Datos e software

Coleccións, modelos e código

Case todos os nosos artigos veñen con algo que outros poden reutilizar. Primeiro, os recursos que mantemos; despois, todo o que publicamos en GitHub e HuggingFace.

Todo o que publicamos 52

12 datasets e 19 modelos en HuggingFace, 21 repositorios en GitHub. Os autores aproban baixo solicitude o acceso aos elementos restrinxidos.

Datasets

  • Discurso de odio ICWSM 2024

    MetaHate

    Unha metacolección de 36 datasets de discurso de odio en redes sociais, unificados baixo unha única etiqueta binaria. A versión 2.0 mellora a eliminación de duplicados entre datasets. MetaHateES é a súa versión en español.

  • Saúde mental CIKM 2025

    ReDSM5

    Publicacións de Reddit anotadas frase a frase para os nove síntomas do DSM-5 dun episodio depresivo maior, cada etiqueta cunha xustificación experta. Unha mostra parafraseada de 25 publicacións non require acordo.

  • Saúde mental

    eRisk Depression Severity Personas

    Persoas simuladas de 116 usuarios de Reddit con depresión autodeclarada e a súa gravidade no BDI-II, para a simulación de usuarios condicionada por persoa (Eval4MHSim). Unha mostra parafraseada de tres usuarios é de acceso aberto.

  • Discurso de odio

    Pautas inducidas para a clasificación do discurso de odio

    Pautas de clasificación inducidas por un LLM a partir de exemplos etiquetados do corpus Measuring Hate Speech. Citan literalmente publicacións de odio, polo que o acceso se aproba manualmente.

  • Crawling

    ProdCrawl

    Unha colección de proba reproducible para crawling focalizado: copias estáticas de 621 sitios web de empresas cun xuízo de relevancia para cada páxina sobre «é esta unha páxina de produto?», e o codificador de texto de ancoraxe axustado.

  • RAG e busca

    LoreHopQA

    Preguntas multisalto situadas en 61 mundos inventados, de modo que o contexto recuperado é a única fonte da resposta. De acceso restrinxido para que ningún modelo avaliado o vexa no adestramento; a avaliación e a publicación non teñen restricións.

  • Galego arXiv 2023

    Datos de instrucións en galego

    Traducións ao galego das instrucións de Stanford Alpaca (52K) e de conversas de ShareGPT, empregadas para adestrar Cabuxa.

Modelos

Código

  • prodcrawl

    Crawler focalizado con BFS, DFS e puntuación de ancoraxes baseada en clasificadores e en recuperación, e os scripts para servir as copias de ProdCrawl.

    Crawling Python ★ 2
  • lorehop-qa

    Experimentos de validación para LoreHopQA: resposta sen contexto, evidencia ablacionada e contexto completo.

    RAG e busca Python ★ 2
  • eval4sim

    Eval4Sim, un marco de avaliación para a simulación de persoas con LLM.

    Paper Avaliación Python ★ 8
  • eval4mhsim

    Eval4MHSim, unha colección de persoas simuladas e un marco de avaliación para simular usuarios de redes sociais con problemas de saúde mental.

    Saúde mental Python ★ 10
  • llm-prf

    Retroalimentación de pseudorrelevancia asistida por LLM que filtra os documentos de retroalimentación con ruído antes da expansión da consulta.

    ECIR 2026 RAG e busca Java ★ 2
  • erisk-qrels-expansion

    Execucións campioas e anotación asistida por LLM para ampliar os xuízos de relevancia pouco profundos das coleccións de eRisk.

    Avaliación Jupyter Notebook ★ 3
  • recsysipp

    Xuízos de relevancia con LLM para avaliar sistemas de recomendación sobre MovieLens: calidade dos xuízos, pools ampliados e nesgo de popularidade.

    Avaliación Python ★ 2
  • grpo-dsm5

    Group Relative Policy Optimization para que o razoamento dos LLM sobre os síntomas de depresión do DSM-5 sexa clinicamente fiable.

    Saúde mental Python ★ 7
  • rcl

    Pooling híbrido con LLM mediante aprendizaxe do contexto de relevancia.

    SIGIR 2026 Avaliación Python ★ 2
  • hate-eval-agreement

    Se os LLM poden avaliar clasificadores de discurso de odio mesmo onde anotan mal.

    LREC 2026 Discurso de odio Python ★ 2
  • geographic-bias

    Nesgo xeográfico na detección de discurso de odio con LLM, e axuste para reducir o nesgo.

    ICWSM 2026 Discurso de odio Python ★ 2
  • multiple-testing

    Probas estatísticas para comparar moitos sistemas de recuperación á vez.

    ECIR 2025 Avaliación Java ★ 1
  • Lost-in-the-Evidence-in-RAG-Virtual-Appendix

    Apéndice virtual dun estudo de reproducibilidade sobre os efectos da posición do documento e do tamaño do contexto en RAG.

    RAG e busca Jupyter Notebook ★ 3
  • bayesian-inference

    Inferencia bayesiana con Stan para comparacións estatísticas entre sistemas de recuperación.

    Avaliación Java ★ 1
  • SIQSE

    Simula con LLM usuarios que escollen suxestións de consultas, para avaliar as suxestións máis alá das primeiras posicións.

    SIGIR 2026 Avaliación Python ★ 7
  • depression-prompt-induction

    Symptom Induction: un LLM mestre destila exemplos etiquetados en pautas interpretables para detectar evidencia de síntomas de depresión.

    SIGIR 2026 Saúde mental Python ★ 2
  • ColBERTKP

    ColBERT adaptado a consultas de palabras clave.

    IP&M 2025 RAG e busca Python ★ 7
  • distil-metahate

    Destilación de LLM en clasificadores de discurso de odio eficientes e explicables.

    ECIR 2025 Discurso de odio Python ★ 4
  • decoding-hate

    Como reaccionan os modelos de linguaxe ao discurso de odio, e como evitar que entren nel.

    NAACL 2025 Discurso de odio Python ★ 2
  • metahate

    Scripts que constrúen MetaHate a partir dos seus 36 datasets de orixe.

    ICWSM 2024 Discurso de odio Jupyter Notebook ★ 8
  • RAKS

    Xeración aumentada por recuperación para suxerir sinónimos de palabras clave.

    ECIR 2025 RAG e busca Python ★ 4