arXiv cs.AI· Emanuele Florindi, Valentina Franzoni, Ludovico Guercio, Alfredo Milani, Mattia Polticchia·· 3 天前AI 评分24
LURE：在线诱骗对话的阶段性标注合成语料库
LURE: a Phase-Labelled Synthetic Corpus of Online-Grooming Exchanges
AI 导读
研究者发布 LURE，一个用检索增强流水线生成的诱骗者-受害者对话合成语料库，基于 80 亿参数、拒绝机制被消融的开源语言模型构建。语料库含 2,121 段独特对话，覆盖 7 个标签和 4 个诱骗阶段，每段附 Plutchik 情绪字段，标签准确率 0.85、阶段准确率 0.93。真实与合成判别器区分两个领域的准确率为 91%，语料库、数据表与审计代码经审核后开放获取。
正文 · AI 翻译
摘要：带有阶段标注的对话数据对于研究针对未成年人的网络诱骗的进展以及开发早期预警工具至关重要。然而，唯一公开可用的来源（即 Perverted-Justice 档案，其中包含一个使用 ChatCoder 编码的子集）规模小、已过时且被冻结。我们提出了一个诱骗者与受害者交流的合成语料库，使用在机构硬件上运行的检索增强流水线生成。该流水线使用一个公开可用的、八十亿参数的、拒绝消融的语言模型。该语料库是使用合成数据集负责任生成协议的五个阶段创建的：基于 ChatCoder 诱骗通信方案的本体驱动设计（八个通信标签映射到四个诱骗阶段）；多模型提示测试；人在回路监督；语义和特征级验证；以及模态感知文档。发布的语料库包含跨七个标签和四个阶段的 2,121 个独特交流，每个都附有 Plutchik 情感字段。验证量化了语料库的完整性和词汇特征，以及真实种子行的复现、域内标签可恢复性（标签准确率：0.85；阶段准确率：0.93）及其向真实 ChatCoder 犯罪者行的迁移，这些行在八标签级别（31,640 行）自动编码，并由人工编码者在三构念级别（10,876 条帖子）编码。对词汇和句子嵌入特征测量了准确率，而一个真实与合成判别器能够以 91% 的准确率区分这两个域。该语料库的范围包括受控的、阶段条件化实验、流水线开发和增强，以及真实数据和意识材料。该语料库、其数据表和审计代码在经审查的访问权限下发布。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.15908 [cs.AI] |
| （或 arXiv:2610.15908v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.15908 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Valentina Franzoni [查看电子邮件]
[v1]
2026年10月11日星期日 20:41:08 UTC（157 KB）
来源：arXiv cs.AI · arxiv.org