该论文介绍了 POLygraph 数据集，这是一个在波兰进行假新闻检测的独特资源。该数据集包含两个部分：11,360 对新闻文章及相应标签的 “真假” 数据集，以及 5,082 篇新闻文章及相关推文的 “真假评论” 数据集。与现有数据集不同，POLygraph 涵盖了源自文献的多种方法，为假新闻检测提供了全面的资源。数据是通过专家和非专家标注人员的手动注释收集的。该项目还开发了一款使用先进机器学习技术分析数据并确定内容真实性的软件工具。该工具和数据集预计将惠及公共部门机构、出版商和事实核查组织等各种实体。进一步对数据集的研究将促进假新闻检测，可能在其他语言中推动类似模型的实施。该论文侧重于数据集的创建和组成，因此不包括对内容真实性分析软件工具的详细评估，该评估计划在项目的后期进行。

Jul, 2024

在社交媒体上，政治竞选充斥着政治广告。该研究提出了一种公开可用的数据集，用于检测特定文本块和政治广告类别的内容，特定文本块和政治广告类别是符合波兰选举法的竞选基本形式。数据集包含 1,705 条人工标注的推文，标有九个类别。该数据集被用来训练神经标记器，并用于对波兰 2020 年总统选举在 Twitter 上的初步分析。

Jun, 2020

我们引入了一个来自韩国著名 SNS 平台的全面、大规模数据集，该数据集提供了对文本样本的三种注释：（1）偏好，（2）亵渎，和（3）九种偏见类型，实现了用户生成文本的多任务学习的同时分类。通过利用最先进的基于 BERT 的语言模型，我们的方法在各种度量标准下超越了人类水平的准确性。除了学术贡献，我们的工作可以为实际的仇恨言论和偏见减轻提供实际解决方案，直接有助于提升在线社区的健康。我们的工作为未来旨在提高在线话语质量和促进社会福祉的研究奠定了坚实的基础。所有源代码和数据集都可以在此 https 链接上公开访问。

Oct, 2023

本文提出了一个可用于建立自动检测低资源语言（如孟加拉语）虚假新闻系统的标注数据集，同时提供了数据集分析和基准系统，采用传统语言特征和神经网络技术，为防止虚假信息传播建立技术贡献。

Apr, 2020

社交媒体上恶意用语的普遍存在对社会福祉产生了不利影响，因此，解决这个问题变得非常重要。本研究中，我们提出了一个新的数据集 OffLanDat，这是一个由 ChatGPT 生成的基于社区的隐式恶意语言数据集，包含了 38 个不同目标群体的数据，并采用了一种基于提示的零 - shot 方法与 ChatGPT 进行比较，以评估数据的质量和检测结果。

Mar, 2024

研究波兰犯罪文本在互联网上的检测，使用预训练的波兰语变形器语言模型进行微调得到最佳性能；使用大型标注的互联网片段语料库作为训练数据，并在 Gonito 平台上创建了一个新的犯罪文本检测任务。

Aug, 2021

本研究在斯洛文尼亚和英语中提供涵盖两个主题（移民和 LGBT）的 Facebook 评论主题数据集，并手动注释了不同类型的社交不当言论（SUD）。研究人员使用相同的抽样程序来生成跨语言的可比数据集，并使用六种类型的 SUD 注释模式和五个 SUD 指向的目标来审查数据集，该数据集被认为是理解和打击 SUD 的重要里程碑。

Jun, 2019

本研究针对斯里兰卡使用人数超过 1700 万的 Sinhala 语，开发了一个手工注释的数据集 SOLD，和一个更大的半监督数据集 SemiSOLD，用以改进机器学习模型鉴别 Sinhala 语的具有攻击性的语言的能力。

Dec, 2022

本文探讨了自动收集弱标签数据集的方法，并展示了它们对神经检索模型的性能的影响。通过本文，我们发布了 MAUPQA 数据集，其中包含接近 400,000 个波兰语问题 - 段落对，以及 HerBERT-QA 神经检索器。

May, 2023

该研究描述了多个 NGO 的百余名熟练操作员联合创建的第一个大尺度的恶意言论及对抗文本对的多语种数据集，并提供了关于数据扩增、恶意类型和回应类型等额外的注释。

Oct, 2019