COLDDateset，中文冒犯性语言检测数据集

所属章节：语料库｜manifest 索引：203｜原始行号：364

涵盖了种族、性别和地区等话题内容，数据待论文发表后放出

项目简介

本条目在原始目录中名为“COLDDateset，中文冒犯性语言检测数据集”。本次实时核验后，可访问来源显示其正式名称或仓库名为“COLD: A Benchmark for Chinese Offensive Language Detection”，入口类型为arXiv 论文页面或论文 PDF。任务面向中文冒犯性语言检测。

本文只陈述核验时页面能够支持的事实。原始目录与当前页面不一致之处，以“原始记录”和“实时证据”分别呈现；没有在页面、README、仓库元数据或论文摘要中出现的信息均标为“待核实”。

实时核验摘要

  • 正式名称：COLD: A Benchmark for Chinese Offensive Language Detection
  • 页面类型：arXiv 论文页面或论文 PDF
  • 本次共核验 1 个原始链接，其中可确认 1 个、未确认 0 个
  • 核验时间：2026-08-04T10:26:11Z

访问状态中的 redirected 表示原始链接自动跳转，但最终页面仍能确认项目身份；error 或 skipped 不作为新增事实依据。HTTP 状态和最终地址均保留在逐站结果中，便于后续复查。

项目特色

有证据支持的特色：基准同时包含中文冒犯性语言数据集 COLDATASET 和在该数据上训练的基线检测器 COLDETECTOR。

这一特色来自当前可访问页面的项目介绍、README 或论文摘要，并非根据项目名称推断。若要将其用于论文实验、生产数据或商业产品，还应继续核对数据来源、样本质量、许可范围与引用要求。

核心功能

  • 任务面向中文冒犯性语言检测。
  • 论文摘要说明数据涉及种族、性别、地区等群体和负面态度相关内容。
  • 研究还用检测器分析中文预训练生成模型的冒犯性输出及触发因素。

上述功能描述的证据强度取决于来源类型：官方仓库 README 和论文页面可支持项目定位，但目录列表、第三方镜像或仅有标题的页面不能替代完整技术文档。性能、准确率、价格、作者承诺与未展示的功能均为待核实。

技术栈与资料范围

  • 主要技术/资料形态：论文与数据基准。
  • 冒犯内容具有敏感性，训练和展示需采取访问控制与伦理审查。
  • 当前原始链接是论文 PDF；代码、数据下载和许可证需从论文关联资源继续确认。
  • 原始目录保留的描述为：涵盖了种族、性别和地区等话题内容，数据待论文发表后放出。

技术语言来自仓库元数据时只代表代码占比信号，不等于完整依赖栈；“数据文件为主”或“资料索引为主”则说明该资源不宜按可安装软件理解。数据字段、切分、清洗、标注一致性、去重和覆盖偏差仍需结合仓库文件或论文正文审计。

适用场景

  • 用于与“COLDDateset，中文冒犯性语言检测数据集”原始定位一致的数据调研、基线复现或资料索引。
  • 在小规模样本上验证格式、编码、字段与任务匹配度，再决定是否纳入正式实验。
  • 将当前页面作为入口，继续核对数据下载、论文引用、许可证和维护记录。

如果项目是数据列表或资源集合，应逐个核验其下游数据源；如果项目是模型或工具仓库，也不能仅凭仓库可克隆就认定模型文件、训练数据和运行环境仍然可用。

安装或使用入口

  • 未从可访问页面确认安装命令；请从原始链接进入当前文档后再操作。

克隆仓库只是取得资料的入口，不等同于完成安装。执行任何命令前应先检查当前分支、依赖文件、下载脚本和数据条款。对于论文 PDF 或失效链接，本次未确认可执行安装流程，安装方式为待核实。

实践建议

  1. 先保存原始文件校验值，并记录下载日期、最终 URL 与版本线索，避免后续页面变化导致实验不可复现。
  2. 抽样检查编码、空值、重复项、异常长度和标签分布；涉及文本语料时还要检查隐私、冒犯内容与版权风险。
  3. 先运行最小样例，再扩大数据规模； README 中的历史命令可能依赖旧版框架或已经迁移的下载地址。
  4. 发表结果或上线前，重新核对许可证、引用格式和数据再分发限制。

优势与限制

优势：该条目提供了明确的项目入口；本次可访问页面还给出了“基准同时包含中文冒犯性语言数据集 COLDATASET 和在该数据上训练的基线检测器 COLDETECTOR。”这一可追溯特色，有助于判断是否值得进一步下载和审计。

限制：目录描述可能早于当前页面，仓库可访问也不代表依赖仍兼容。当前未确认的版本、完整数据统计、基准成绩、硬件要求、商业授权、隐私合规与长期维护承诺均不能默认成立。

维护状态、版本与许可证

  • 维护状态：待核实。
  • 最近代码推送：待核实。
  • 页面/仓库更新时间：2022-01-16。
  • 正式版本：待核实；未把分支名或单次提交自动视为稳定版本。
  • 许可证：待核实。数据许可与代码许可可能不同，使用前应检查当前 LICENSE、README 和数据来源条款。

原始链接与逐站访问结果

URL状态HTTP页面标题最终地址证据摘要/原因
原始链接
https://arxiv.org/pdf/2201.06025.pdf		redirected200待核实https://arxiv.org/pdf/2201.06025COLD: A Benchmark for Chinese Offensive Language Detection；Offensive language detection is increasingly crucial for maintaining a civilized social media platform and deploying pre-trained language models. However, this task in Chinese is still under exploration due to the scarcity of reliable datasets. To this end, we propose a benchmark --COLD for Chinese offensive language analysis, including a Chinese Offensive Language Dataset --COLDATASET and a baseline detector --COLDETECTOR which is trained on the dataset. We show that the COLD benchmark contributes to Chinese offensive language detection which is challenging for existing resources. We then deploy the COLDETECTOR and conduct detailed analyses on popular Chinese pre-trained language models. We first analyze the offensiveness of existing generative models and show that these models inevitably expose varying degrees of offensive issues. Furthermore, we investigate the factors that influence the offensive generations, and we find that anti-bias contents and keywords referring to certain groups or revealing negative attitudes trigger offensive outputs easier.
原始记录

项目名：COLDDateset，中文冒犯性语言检测数据集

原始描述：涵盖了种族、性别和地区等话题内容，数据待论文发表后放出

章节：语料库

行号：364

核验清单

  • slug 保持为 colddateset，未改名、未合并项目。
  • 全部 1 个原始链接已保留，并分别生成 sourceChecks 记录。
  • 页面类型、正式名称、功能、技术范围、入口、维护线索、更新时间和许可证均按当前证据填写；缺失项标为“待核实”。
  • 文章包含项目特色、优势与限制以及逐站访问结果，且不使用失效页面推断新增事实。

规范链接：/articles/colddateset-polished-guide