PrevenIA/spanish-suicide-intent

该数据集包含来自多个来源的评论，这些评论被翻译成西班牙语并分类为自杀意念/行为和非自杀。数据集的结构包括文本、标签和数据集来源字段。数据集的创建过程涉及多个来源的数据整合，包括Kaggle、GitHub和其他研究论文。使用该数据集时需要考虑其社会影响和潜在的偏见。

原始信息汇总

数据集概述

该数据集包含从多个来源翻译成西班牙语的评论，并分类为自杀意念/行为和非自杀。

数据集结构

数据集包含175010行（77223行被视为自杀意念/行为，97787行被视为非自杀）。

数据集字段

• Text: 用户评论。
• Label: 1表示自杀意念/行为；0表示非自杀评论。
• Dataset: 评论的来源。

数据集创建

数据集来源包括：

• 112385条（84485条非自杀，27905条自杀）来自Suicide Watch数据集。
• 46894条（46894条自杀）来自TwitterSuicidalAnalysis。
• 9919条（9183条非自杀，736条自杀）来自Hackaton Somos NLP生成的语料库。
• 8744条（4802条非自杀，3942条自杀）来自论文An Attention-based hybrid architecture with explainability for depressive social media text detection in Bangla。
• 7084条（3559条非自杀，3525条自杀）来自论文Supervised Learning for Suicidal Ideation Detection in Online User Content。
• 1972条（1540条非自杀，432条自杀）来自论文Detection of Suicidal Intent in Spanish Language Social Networks using Machine Learning。
• 1769条（1122条非自杀，647条自杀）来自语料库Suicidal Tweet Detection。
• 316条（204条非自杀，112条自杀）来自论文Data Mining Approach to the Detection of Suicide in Social Media: A Case Study of Singapore。

使用数据的注意事项

数据集的社会影响

该数据集可能包含一些检测自杀意念/行为的模式。

偏见讨论

没有采取措施来估计数据集中嵌入的偏见和毒性。然而，大部分数据收集自Reddit、Twitter和ChatGPT。因此，可能存在年龄偏见，因为互联网更多地被年轻人使用。

搜集汇总

数据集介绍

构建方式

在自杀意图检测这一敏感而重要的社会议题下，西班牙语自杀意图数据集PrevenIA/spanish-suicide-intent的构建汇聚了多源异构的语料资源。该数据集整合了来自八个不同来源的评论数据，包括Suicide Watch数据集、TwitterSuicidalAnalysis项目、Hackaton Somos NLP语料库，以及多篇学术论文中公开的社交媒体文本，所有内容均被翻译为西班牙语。最终形成了包含175010条样本的集合，其中77223条被标注为自杀意念或行为，97787条为非自杀性评论。数据集的字段设计简洁，包含用户评论文本、二分类标签（1表示自杀倾向，0表示非自杀）以及来源标识，为后续模型训练提供了清晰的标注基础。

特点

该数据集的特点在于其规模与多样性的有机结合。样本总量超过17万条，覆盖了Reddit、Twitter、ChatGPT等多个平台，有效降低了单一来源带来的偏差。虽然未进行显式的偏见与毒性评估，但数据集构建者指出，由于互联网用户年龄分布偏向年轻群体，数据可能存在一定的年龄偏差。此外，数据集的标签分布虽不完全平衡（非自杀样本略多），但自杀类样本仍占44%以上，保证了正负样本的相对丰富性。从任务类型看，该数据集专为文本分类设计，旨在支持西班牙语环境下自杀意图的自动检测研究。

使用方法

使用该数据集时，可直接通过HuggingFace接口加载，数据集已预分为训练集、验证集和测试集，分别包含136136、15131和37820条样本。每条数据包含Text、Label和dataset三个字段，用户可基于Label字段进行二分类任务的模型训练与评估。建议在应用时注意其潜在的年龄偏差，并结合实际场景对模型输出进行审慎解读。该数据集以CC-BY-4.0许可协议发布，适用于学术研究与非商业用途，为西班牙语自杀预防领域的自然语言处理研究提供了宝贵的标注资源。

背景与挑战

背景概述

在自然语言处理与公共健康交叉领域，自杀意图检测是一项极具社会价值的研究任务，旨在通过分析社交媒体文本及早识别个体的自杀倾向。PrevenIA/spanish-suicide-intent数据集由研究者joheras于近年创建，汇集了来自Reddit、Twitter等多平台的西班牙语评论，经过翻译与标注后形成包含逾17.5万条样本的大规模语料库，其中约7.7万条被标记为存在自杀意念或行为。该数据集的核心研究问题在于构建和评估适用于西班牙语环境的自杀风险自动检测模型，填补了该语种在心理健康文本分析领域的资源空白。作为首个面向西班牙语的自杀意图分类基准数据集，其发布推动了低资源语言在情感计算与危机干预中的研究进展，并为跨文化自杀预防研究提供了关键数据支撑。

当前挑战

该数据集面临的挑战首先体现在领域问题的复杂性上：自杀意图检测需区分隐晦的情绪表达与日常负面情绪，而社交媒体文本的碎片化、隐喻性和文化特异性使得模型泛化困难。构建过程中，数据来源的多样性虽丰富了样本，却引入了标注不一致问题——不同原始数据集采用不同的标注标准（如是否区分意念与行为），翻译过程也可能丢失原语境中的情感线索。此外，数据集存在显著的年龄偏差，因主要采集自年轻用户活跃的Reddit和Twitter，可能忽略中老年群体的表达模式。未对潜在偏见与毒性内容进行系统性评估，进一步增加了模型在真实场景中误判或强化歧视的风险。

常用场景

经典使用场景

该数据集汇集了来自Reddit、Twitter等社交平台及部分学术研究的多源西班牙语评论，经翻译与标注后形成了涵盖自杀意念与行为（正样本）与非自杀倾向（负样本）的大规模语料库。其经典使用场景在于构建基于文本分类的自杀风险自动检测模型，研究者可借助该数据集的标签体系训练深度学习或传统机器学习分类器，实现对西班牙语用户生成内容中潜在自杀意图的精准识别与筛查。

衍生相关工作

该数据集衍生了一系列经典工作，包括基于Transformer架构的西班牙语自杀意图微调模型（如BETO、RoBERTa-base-es）、融合情感分析与自杀线索的多任务学习框架，以及针对类不平衡问题的代价敏感学习与数据增强策略研究。此外，它还催生了跨语言自杀风险检测的迁移学习实验，验证了西班牙语数据对英语或葡萄牙语模型的互补增强效应，推动了多语种心理健康NLP的协同发展。

数据集最近研究

最新研究方向

在精神健康与自然语言处理的交叉领域，自杀意图检测已成为一项紧迫的社会技术挑战。PrevenIA/spanish-suicide-intent数据集汇聚了来自Reddit、Twitter及多项学术研究的多源西班牙语社交媒体评论，通过标注自杀意念与正常行为文本，为构建跨平台、多语言的自杀风险预警模型提供了关键资源。当前前沿研究聚焦于利用该数据集训练基于Transformer架构的深度学习模型（如BERT、RoBERTa），结合迁移学习与数据增强技术，以提升对非正式网络用语中隐含自杀信号的识别精度。该数据集的发布不仅填补了西班牙语自杀意图检测语料库的空白，更推动了低资源语言心理健康监测工具的普惠化进程，其多源异构特性有助于缓解模型对单一平台偏见，为全球自杀预防策略的智能化转型奠定了实证基础。