极性表达被标注。
• 支持的任务: 用于训练情感分析模型。

数据集结构

• 数据实例: 每个实例包含一个文本及其相关的极性表达（在"opinions"字段中）。每个极性表达包含来源、目标、极性表达、极性值和强度值。
• 数据字段: 包括sent_id, text, opinions（包含Source, Target, Polar_expression, Polarity, Intensity）。
• 数据分割: 数据集未进行分割。

数据集创建

• 采集理由: 为了促进加泰罗尼亚语这种低资源语言的语言模型发展。
• 源数据: 数据来源于GuiaCat在线指南和Racó Català论坛的消息。
• 标注过程: 由2名标注者进行标注，如有分歧，由第3名标注者决定。所有标注者均为加泰罗尼亚语母语者。

使用数据注意事项

• 社会影响: 希望此数据集能促进加泰罗尼亚语语言模型的发展。
• 偏见讨论: 数据来自在线评论和公共论坛，可能包含偏见、仇恨言论和有毒内容。未采取措施减少其影响。

附加信息

• 数据集管理者: 巴塞罗那超级计算中心的语言技术部门（LangTech）。
• 资金支持: 由加泰罗尼亚政府数字政策和领土部门资助，作为Projecte AINA项目的一部分。