COLDataset

Coldataset

Repositori resmi makalah: Dingin: tolok ukur untuk deteksi bahasa ofensif Cina

中文冒犯语言检测数据集

Tautan kertas: https://arxiv.org/abs/2201.06025

Detektor: Kami merilis versi Roberta-Base-Cold di Huggingface.

Berita

Makalah kami telah diterima oleh EMNLP 2022!

Info

Coldataset berisi 37.480 komentar dengan label ofensif biner dan mencakup beragam topik ras, jenis kelamin, dan wilayah. Untuk mendapatkan wawasan lebih lanjut tentang tipe dan karakteristik data, kami memberi anotasi tes yang ditetapkan pada tingkat berbutir halus dengan empat kategori: menyerang individu, kelompok penyerang, anti-bias dan non-ofensif lainnya.

Label di train.csv dan dev.csv:

• Label 0: Aman,
• Label 1: Ofensif

label berbutir halus di test.csv:

• 0: aman (non-offen lainnya)
• 1: Serang Individu
• 2: Grup Serangan
• 3: Aman (anti-bias)

Mengutip

Harap silakan mengutip kertas kami jika makalah ini dan dataset sangat membantu.

  @article{deng2022cold,
  title="Cold: A benchmark for chinese offensive language detection",
  author= "Deng, Jiawen and Zhou, Jingyan and Sun, Hao and Mi, Fei and Huang, Minlie",
  booktitle = "Proceedings of the 2022 Conference on Empirical Methods in Natural Language Processing",
  month = dec,
  year = "2022",
  address = "Abu Dhabi, United Arab Emirates",
  publisher = "Association for Computational Linguistics",
  url = "https://aclanthology.org/2022.emnlp-main.796",
  pages = "11580--11599"
}