Datos y software
Colecciones, modelos y código
La mayoría de nuestros artículos vienen con algo que otros pueden reutilizar. Primero los recursos que mantenemos y después todo lo que hemos publicado en GitHub y HuggingFace.
- Tarea compartida
eRisk: Early Risk Prediction on the Internet
El laboratorio de evaluación de CLEF sobre detección temprana de riesgos, celebrado cada año desde 2017. Las ediciones recientes abordan la ordenación de síntomas y enfoques contextuales y conversacionales para la depresión y el TDAH. La edición de 2027 forma parte de CLEF 2027.
- Conjunto de datos
MetaHate
Una metacolección de 1.226.202 publicaciones de redes sociales etiquetadas como odio o no odio, unificada a partir de conjuntos de datos públicos de discurso de odio para que los modelos puedan entrenarse y compararse sobre una base común.
Acceso. De acceso restringido, para uso en investigación según las condiciones de los conjuntos de datos de origen. Hay una muestra abierta de 100 publicaciones.
- Conjunto de datos
ReDSM5
1.484 publicaciones largas de Reddit anotadas frase a frase por una persona colegiada en psicología para los nueve síntomas de depresión del DSM-5, cada etiqueta con una breve justificación clínica.
Acceso. De acceso restringido: una muestra de 25 publicaciones es pública; el conjunto completo se facilita bajo petición.
Artículo · CIKM 2025 Página del conjunto de datosHuggingFace
- Modelos
eRisk 2026 personas and adapters
Personas de pacientes basadas en LLM y adaptadores publicados para las tareas conversacionales de eRisk 2026, descargados más de 1.000 veces.
- Conjunto de datos
Mute Cods
Un conjunto de datos multilingüe de Telegram con modelos de referencia para detectar teorías de la conspiración, creado dentro de la red HYBRIDS.
- Conjunto de datos
IAT2BAS
Un conjunto de datos publicado en 2026 con la Fondazione Bruno Kessler y el CSIC.
- Software
LabChain
Un framework en Python para experimentos científicos reproducibles y modulares, desarrollado con la Universidade de Santiago de Compostela.
Todo lo que publicamos 52
12 conjuntos de datos y 19 modelos en HuggingFace, 21 repositorios en GitHub. Los autores aprueban bajo petición el acceso a los elementos restringidos.
Conjuntos de datos
- Discurso de odio ICWSM 2024
MetaHate
Una metacolección de 36 conjuntos de datos de discurso de odio en redes sociales, unificados bajo una única etiqueta binaria. La versión 2.0 mejora la eliminación de duplicados entre conjuntos. MetaHateES es su equivalente en español.
- Salud mental CIKM 2025
ReDSM5
Publicaciones de Reddit anotadas frase a frase para los nueve síntomas del DSM-5 de un episodio depresivo mayor, cada etiqueta con una justificación experta. Una muestra parafraseada de 25 publicaciones no requiere acuerdo.
- Salud mental
eRisk Depression Severity Personas
Personas de 116 usuarios de Reddit con depresión autodeclarada y su gravedad según el BDI-II, para simular usuarios condicionados por una persona (Eval4MHSim). Hay una muestra abierta y parafraseada de tres usuarios.
- Discurso de odio
Induced Hate Speech Classification Guidelines
Pautas de clasificación inducidas por un LLM a partir de ejemplos etiquetados del corpus Measuring Hate Speech. Citan literalmente publicaciones de odio, así que el acceso se aprueba a mano.
- Crawling
ProdCrawl
Una colección de prueba reproducible para crawling focalizado: copias estáticas de 621 webs de empresas con un juicio de relevancia en cada página para "¿es esta una página de producto?", además del codificador de texto de enlace ajustado.
- RAG y búsqueda
LoreHopQA
Preguntas multisalto ambientadas en 61 mundos inventados, de modo que el contexto recuperado es la única fuente de la respuesta. De acceso restringido para que ningún modelo evaluado lo vea durante el entrenamiento; la evaluación y la publicación de resultados son libres.
- Gallego arXiv 2023
Datos de instrucciones en gallego
Traducciones al gallego de las instrucciones de Stanford Alpaca (52K) y de conversaciones de ShareGPT, usadas para entrenar Cabuxa.
Modelos
- Discurso de odio
Clasificadores MetaHate
BERT y BERT multilingüe ajustados con MetaHate para la detección binaria de discurso de odio en inglés, español, portugués y gallego.
- Discurso de odio ECIR 2025
Distil-MetaHate
Llama 3 8B destilado con cadena de pensamiento para clasificar discurso de odio y explicar por qué.
- Discurso de odio NAACL 2025
Stop-Hate
Mistral 7B y Llama 2 13B ajustados para que los modelos conversacionales no sigan el juego al discurso de odio ni lo amplifiquen.
- Discurso de odio ICWSM 2026
Ajuste contra el sesgo geográfico
Adaptadores de Llama 3.1 8B, Mistral Nemo y Phi-4 mini ajustados contra el sesgo para que las decisiones sobre discurso de odio se mantengan coherentes cuando se añade una persona de un país, con y sin contexto lingüístico.
- Mistral-Nemo-Instruct-2407-Geographic-Debias-Tuning
- Mistral-Nemo-Instruct-2407-Geographic-Debias-Tuning-Lang
- Phi-4-mini-instruct-Geographic-Debias-Tuning-Lang
- Phi-4-mini-instruct-Geographic-Debias-Tuning
- Llama-3.1-8B-Instruct-Geographic-Debias-Tuning
- Llama-3.1-8B-Instruct-Geographic-Debias-Tuning-Lang
- Gallego arXiv 2023
Cabuxa: LLM para el gallego
Cabuxa-7B, un modelo de instrucciones LLaMA para el gallego, y Cabuxa 2.0, Llama 3.1 8B Instruct con preentrenamiento continuado sobre el corpus CorpusNós, también en una versión GPTQ de 4 bits.
- Salud mental ECIR 2025
MindWell
Adaptador para Vicuna 7B en el que se basa MindWell, un agente conversacional que ayuda a profesionales en el cribado de la depresión en redes sociales.
- Crawling
Codificador de texto de enlace de ProdCrawl
MPNet ajustado para puntuar el texto de los enlaces que llevan a páginas de producto, usado por el crawler focalizado de ProdCrawl.
Código
- prodcrawl
Crawler focalizado con puntuación de enlaces por BFS, DFS, clasificador y recuperación, y los scripts para servir las copias de ProdCrawl.
- lorehop-qa
Experimentos de validación para LoreHopQA: respuesta sin contexto, evidencia parcial y contexto completo.
- eval4sim
Eval4Sim, un marco de evaluación para la simulación de personas con LLM.
- eval4mhsim
Eval4MHSim, una colección de personas y un marco de evaluación para simular usuarios de redes sociales con problemas de salud mental.
- llm-prf
Pseudorrealimentación de relevancia asistida por LLM que filtra los documentos de realimentación ruidosos antes de expandir la consulta.
- erisk-qrels-expansion
Ejecuciones campeonas y anotación asistida por LLM para ampliar los juicios de relevancia poco profundos de las colecciones de eRisk.
- recsysipp
Juicios de relevancia con LLM para evaluar sistemas de recomendación en MovieLens: calidad de los juicios, pools ampliados y sesgo de popularidad.
- grpo-dsm5
Group Relative Policy Optimization para que el razonamiento de los LLM sobre los síntomas de depresión del DSM-5 sea clínicamente fiable.
- rcl
Pooling híbrido con LLM mediante aprendizaje del contexto de relevancia.
- hate-eval-agreement
Si los LLM pueden evaluar clasificadores de discurso de odio incluso donde anotan mal.
- geographic-bias
Sesgo geográfico en la detección de discurso de odio con LLM, y ajuste para reducirlo.
- multiple-testing
Tests estadísticos para comparar muchos sistemas de recuperación a la vez.
- Lost-in-the-Evidence-in-RAG-Virtual-Appendix
Apéndice virtual de un estudio de reproducibilidad sobre los efectos de la posición de los documentos y el tamaño del contexto en RAG.
- bayesian-inference
Inferencia bayesiana con Stan para comparar estadísticamente sistemas de recuperación.
- SIQSE
Simula con LLM usuarios que eligen sugerencias de consultas, para evaluar las sugerencias más allá de las primeras posiciones.
- depression-prompt-induction
Symptom Induction: un LLM maestro destila ejemplos etiquetados en pautas interpretables para detectar evidencia de síntomas de depresión.
- ColBERTKP
ColBERT adaptado a consultas de frases clave.
- distil-metahate
Destilación de LLM en clasificadores de discurso de odio eficientes y explicables.
- decoding-hate
Cómo reaccionan los modelos de lenguaje al discurso de odio y cómo evitar que le sigan el juego.
- metahate
Scripts que construyen MetaHate a partir de sus 36 conjuntos de datos de origen.
- RAKS
Generación aumentada por recuperación para sugerir sinónimos de frases clave.