Overfit-GM/turkish-toxic-language

该文本数据集是一个土耳其语文本集合，用于检测有毒语言。数据集从多个现有的在线攻击性语言数据集中合并而来，共包含77,800个实例，每个实例被标记为有攻击性或无攻击性。为了确保数据集的完整性，使用了多个Transformer模型进行伪标签增强。数据集以CSV格式提供，并详细列出了合并数据集的来源。

原始信息汇总

Turkish Toxic Language Dataset

数据集概述

数据集总结

• 语言: 土耳其语
• 任务类别: 文本分类
• 许可证: Apache-2.0
• 数据集大小: 10K<n<100K
• 数据集名称: Turkish Toxic Language Dataset
• 数据集格式: CSV

数据集详细信息

• 实例总数: 77,800

• 标签分布:

  • 其他: 37,663
  • 亵渎: 18,252
  • 侮辱: 10,777
  • 种族主义: 10,163
  • 性别歧视: 945
  • 攻击性实例: 40,137
  • 非攻击性实例: 37,663

• 数据源分布:

  • Jigsaw Multilingual Toxic Comments: 35,624
  • Turkish Offensive Language Detection Dataset: 39,551
  • Turkish Cyberbullying Dataset: 2,525

数据集用途

• 用于土耳其语的攻击性语言检测。
• 通过多个转换器模型增强数据集，确保数据的完整性和全面性。