arXiv cs.CL· Lakhjeet Kaur, Jaspreet Kaur, Komal Rani, Yougal Attri, Ramakant KumarJaydeep Kishore, Pravin Kumar·· 11 小时前AI 评分18
Punjabi Geet 毒性数据集 PGT-FG：旁遮普语歌曲毒性内容的细粒度多模态标注
The Punjabi Geet Toxicity Dataset (PGT-FG): Fine-Grained Multimodal Annotations for Toxic Content in Punjabi Songs
AI 导读
研究者发布 Punjabi Geet Toxicity Dataset（PGT-FG），一个面向旁遮普语歌曲毒性检测的片段级数据集，最终包含来自 392 首歌曲的 2,396 个片段，其中 705 个（29.42%）被标注为有毒。
正文 · AI 翻译
摘要：旁遮普语毒性检测资源仍然有限，尤其是对于结合语言与多模态信息的音乐内容。我们提出了旁遮普语 Geet 毒性数据集（PGT-FG），这是一个片段级资源，旨在支持旁遮普语音乐内容中毒性检测的研究。该数据集由从 YouTube 收集的公开旁遮普语歌曲构建而成。初始收集的 620 首歌曲最终成功下载 465 首，并从 450 首歌曲中获得 3,402 个初步片段。经过质量控制和标注后，最终数据集包含来自 392 首歌曲的 2,396 个唯一片段。四位旁遮普语母语标注者共产生 2,870 条标注记录，其中包括由全部四人共同标注的 158 个片段的共享子集。每条标注包括二元毒性、八个细粒度毒性类别、严重程度、情感、模式以及一个不确定性标记。标注者间一致性在共享子集上使用 Fleiss' kappa 进行测量，基于多数决的解决方式生成了最终的片段级标签。在 2,396 个片段中，705 个（29.42%）被标记为有毒，1,691 个（70.58%）为无毒。暴力是最常见的类别，出现在 539 个有毒片段中（76.45%），其次是帮派提及（227，32.20%）和毒品提及（133，18.87%）。总体毒性标签达到了一致性较高（kappa = 0.6521）。PGT-FG 为旁遮普语毒性检测和多模态内容分析提供了细粒度资源。解决后的数据集（每个片段一条最终记录）已在 Zenodo 上公开（此 https URL）。原始歌词、歌词摘录以及受版权保护的音频或视频内容不予再分发。
| 学科： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.32513 [cs.CL] |
| （或 arXiv:2610.32513v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.32513 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Pravin Kumar [查看电子邮件]
[v1]
2026年10月23日星期五 11:38:16 UTC（1,993 KB）
来源：arXiv cs.CL · arxiv.org